Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction
- Aperçu de la reconnaissance des formes et de l'apprentissage automatique
- Principales applications dans divers domaines
- Importance de la reconnaissance des formes dans la technologie moderne
Théorie des probabilités, sélection de modèles, théorie de la décision et de l'information
- Bases de la théorie des probabilités dans la reconnaissance des formes
- Concepts de sélection et d'évaluation des modèles
- Théorie de la décision et ses applications
- Principes fondamentaux de la théorie de l'information
Distributions de probabilités
- Vue d'ensemble des distributions de probabilités courantes
- Rôle des distributions dans la modélisation des données
- Applications à la reconnaissance des formes
Modèles linéaires pour la régression et la classification
- Introduction à la régression linéaire
- Comprendre la classification linéaire
- Applications et limites des modèles linéaires
Neural Networks
- Principes de base des réseaux neuronaux et de l'apprentissage profond
- Entraînement des réseaux neuronaux pour la reconnaissance des formes
- Exemples pratiques et études de cas
Méthodes à noyau
- Introduction aux méthodes à noyau dans la reconnaissance des formes
- Machines à vecteurs de support et autres modèles à noyau
- Applications aux données de haute dimension
Machines à noyau clairsemé
- Comprendre les modèles épars en reconnaissance des formes
- Techniques pour l'espacement et la régularisation des modèles
- Applications pratiques dans l'analyse des données
Modèles graphiques
- Vue d'ensemble des modèles graphiques dans l'apprentissage automatique
- Réseaux bayésiens et champs aléatoires de Markov
- Inférence et apprentissage dans les modèles graphiques
Modèles de mélange et EM
- Introduction aux modèles de mélange
- Algorithme de maximisation des attentes (EM)
- Applications au regroupement et à l'estimation de la densité
Inférence approximative
- Techniques d'inférence approximative dans les modèles complexes
- Méthodes variationnelles et échantillonnage de Monte Carlo
- Applications à l'analyse de données à grande échelle
Méthodes d'échantillonnage
- Importance de l'échantillonnage dans les modèles probabilistes
- Techniques de Monte Carlo par chaîne de Markov (MCMC)
- Applications à la reconnaissance des formes
Variables latentes continues
- Comprendre les modèles de variables latentes continues
- Applications à la réduction de la dimensionnalité et à la représentation des données
- Exemples pratiques et études de cas
Données séquentielles
- Introduction à la modélisation des données séquentielles
- Modèles de Markov cachés et techniques connexes
- Applications dans l'analyse des séries temporelles et la reconnaissance vocale
Combinaison de modèles
- Techniques de combinaison de modèles multiples
- Méthodes d'ensemble et boosting
- Applications à l'amélioration de la précision des modèles
Résumé et prochaines étapes
Pré requis
- Compréhension des statistiques
- Familiarité avec le calcul à plusieurs variables et l'algèbre linéaire de base
- Une certaine expérience des probabilités
Public
- Analystes de données
- Doctorants, chercheurs et praticiens
21 Heures
Nos clients témoignent (5)
Hunter est fabuleux, très engageant, extrêmement bien informé et sympathique. C'est très bien.
Rick Johnson - Laramie County Community College
Formation - Artificial Intelligence (AI) Overview
Traduction automatique
Very flexible.
Frank Ueltzhoffer
Formation - Artificial Neural Networks, Machine Learning and Deep Thinking
Traduction automatique
I liked the new insights in deep machine learning.
Josip Arneric
Formation - Neural Network in R
Traduction automatique
Ann created a great environment to ask questions and learn. We had a lot of fun and also learned a lot at the same time.
Gudrun Bickelq
Formation - Introduction to the use of neural networks
Traduction automatique
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Formation - Artificial Neural Networks, Machine Learning, Deep Thinking
Traduction automatique
