機械学習| 大学ネットワーク

説明

機械学習は、今日のデータ分析における最もエキサイティングなキャリアの基盤です。モデルと方法を学び、トレンドのニューストピックの特定から、レコメンデーションエンジンの構築、スポーツチームのランキング、映画のゾンビの経路のプロットに至るまで、実際の状況に適用します。対象となる主な視点は次のとおりです。確率的モデリングと非確率的モデリングの教師あり学習と教師なし学習のトピックには、分類と回帰、クラスタリング手法、逐次モデル、行列分解、トピックモデリング、モデル選択などがあります。方法には、線形およびロジスティック回帰、サポートベクターマシン、ツリー分類器、ブースティング、最尤およびMAP推論、EMアルゴリズム、隠れマルコフモデル、カルマンフィルター、k平均、ガウス混合モデルなどがあります。コースの前半では、回帰と分類のための教師あり学習手法について説明します。このフレームワークでは、一連の入力に基づいて予測したい出力または応答を所有しています。このタスクを実行するためのいくつかの基本的な方法とその最適化のためのアルゴリズムについて説明します。私たちのアプローチはより実際的な動機付けになります。つまり、それぞれのアルゴリズムの数学的理解を完全に発展させることになりますが、抽象的な学習理論についてはほんの少しだけ触れます。コースの後半では、教師なし学習手法に移行します。これらの問題では、最終目標は、対応する入力に基づいて出力を予測するよりも明確ではありません。教師なし学習のXNUMXつの基本的な問題、データのクラスタリング、行列の因数分解、および順序に依存するデータの順次モデルについて説明します。これらのモデルの一部のアプリケーションには、オブジェクトの推奨とトピックモデリングが含まれます。