Image par auteur
 

Pour ceux qui plongent dans le monde de l’informatique ou qui ont besoin d’une retouche sur leurs connaissances en probabilités, vous allez vous régaler. L'Université de Stanford a récemment mis à jour son YouTube playlist sur son parcours CS109 avec du nouveau contenu !

La liste de lecture comprend 29 conférences pour vous fournir une connaissance de référence des bases de la théorie des probabilités, des concepts essentiels de la théorie des probabilités, des outils mathématiques pour analyser les probabilités, puis mettre fin à l'analyse des données et à l'apprentissage automatique.

Alors allons-y directement…

Lien : Compte

Découvrez l’histoire des probabilités et comment elles nous ont aidé à réaliser une IA moderne, avec des exemples concrets de développement de systèmes d’IA. Comprendre les principales phases de comptage, compter avec des « étapes » et compter avec « ou ». Cela inclut des domaines tels que les réseaux de neurones artificiels et la manière dont les chercheurs utiliseraient les probabilités pour construire des machines. 

Lien : Combinatoire

La deuxième conférence aborde le niveau suivant de comptage de gravité – c'est ce qu'on appelle la combinatoire. La combinatoire est la mathématique du comptage et de l’arrangement. Plongez dans le comptage des tâches sur n objets, en triant les objets (permutations), en choisissant k objets (combinaisons) et mettre des objets dans r seaux. 

Lien : Qu'est-ce que la probabilité ?

C'est là que le cours commence vraiment à se plonger dans les probabilités. Découvrez les règles fondamentales de la probabilité avec un large éventail d'exemples et un aperçu du langage de programmation Python et de son utilisation avec probabilité. 

Lien : Probabilité et Bayes

Dans cette conférence, vous apprendrez à utiliser les probabilités conditionnelles, la règle de la chaîne, la loi des probabilités totales et le théorème de Bayes. 

Lien : Indépendance

Dans cette conférence, vous découvrirez la probabilité qu'elle soit mutuellement exclusive et indépendante, en utilisant AND/OR. La conférence passera par une variété d’exemples pour que vous puissiez bien comprendre.

Lien : Variables aléatoires et attentes

Sur la base des cours précédents et de vos connaissances sur les probabilités conditionnelles et l'indépendance, ce cours plongera dans les variables aléatoires, utilisera et produira la fonction de masse de probabilité d'une variable aléatoire et sera capable de calculer des attentes. 

Lien : Variance binôme de Bernoulli

Vous allez désormais utiliser vos connaissances pour résoudre des problèmes de plus en plus difficiles. Votre objectif pour cette conférence sera de reconnaître et d'utiliser les variables aléatoires binomiales, les variables aléatoires de Bernoulli, et d'être capable de calculer la variance des variables aléatoires. 

Lien : Poisson

Poisson est génial quand vous avez un taux et que vous vous souciez du nombre d'occurrences. Vous découvrirez comment il peut être utilisé sous différents aspects ainsi que des exemples de code Python.

Lien : Variables aléatoires continues

Les objectifs de ce cours consisteront notamment à être à l'aise avec l'utilisation de nouvelles variables aléatoires discrètes, à intégrer une fonction de densité pour obtenir une probabilité et à utiliser une fonction cumulative pour obtenir une probabilité. 

Lien : Distribution normale

Vous avez peut-être déjà entendu cela à propos de la distribution normale, dans cette conférence, vous passerez en revue un bref historique de la distribution normale, ce que c'est, pourquoi c'est important et des exemples pratiques.

Lien : Distributions conjointes

Dans les cours précédents, vous aurez travaillé avec 2 variables aléatoires au maximum, la prochaine étape de l'apprentissage sera d'entrer dans un nombre donné de variables aléatoires.

Lien : Inférence

L'objectif d'apprentissage de ce cours est de savoir comment utiliser les multinômes, apprécier l'utilité des probabilités logarithmiques et être capable d'utiliser le théorème de Bayes avec des variables aléatoires. 

Lien : Inférence II

L'objectif d'apprentissage se poursuit depuis le dernier cours sur la combinaison du théorème de Bayes avec des variables aléatoires. 

Lien : La modélisation

Dans cette conférence, vous prendrez tout ce que vous avez appris jusqu'à présent et le mettrez en perspective par rapport à des problèmes réels : la modélisation probabiliste. Cela prend tout un tas de variables aléatoires ensemble.

Lien : Inférence générale

Vous plongerez dans l’inférence générale et, en particulier, découvrirez un algorithme appelé échantillonnage par rejet. 

Lien : bêta

Cette conférence abordera les variables aléatoires des probabilités qui sont utilisées pour résoudre des problèmes du monde réel. Bêta est une distribution de probabilités dont la plage est comprise entre 0 et 1. 

Lien : Ajout de variables aléatoires I

À ce stade du cours, vous découvrirez la théorie profonde et l’ajout de variables aléatoires est une introduction à la manière d’obtenir les résultats de la théorie des probabilités. 

Lien : Théorème de la limite centrale

Dans cette conférence, vous plongerez dans le théorème central limite qui est un élément important en probabilité. Vous passerez par des exemples pratiques afin de bien saisir le concept.

Lien : Bootstrapping et valeurs P I

Vous allez maintenant passer à la théorie de l'incertitude, à l'échantillonnage et au bootstrapping qui s'inspire du théorème central limite. Vous passerez par des exemples pratiques. 

Lien : Analyse algorithmique

Dans cette conférence, vous plongerez un peu plus dans l'informatique avec une compréhension approfondie de l'analyse des algorithmes, qui est le processus permettant de découvrir la complexité informatique des algorithmes.

Lien : MLE

Cette conférence plongera dans l'estimation des paramètres, ce qui vous fournira plus de connaissances sur l'apprentissage automatique. C’est ici que vous appliquez vos connaissances en probabilités à l’apprentissage automatique et à l’intelligence artificielle. 

Lien : CARTE

Nous en sommes encore au stade de l’étude des principes fondamentaux de probabilité et de leur application à l’apprentissage automatique. Dans cette conférence, vous vous concentrerez sur les paramètres de l'apprentissage automatique concernant les probabilités et les variables aléatoires. 

Lien : Naïf Bayes

Naive Bayes est le premier algorithme d'apprentissage automatique que vous découvrirez en profondeur. Vous aurez découvert la théorie de l'estimation des paramètres et vous allez maintenant passer à la manière dont les algorithmes de base tels que Naive Bayes conduisent à des idées telles que les réseaux de neurones. 

Lien : Régression logistique

Dans cette conférence, vous plongerez dans un deuxième algorithme appelé Régression logistique qui est utilisé pour les tâches de classification, sur lequel vous en apprendrez également plus. 

Lien : L'apprentissage en profondeur

Alors que vous avez commencé à vous plonger dans l'apprentissage automatique, cette conférence approfondira plus en détail l'apprentissage profond en fonction de ce que vous avez déjà appris. 

Lien : Équité

Nous vivons dans un monde où l’apprentissage automatique est mis en œuvre dans notre vie de tous les jours. Dans cette conférence, vous examinerez l'équité autour de l'apprentissage automatique, en mettant l'accent sur l'éthique. 

Lien : Probabilité avancée

Vous avez beaucoup appris sur les bases de la probabilité et l'avez appliquée dans différents scénarios et sur son lien avec les algorithmes d'apprentissage automatique. La prochaine étape consiste à aller un peu plus loin en matière de probabilité. 

Lien : L'avenir des probabilités

L'objectif d'apprentissage de ce cours est d'en apprendre davantage sur l'utilisation des probabilités et sur la variété de problèmes auxquels les probabilités peuvent être appliquées pour résoudre ces problèmes. 

Lien : Examen final

Et enfin, la dernière conférence. Vous passerez en revue les 28 autres conférences et aborderez les éventuelles incertitudes. 

Être capable de trouver du bon matériel pour votre parcours d’apprentissage peut être difficile. Cette probabilité pour le matériel de cours d'informatique est étonnante et peut vous aider à comprendre des concepts de probabilité dont vous n'étiez pas sûr ou dont vous aviez besoin d'une retouche.
 
 

Nisha Arya est Data Scientist et rédacteur technique indépendant. Elle est particulièrement intéressée à fournir des conseils de carrière en science des données ou des tutoriels et des connaissances théoriques sur la science des données. Elle souhaite également explorer les différentes façons dont l'intelligence artificielle est/peut bénéficier à la longévité de la vie humaine. Une apprenante passionnée, cherchant à élargir ses connaissances techniques et ses compétences en écriture, tout en aidant à guider les autres.

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
• PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
• PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
• PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
• La source: https://www.kdnuggets.com/learn-probability-in-computer-science-with-stanford-university-for-free?utm_source=rss&utm_medium=rss&utm_campaign=learn-probability-in-computer-science-with-stanford-university-for-free