Séances du EE-411: Fundamentals of inference and learning

Fondamentaux de l'inférence et de l'apprentissage

Couvre la théorie des statistiques, de l'inférence et de l'apprentissage automatique avec des exercices pratiques en Python.

Toutes les probabilités : Notations et PDF

Couvre les principes fondamentaux de la théorie des probabilités, y compris les notations pour les distributions conjointes et conditionnelles.

Théorie de l'apprentissage statistique: Conclusions sur l'apprentissage profond

Couvre les conclusions sur l'apprentissage profond et une introduction à la théorie de l'apprentissage statistique.

Théorie de l'apprentissage statistique: Crash Course

Offre un cours intensif sur la théorie de l'apprentissage statistique, couvrant les fonctions d'apprentissage et de perte du PAC.

Toute la probabilité: générer des fonctions et des cumulants

Couvre la fonction génératrice de moment, les cumulants, la transformée de Laplace et la transformée de Fourier dans la théorie des probabilités.

Conclusions sur la théorie de l'apprentissage statistique

Explore les conclusions de la théorie de l'apprentissage statistique, en mettant l'accent sur la complexité des fonctions, la généralisation et le compromis biais-variance.

Toutes les probabilités : Basic Bounds, LLN & CLT

Introduit les limites de base, LLN et CLT dans la théorie des probabilités, en mettant l'accent sur la convergence vers la distribution normale.

Apprentissage non supervisé: théorème de Young-Eckart-Mirsky et introduction à PCA

Introduit le théorème de Young-Eckart-Mirsky et PCA pour l'apprentissage non supervisé et la visualisation de données.

Toutes les probabilités : LLN, CLT, Chernoff et PAC

Couvre la loi des grands nombres, le théorème de la limite centrale, les limites de Chernoff et les limites de PAC dans la théorie des probabilités.

Probabilité maximale, MSE, Fisher Information, Cramér-Rao Bound

Explique l'estimation de maximum de vraisemblance, MSE, Fisher information, et Cramér-Rao lié dans l'inférence statistique.

PCA et Kernel PCA

Explique comment PCA élimine les dimensions en trouvant les principaux composants avec la plupart des variations et compare PCA avec Kernel PCA.

Apprentissage supervisé Intro: MaxL Efficiency

Couvre l'efficacité de l'apprentissage supervisé, MaxL, les estimateurs impartiaux, le calcul MSE et les grands ensembles de données.

Denoising avec auto-encodeur et modèle de mélange gaussien

Couvre le débruitage avec des auto-encodeurs et des modèles de mélange gaussien pour la réduction du bruit.

Clustering gaussien de mélange : algorithmes d'expectation-maximisation

Explore l'algorithme d'Expectation-Maximisation pour Gaussian Mixture Clustering et ses défis et sa mise en œuvre pratique.

Validation et méthode k-Nearest Neighbors

Introduit des concepts d'apprentissage supervisé et la méthode k-Nearest Neighbors pour les tâches de classification et de régression.

Modèles génératifs: Crash Course

Offre un cours intensif sur les modèles génératifs, couvrant les familles exponentielles, les méthodes d'échantillonnage et l'algorithme Metropolis.

Apprentissage supervisé avec kNN : modèle de régression

Couvre un modèle mathématique simple pour lapprentissage supervisé avec k-plus proches voisins en régression.

Cours intensif sur les méthodes d'ensemble: Ensachage et Boosting

Couvre les méthodes d'ensemble, AdaBoost et les poids de réglage pour les classificateurs.

Descente progressive

Couvre le concept de descente de gradient dans les cas scalaires, en se concentrant sur la recherche du minimum d'une fonction en se déplaçant itérativement dans la direction du gradient négatif.

Modèles linéaires de descente et d'intro de gradient proximal

Couvre la descente du gradient proximal et les modèles linéaires dans l'analyse de régression.