Eğitim İçeriği
Giriş
- Desen tanıma ve makine öğrenmesine genel bakış
- Çeşitli alanlardaki temel uygulamalar
- Desen tanımanın modern teknolojideki önemi
Olasılık Teorisi, Model Seçimi, Karar ve Bilgi Teorisi
- Desen tanımada olasılık teorisinin temelleri
- Model seçimi ve değerlendirme kavramları
- Karar teorisi ve uygulamaları
- Bilgi teorisi temelleri
Olasılık Dağılımları
- Yaygın olasılık dağılımlarına genel bakış
- Dağılımların veri modellemedeki rolü
- Desen tanımadaki uygulamalar
Regresyon ve Sınıflandırma için Doğrusal Modeller
- Doğrusal regresyona giriş
- Doğrusal sınıflandırmayı anlama
- Doğrusal modellerin uygulamaları ve sınırlamaları
Neural Networks
- Sinir ağları ve derin öğrenmeye giriş
- Desen tanıma için sinir ağlarını eğitme
- Pratik örnekler ve vaka çalışmaları
Çekirdek Yöntemleri
- Desen tanımada çekirdek yöntemlerine giriş
- Destek vektör makineleri ve diğer çekirdek tabanlı modeller
- Yüksek boyutlu verilerdeki uygulamalar
Seyrek Çekirdek Makineleri
- Desen tanımada seyrek modelleri anlama
- Model seyreltimi ve düzenleme teknikleri
- Veri analizindeki pratik uygulamalar
Grafiksel Modeller
- Makine öğrenmesinde grafiksel modellere genel bakış
- Bayes ağları ve Markov rastgele alanları
- Grafiksel modellerde çıkarım ve öğrenme
Karışım Modelleri ve EM
- Karışım modellerine giriş
- Beklenti-Maksimizasyon (EM) algoritması
- Kümeleme ve yoğunluk tahminindeki uygulamalar
Yaklaşık Çıkarım
- Karmaşık modellerde yaklaşık çıkarım için teknikler
- Varyasyonel yöntemler ve Monte Carlo örneklemesi
- Büyük ölçekli veri analizindeki uygulamalar
Örnekleme Yöntemleri
- Olasılıksal modellerde örneklemenin önemi
- Markov Zinciri Monte Carlo (MCMC) teknikleri
- Desen tanımadaki uygulamalar
Sürekli Gizli Değişkenler
- Sürekli gizli değişken modellerini anlama
- Boyut azaltma ve veri gösterimindeki uygulamalar
- Pratik örnekler ve vaka çalışmaları
Ardışık Veriler
- Ardışık verileri modellemeye giriş
- Gizli Markov modelleri ve ilgili teknikler
- Zaman serisi analizi ve konuşma tanımadaki uygulamalar
Modelleri Birleştirme
- Çoklu modelleri birleştirme teknikleri
- Topluluk yöntemleri ve güçlendirme
- Model doğruluğunu artırmadaki uygulamalar
Özet ve Sonraki Adımlar
Kurs İçin Gerekli Önbilgiler
- İstatistik bilgisi
- Çok değişkenli hesap ve temel doğrusal cebir bilgisi
- Olasılıklar konusunda bazı deneyim
Hedef Kitle
- Veri analistleri
- Doktora öğrencileri, araştırmacılar ve uygulayıcılar
Danışanlarımızın Yorumları (2)
Yapay zekâyı daha önce hiç kullanmamış kişilerin sorgulama (prompting) sürecinde belirli bir tekrar ve düzen oluşturmalarını sağlarken, halihazırda yapay zekâ kullanan kişilerin ise bu araçları farklı yöntemlerle kullanmayı değerlendirmelerini hedefler.
Matthew Gay - Tarsus Pharmaceuticals
Eğitim - Artificial Intelligence (AI) Overview
Yapay Zeka Çevirisi
Odaklanarak ilk ilkelerden başlamak ve aynı gün içinde örneklem uygulamalarına geçmek
Maggie Webb - Department of Jobs, Regions, and Precincts
Eğitim - Artificial Neural Networks, Machine Learning, Deep Thinking
Yapay Zeka Çevirisi
