Séance de cours
Découverte avancée de la structure : données sur les distances et les séries chronologiques
Séances de cours associées (34)
Concepts d'apprentissage par renforcement
Couvre les concepts clés de l'apprentissage par renforcement, des réseaux neuronaux, du clustering et de l'apprentissage non supervisé, en mettant l'accent sur leurs applications et leurs défis.
Clustering: Apprentissage sans supervision
Explore le clustering dans l'espace à haute dimension, couvrant des méthodes telles que le clustering hiérarchique, K-means et DBSCAN.
Modèles du sujet: Comprendre les structures latentes
Explore les modèles thématiques, les modèles de mélange gaussien, la répartition des dirichlets latents et l'inférence variationnelle dans la compréhension des structures latentes à l'intérieur des données.
Analytique rapide et efficace pour les mégadonnées : les perspectives multidimensionnelles
Explore les défis et les solutions dans l'analyse des grandes données multidimensionnelles, en mettant l'accent sur les types de données complexes et la détection d'anomalies.
Spin Glasses et estimation bayésienne
Couvre les concepts de lunettes de spin et d'estimation bayésienne, en se concentrant sur l'observation et la déduction de l'information d'un système de près.
Modèle de mélange gaussien: forme finale EM
Explique les calculs E-step et M-step dans le modèle de mélange gaussien, y compris le pseudocode de lalgorithme EM.
Analyse par grappes : méthodes et applications
Explore les méthodes et applications d'analyse de grappes dans l'analyse des données génomiques, y compris la classification, l'expression des gènes, la visualisation, les mesures de distance et les algorithmes de regroupement.
Groupement de comportements non supervisés
Explore les techniques de regroupement de comportement et de réduction de dimensionnalité non supervisées, couvrant des algorithmes comme K-Means, DBSCAN et Gaussian Mixture Model.
Apprentissage sans supervision : méthodes de regroupement
Explore l'apprentissage non supervisé par des méthodes de regroupement comme K-means et DBSCAN, en abordant les défis et les applications.
Prévision de retour des stocks
Couvre les défis et les techniques de prévision du rendement des stocks à l'aide d'un apprentissage supervisé.