Cursusaanbod
Inleiding
- Overzicht van patroonherkenning en machine learning
- Belangrijkste toepassingen in diverse vakgebieden
- De betekenis van patroonherkenning voor moderne technologieën
Kansrekening, modelselectie, besluitvorming en informatietheorie
- Grondbeginselen van kansrekening binnen patroonherkenning
- Concepten met betrekking tot modelselectie en -evaluatie
- Besluitvormingsprocessen en hun toepassingen
- Fundamenten van de informatietheorie
Kansverdelingen
- Inleiding tot veelgebruikte kansverdelingen
- Rol van verdelingen bij het modelleren van data
- Toepassingen binnen patroonherkenning
Lineaire modellen voor regressie en classificatie
- Inleiding tot lineaire regressie
- Inzicht in lineaire classificatietechnieken
- Toepassingen en beperkingen van lineaire modellen
Neurale netwerken
- Grondbeginselen van neurale netwerken en deep learning
- Trainen van neurale netwerken voor patroonherkenning
- Praktische voorbeelden en casestudies
Kernmethoden
- Inleiding tot kernmethoden binnen patroonherkenning
- Support Vector Machines en andere kerngebaseerde modellen
- Toepassingen bij het analyseren van data met veel dimensies
Sparse kernel machines
- Inzicht in sparse modellen binnen patroonherkenning
- Technieken voor model-sparsheid en regularisatie
- Praktische toepassingen in data-analyse
Grafische modellen
- Overzicht van grafische modellen binnen machine learning
- Bayesiane netwerken en Markov random fields
- Inference en leerprocessen binnen grafische modellen
Mengmodellen en het EM-algoritme
- Inleiding tot mengmodellen
- Het Expectation-Maximization (EM)-algoritme
- Toepassingen in clustering en dichtheidsschatting
Approximatieve inferentie
- Methoden voor approximatieve inferentie bij complexe modellen
- Variatie-methoden en Monte Carlo-samplingtechnieken
- Toepassingen binnen de analyse van grote hoeveelheden data
Samplingsmethoden
- Het belang van sampling bij probabilistische modellen
- Markov Chain Monte Carlo (MCMC)-technieken
- Toepassingen binnen patroonherkenning
Continue latentevariabelenmodellen
- Inzicht in continue latentevariabelenmodellen
- Toepassingen op het gebied van dimensionaliteitsreductie en data-representatie
- Praktische voorbeelden en casestudies
Sequentiële data
- Inleiding tot modellering van sequentiële data
- Hidden Markov-modellen en aanverwante technieken
- Toepassingen in tijdreeksanalyse en spraakherkenning
Combinatie van meerdere modellen
- Mogelijkheden tot het combineren van verschillende modellen
- Ensemble-technieken en boosting-methoden
- Toepassingen ter verbetering van de voorspellingsnauwkeurigheid
Samenvatting en volgende stappen
Vereisten
- Inzicht in statistiek
- Kennis van meervoudige calculus en basiskennis van lineaire algebra
- Enige ervaring met kansrekening
Doelgroep
- Data-analysten
- Promovendi, onderzoekers en praktijkprofessionals
Getuigenissen (3)
Ik vond het echt leuk hoe we aan het einde de tijd namen om te experimenteren met CHAT GPT. De ruimte was hier niet ideaal voor ingericht - in plaats van één grote tafel zouden een paar kleinere tafels handig geweest zijn, zodat we in kleine groepjes konden brainstormen.
Nola - Laramie County Community College
Cursus - Artificial Intelligence (AI) Overview
Automatisch vertaald
Werken op basis van eerste principes op een gefocuste manier, en overgaan naar het toepassen van casestudies binnen dezelfde dag
Maggie Webb - Department of Jobs, Regions, and Precincts
Cursus - Artificial Neural Networks, Machine Learning, Deep Thinking
Automatisch vertaald
Dat het echte bedrijfsgegevens gebruikte. De trainer had een zeer goede benadering door de deelnemers te laten meedoen en tegen elkaar aan treden
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Cursus - Applied AI from Scratch in Python
Automatisch vertaald
