9 520 Teoria e Aplicações da Aprendizagem Estatística Primavera 2003

O aprendizado de máquina é mais do que apenas executar bibliotecas de código e ajustar modelos; entender as garantias matemáticas subjacentes é o que separa os profissionais excepcionais do resto. Este curso desmistifica os princípios básicos da teoria da aprendizagem estatística, dando-lhe uma base conceitual clara. Você passará de simplesmente executar algoritmos para entender profundamente por que eles funcionam, como eles se generalizam a dados não vistos e como controlar o overfitting. O que você aprenderá: Entenda os fundamentos da aprendizagem supervisionada e da aproximação de funções multivariadas; Explore técnicas de regularização, incluindo máquinas de vetores de suporte (SVMs) para classificação e regressão; Analise limites de generalização usando a dimensão VC e a teoria da estabilidade para prever o desempenho do modelo; Aplique seleção de recursos e Estudar os conceitos modernos de regularização e otimização usados nos fluxos de trabalho de aprendizado de máquina contemporâneos. Começando com definições fundamentais de funções de perda e minimização empírica de risco, este curso baseado em texto orienta você passo a passo através da teoria da generalização, regularização e aplicações algorítmicas práticas. Você lerá explicações detalhadas, analisará formulações matemáticas e trabalhará através de exercícios conceituais. Este curso é projetado para aspirantes a cientistas de dados, programadores e estudantes que desejam construir uma base teórica forte em aprendizado de máquina. Familiaridade básica com álgebra e programação introdutória é útil, mas nenhum conhecimento matemático avançado é necessário. Comece a ler hoje para desvendar os segredos matemáticos por trás de modelos de aprendizado de máquina bem-sucedidos.