Afbeelding door auteur
Voor degenen die in de wereld van de informatica duiken of hun waarschijnlijkheidskennis willen bijwerken, staat er een traktatie te wachten. Stanford University heeft onlangs haar YouTube-afspeellijst op zijn CS109-cursus met nieuwe inhoud!
De afspeellijst bevat 29 lezingen om u te voorzien van gouden standaardkennis van de basisbeginselen van de kansrekening, essentiële concepten in de kansrekening, wiskundige hulpmiddelen voor het analyseren van waarschijnlijkheden en vervolgens het beëindigen van data-analyse en machinaal leren.
Dus laten we er maar meteen mee aan de slag gaan...
Link: Telling
Leer meer over de geschiedenis van waarschijnlijkheid en hoe deze ons heeft geholpen moderne AI te realiseren, met praktijkvoorbeelden van de ontwikkeling van AI-systemen. Begrijp de belangrijkste telfasen, tellen met 'stappen' en tellen met 'of'. Dit omvat gebieden zoals kunstmatige neurale netwerken en hoe onderzoekers waarschijnlijkheid zouden gebruiken om machines te bouwen.
Link: Combinatoriek
De tweede lezing gaat in op het volgende niveau van het tellen van de ernst: dit heet Combinatoriek. Combinatoriek is de wiskunde van tellen en ordenen. Duik in het tellen van taken n objecten, door objecten te sorteren (permutaties), te kiezen k objecten (combinaties) en objecten erin plaatsen r emmers.
Link: Wat is waarschijnlijkheid?
Dit is waar de cursus echt begint met het duiken in waarschijnlijkheid. Leer meer over de kernregels van waarschijnlijkheid met een breed scala aan voorbeelden en een kennismaking met de programmeertaal Python en het gebruik ervan met waarschijnlijkheid.
Link: Waarschijnlijkheid en Bayes
In deze lezing ga je dieper in op het gebruik van voorwaardelijke kansen, kettingregel, de wet van de totale waarschijnlijkheid en de stelling van Bayes.
Link: Onafhankelijkheid
In deze lezing leer je over waarschijnlijkheid in relatie tot het feit dat deze elkaar uitsluit en onafhankelijk is, met behulp van AND/OR. Tijdens de lezing worden diverse voorbeelden besproken, zodat u een goed beeld krijgt.
Link: Willekeurige variabelen en verwachtingen
Gebaseerd op de voorgaande lezingen en je kennis van voorwaardelijke kansen en onafhankelijkheid, zal deze lezing dieper ingaan op willekeurige variabelen, de waarschijnlijkheidsmassafunctie van een willekeurige variabele gebruiken en produceren, en verwachtingen kunnen berekenen.
Link: Variantie Bernoulli Binomiaal
Je gaat nu je kennis gebruiken om steeds moeilijkere problemen op te lossen. Je doel voor deze lezing is het herkennen en gebruiken van binomiale willekeurige variabelen, de willekeurige variabelen van Bernoulli, en het kunnen berekenen van de variantie voor willekeurige variabelen.
Link: Vis
Poisson is geweldig als je een tarief hebt en je geeft om het aantal gebeurtenissen. Je leert hoe het in verschillende aspecten kan worden gebruikt, samen met Python-codevoorbeelden.
Link: Continue willekeurige variabelen
De doelstellingen van deze lezing zijn onder meer het vertrouwd raken met het gebruik van nieuwe discrete willekeurige variabelen, het integreren van een dichtheidsfunctie om een waarschijnlijkheid te verkrijgen, en het gebruik van een cumulatieve functie om een waarschijnlijkheid te verkrijgen.
Link: Normale verdeling
Misschien heb je dit al eerder over normale verdeling gehoord. In deze lezing bespreek je een korte geschiedenis van normale verdeling, wat het is, waarom het belangrijk is en praktische voorbeelden.
Link: Gezamenlijke uitkeringen
In de voorgaande colleges heb je met maximaal 2 willekeurige variabelen gewerkt. De volgende stap in het leren is het ingaan op een bepaald aantal willekeurige variabelen.
Link: Gevolgtrekking
Het leerdoel van deze lezing is het gebruik van multinomialen, het waarderen van het nut van logwaarschijnlijkheden, en het kunnen gebruiken van de stelling van Bayes met willekeurige variabelen.
Link: Gevolgtrekking II
Het leerdoel gaat verder vanaf de laatste lezing over het combineren van de stelling van Bayes met willekeurige variabelen.
Link: Modellering
In deze lezing neem je alles wat je tot nu toe hebt geleerd in perspectief over problemen uit het echte leven – probabilistische modellering. Hiervoor zijn een hele reeks willekeurige variabelen nodig die willekeurig bij elkaar zijn.
Link: Algemene gevolgtrekking
Je gaat dieper in op algemene gevolgtrekkingen en leert in het bijzonder over een algoritme dat afwijzingssteekproeven wordt genoemd.
Link: beta
Deze lezing gaat in op de willekeurige variabelen van waarschijnlijkheden die worden gebruikt om problemen uit de echte wereld op te lossen. Bèta is een verdeling voor kansen, waarbij de waarden tussen 0 en 1 liggen.
Link: Willekeurige variabelen toevoegen I
Op dit punt van de cursus leer je over diepgaande theorie en het toevoegen van willekeurige variabelen is een inleiding tot hoe je resultaten van de waarschijnlijkheidstheorie kunt bereiken.
Link: Centrale limietstelling
In deze lezing duik je in de centrale limietstelling, een belangrijk element in de waarschijnlijkheid. Je doorloopt praktijkvoorbeelden zodat je het concept begrijpt.
Link: Bootstrapping en P-waarden I
Je gaat nu dieper in op de onzekerheidstheorie, sampling en bootstrapping, geïnspireerd op de centrale limietstelling. Je doorloopt praktijkvoorbeelden.
Link: Algoritmische analyse
In deze lezing duik je wat meer in de computerwetenschappen met een diepgaand inzicht in de analyse van algoritmen, wat het proces is van het vinden van de computationele complexiteit van algoritmen.
Link: MLE
Deze lezing gaat dieper in op parameterschatting, waardoor je meer kennis krijgt over machine learning. Hier neem je je kennis van waarschijnlijkheid mee en pas je deze toe op machine learning en kunstmatige intelligentie.
Link: KAART
We bevinden ons nog steeds in het stadium waarin we de kernprincipes van waarschijnlijkheid onderzoeken en hoe deze van toepassing zijn op machinaal leren. In deze lezing concentreer je je op parameters in machine learning met betrekking tot waarschijnlijkheid en willekeurige variabelen.
Link: Naïeve Bayes
Naive Bayes is het eerste machine learning-algoritme waar je diepgaand over leert. Je hebt kennis gemaakt met de theorie van parameterschatting en gaat nu verder met hoe kernalgoritmen zoals Naive Bayes leiden tot ideeën zoals neurale netwerken.
Link: Logistische regressie
In deze lezing duik je in een tweede algoritme genaamd Logistische regressie dat wordt gebruikt voor classificatietaken, waar je ook meer over leert.
Link: Diepe leren
Nu je je begint te verdiepen in machine learning, zal deze lezing dieper ingaan op deep learning op basis van wat je al hebt geleerd.
Link: Eerlijkheid
We leven in een wereld waarin machinaal leren in ons dagelijks leven wordt geïmplementeerd. In deze lezing onderzoek je de eerlijkheid rond machinaal leren, met de nadruk op ethiek.
Link: Geavanceerde waarschijnlijkheid
Je hebt veel geleerd over de basisprincipes van waarschijnlijkheid en hebt deze toegepast in verschillende scenario's en hoe deze zich verhouden tot machine learning-algoritmen. De volgende stap is om wat geavanceerder te worden op het gebied van waarschijnlijkheid.
Link: Toekomst van waarschijnlijkheid
Het leerdoel van deze lezing is om te leren over het gebruik van waarschijnlijkheid en de verscheidenheid aan problemen die waarschijnlijkheid kan worden toegepast om deze problemen op te lossen.
Link: Laatste herziening
En last but not least: de laatste lezing. Je doorloopt alle overige 28 lezingen en stipt eventuele onzekerheden aan.
Het kan lastig zijn om goed materiaal voor je leertraject te vinden. Dit waarschijnlijkheidsmateriaal voor cursusmateriaal voor computerwetenschappen is verbazingwekkend en kan u helpen concepten van waarschijnlijkheid te begrijpen waarvan u niet zeker was of die een bijwerking nodig hadden.
Nisha Arja is een datawetenschapper en freelance technisch schrijver. Ze is vooral geïnteresseerd in het geven van loopbaanadvies op het gebied van Data Science of tutorials en op theorie gebaseerde kennis rond Data Science. Ze wil ook de verschillende manieren onderzoeken waarop kunstmatige intelligentie de levensduur van de mens ten goede komt. Een scherpe leerling, die haar technische kennis en schrijfvaardigheid wil verbreden, terwijl ze anderen helpt te begeleiden.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
- PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
- PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
- Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
- Bron: 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
