Plan du cours

Introduction

Théorie des probabilités, sélection de modèles, théorie de la décision et de l'information

Distributions de probabilité

Modèles linéaires pour la régression et la classification

Neural Networks

Méthodes du noyau

Machines à noyau clairsemé

Modèles graphiques

Modèles de mélange et EM

Inférence approximative

Méthodes d'échantillonnage

Variables latentes continues

Données séquentielles

Combinaison de modèles

Sommaire et conclusion

Pré requis

  • Compréhension des statistiques.
  • Familiarité avec le calcul à plusieurs variables et l'algèbre linéaire de base.
  • Une certaine expérience des probabilités.

Audience

  • Analystes de données
  • Doctorants, chercheurs et praticiens
  21 heures

Nombre de participants



Prix par participant

Nos Clients témoignent (3)

Cours Similaires

Catégories Similaires