Pattern Recognition

• Zrozumienie statystyki
• Znajomość rachunku różniczkowego i podstaw algebry liniowej
• Pewne doświadczenie z prawdopodobieństwem

Publiczność

• Analitycy danych
• Doktoranci, badacze i praktycy

Uczenie maszynowe Pattern Recognition to proces klasyfikacji danych wejściowych na obiekty lub klasy w oparciu o kluczowe cechy.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) stanowi wprowadzenie do dziedziny rozpoznawania wzorców i uczenia maszynowego. Porusza praktyczne zastosowania w statystyce, informatyce, przetwarzaniu sygnałów, wizji komputerowej, eksploracji danych i bioinformatyce.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Zastosować podstawowe metody statystyczne do rozpoznawania wzorców.
• Używać kluczowych modeli, takich jak sieci neuronowe i metody jądra do analizy danych.
• Wdrażać zaawansowane techniki rozwiązywania złożonych problemów.
• Poprawić dokładność przewidywania poprzez łączenie różnych modeli.

Format kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.

Opcje dostosowywania kursu

• Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami w celu ustalenia szczegółów.

Wprowadzenie

• Przegląd rozpoznawania wzorców i uczenia maszynowego
• Kluczowe zastosowania w różnych dziedzinach
• Znaczenie rozpoznawania wzorców w nowoczesnej technologii

Teoria prawdopodobieństwa, wybór modelu, teoria decyzji i informacji

• Podstawy teorii prawdopodobieństwa w rozpoznawaniu wzorców
• Koncepcje wyboru i oceny modelu
• Teoria decyzji i jej zastosowania
• Podstawy teorii informacji

Rozkłady prawdopodobieństwa

• Przegląd popularnych rozkładów prawdopodobieństwa
• Rola rozkładów w modelowaniu danych
• Zastosowania w rozpoznawaniu wzorców

Modele liniowe dla regresji i klasyfikacji

• Wprowadzenie do regresji liniowej
• Zrozumienie klasyfikacji liniowej
• Zastosowania i ograniczenia modeli liniowych

Neural Networks

• Podstawy sieci neuronowych i głębokiego uczenia
• Szkolenie sieci neuronowych do rozpoznawania wzorców
• Praktyczne przykłady i studia przypadków

Metody jądrowe

• Wprowadzenie do metod jądrowych w rozpoznawaniu wzorców
• Maszyny wektorów nośnych i inne modele oparte na jądrze
• Zastosowania w danych wielowymiarowych

Maszyny z jądrem rzadkim

• Zrozumienie rzadkich modeli w rozpoznawaniu wzorców
• Techniki rzadkości i regularyzacji modeli
• Praktyczne zastosowania w analizie danych

Modele graficzne

• Przegląd modeli grafowych w uczeniu maszynowym
• Sieci bayesowskie i losowe pola Markowa
• Wnioskowanie i uczenie się w modelach grafowych

Modele mieszane i EM

• Wprowadzenie do modeli mieszanych
• Algorytm maksymalizacji oczekiwań (EM)
• Zastosowania w grupowaniu i szacowaniu gęstości

Wnioskowanie przybliżone

• Techniki przybliżonego wnioskowania w złożonych modelach
• Metody wariacyjne i próbkowanie Monte Carlo
• Zastosowania w analizie danych na dużą skalę

Metody próbkowania

• Znaczenie próbkowania w modelach probabilistycznych
• Techniki Monte Carlo z łańcuchami Markowa (MCMC)
• Zastosowania w rozpoznawaniu wzorców

Ciągłe zmienne ukryte

• Zrozumienie modeli ciągłych zmiennych ukrytych
• Zastosowania w redukcji wymiarowości i reprezentacji danych
• Praktyczne przykłady i studia przypadków

Dane sekwencyjne

• Wprowadzenie do modelowania danych sekwencyjnych
• Ukryte modele Markowa i powiązane techniki
• Zastosowania w analizie szeregów czasowych i rozpoznawaniu mowy

Łączenie modeli

• Techniki łączenia wielu modeli
• Metody Ensemble i boosting
• Zastosowania w poprawie dokładności modeli

Podsumowanie i kolejne kroki