Aprendizaje automático. Inteligencia Artificial de Sanford

[webiron]

 

Matemáticas, Algorihms | Inglés | H264 1000 × 562 15fps | MP4A 48000 Hz | 1.78 GB

 

El curso de "Machine Learning", realizado por el otoño de 2011 la Universidad de Stanford (EE.UU., California). Liderando el curso: el profesor Andrew Ng curso consta de 19 partes: las lecciones de video, seguido de pruebas y tareas para (trabajos prácticos). La distribución incluye todos los materiales del curso, incluidas las pruebas, exámenes, ejercicios de programación (y respuestas a ellos.) Lista completa de los cursos impartidos por la universidad en el otoño de 2011.

 

Este curso proporciona una amplia introducción al aprendizaje automático y reconocimiento de patrones estadísticos.

 

Los temas incluyen: aprendizaje supervisado (generador / discriminativo aprendizaje, el aprendizaje paramétrico / no-paramétricos, las redes neuronales, máquinas de vectores soporte), el aprendizaje no supervisado (clustering, la reducción de dimensionalidad, los métodos del núcleo), la teoría del aprendizaje (sesgo / varianza ventajas y desventajas, la teoría de CV; grandes márgenes), aprendizaje por refuerzo y control adaptativo.

 

El curso también analizará las recientes aplicaciones de la máquina de aprendizaje, tales como el control de robótica, minería de datos, navegación autónoma, la bioinformática, reconocimiento de voz y texto y de procesamiento de datos web.

 

Los estudiantes deben tener los siguientes antecedentes:

Requisitos: - Conocimiento de los principios básicos de la informática y de habilidades, en un nivel suficiente para escribir un programa de computadora razonablemente no trivial.

- La familiaridad con la teoría de la probabilidad básica. (Est. 116 es suficiente, pero no es necesario.)

- La familiaridad con el álgebra lineal básica (uno de 51 Matemáticas, Matemáticas 103, Matemáticas 113, 205 o CS sería mucho más de lo necesario.)

 

 

Acerca del Instructor

 

El profesor Andrew Ng es Director del Laboratorio de Inteligencia Artificial de Stanford, la principal organización de investigación de IA de Stanford, con 20 profesores y unos 150 estudiantes / post-doctorados. En Stanford, enseña el aprendizaje de la máquina, que con una inscripción típica de 350 estudiantes de Stanford, es una de las clases más populares en el campus. Su investigación se centra principalmente en la máquina de aprendizaje, la inteligencia artificial y robótica, y la mayoría de las universidades que realizan investigación en robótica ya lo hacen desde una plataforma de software (ROS) de su grupo.

 

En 2008, junto con SCPD empezó SEE (Stanford Engineering Everywhere), que fue el primer intento de Stanford a la educación libre, distribuida en línea. Desde entonces, más de 200.000 personas han visto sus clases de aprendizaje de máquina en YouTube, y más de 1.000.000 personas han visto la suya y otra Ver videos de las clases.

 

Ng es el autor o coautor de más de 100 artículos publicados en la máquina de aprendizaje, y su trabajo en el aprendizaje, la robótica y visión por computador ha sido presentado en una serie de comunicados de prensa y revistas. En 2008, Ng fue ofrecido en TR35 Technology Review, una lista de "35 notables innovadores menores de 35 años?. En 2009, Ng también recibió los equipos IJCAI y Pensamiento premio, uno de los más altos honores en la IA.

 

1. Introducción

2. La regresión lineal con una variable

3. (Opcional) revisión de álgebra lineal

4. La regresión lineal con múltiples variables

5. Tutorial de Octave

6. De regresión logística

7. Uno-contra-todos de clasificación

8. Regularización

9. Redes Neuronales

10. Algoritmo de backpropagation

11. Consejos prácticos para la aplicación de algoritmos de aprendizaje

12. Cómo desarrollar y depurar algoritmos de aprendizaje

13. Características y diseño del modelo, la creación de experimentos

14. Support Vector Machines (SVM)

15. Estudio de los otros algoritmos: Naive Bayes, árboles de decisión e impulsar las

16. Aprendizaje no supervisado: agrupación aglomerativos k-medias, PCA

17. La combinación de aprendizaje no supervisado y supervisado.

18. (Opcional) Análisis de componentes independientes

19. Detección de anomalías

20. Otras aplicaciones: sistemas de recomendación. Aprender a clasificar

21. Large-scale/parallel aprendizaje de las máquinas y los datos importantes.

22. Máquina de diseño de aprendizaje / métodos prácticos

23. Equipo de diseño de sistemas de aprendizaje de máquinas

Profesor: Andrew Ng

Tiempo de ejecución: ~ 19 horas

 

Link de Descarga

http://megavelink.com/12041304

:-)

[patrullero16]

descargando

[luxo_18]

Excelente aporte, pero existe la posibilidad que lo puedas distribuir en otro servidor, ya que el actual arroja problemas, ingreso de forma correcta el código pero finalmente no deja descargar, quedo atento, y nuevamente excelente aporte. Sl2

[nanto]

1. VAmos a tasar
   
2. SE ve bueno
   
3. DAmos mas gracias
   
4. BUen aporte