Schulungsübersicht

Einführung

Wahrscheinlichkeitstheorie, Modellauswahl, Entscheidungs- und Informationstheorie

Wahrscheinlichkeitsverteilungen

Lineare Modelle für Regression und Klassifizierung

Neural Networks

Kernel-Methoden

Sparse-Kernel-Maschinen

Grafische Modelle

Mischungsmodelle und EM

Ungefähre Schlussfolgerung

Probenahmemethoden

Kontinuierliche latente Variablen

Sequentielle Daten

Kombinieren von Modellen

Zusammenfassung und Schlussfolgerung

Voraussetzungen

  • Verständnis der Statistik.
  • Vertrautheit mit multivariater Kalkulation und grundlegender linearer Algebra.
  • Eine gewisse Erfahrung mit Wahrscheinlichkeiten.

Publikum

  • Datenanalysten
  • PhD-Studenten, Forscher und Praktiker
 21 Stunden

Teilnehmerzahl



Preis je Teilnehmer

Erfahrungsberichte (3)

Kombinierte Kurse

OpenNN: Implementing Neural Networks

14 Stunden

Pattern Matching

14 Stunden

Artificial Intelligence (AI) in Automotive

14 Stunden

Ein Überblick über künstliche Intelligenz

7 Stunden

From Zero to AI

35 Stunden

Artificial Neural Networks, Machine Learning, Deep Thinking

21 Stunden

Applied AI from Scratch

28 Stunden

Applied AI from Scratch in Python

28 Stunden

Angewandtes Maschinelles Lernen

14 Stunden

Deep Learning Neural Networks with Chainer

14 Stunden

Deep Reinforcement Learning with Python

21 Stunden

Introduction Deep Learning & Réseaux de neurones pour l’ingénieur

21 Stunden

Matlab for Deep Learning

14 Stunden

Artificial Intelligence (AI) for Mechatronics

21 Stunden

Introduction to the Use of Neural Networks

7 Stunden

Verwandte Kategorien