Hình ảnh của Tác giả
 

Đối với những người đang tìm hiểu thế giới khoa học máy tính hoặc cần nâng cao kiến ​​thức về xác suất, bạn sẽ được thưởng thức. Đại học Stanford gần đây đã cập nhật Danh sách phát YouTube trong khóa học CS109 với nội dung mới!

Danh sách phát bao gồm 29 bài giảng nhằm cung cấp cho bạn kiến ​​thức tiêu chuẩn vàng về các khái niệm cơ bản của lý thuyết xác suất, các khái niệm thiết yếu trong lý thuyết xác suất, các công cụ toán học để phân tích xác suất, sau đó kết thúc phân tích dữ liệu và Học máy.

Vì vậy, hãy đi thẳng vào nó…

Link: Đếm

Tìm hiểu về lịch sử xác suất và cách nó đã giúp chúng ta đạt được AI hiện đại, với các ví dụ thực tế về việc phát triển hệ thống AI. Hiểu các giai đoạn đếm cốt lõi, đếm bằng 'bước' và đếm bằng 'hoặc'. Điều này bao gồm các lĩnh vực như mạng lưới thần kinh nhân tạo và cách các nhà nghiên cứu sử dụng xác suất để chế tạo máy móc. 

Link: Tổ hợp

Bài giảng thứ hai đi vào cấp độ tiếp theo của việc tính mức độ nghiêm trọng - đây được gọi là Tổ hợp. Tổ hợp là toán học về đếm và sắp xếp. Đi sâu vào việc đếm các nhiệm vụ trên n các đối tượng, thông qua việc sắp xếp các đối tượng (hoán vị), chọn k các đối tượng (kết hợp) và đặt các đối tượng vào r xô. 

Link: Xác suất là gì?

Đây là lúc khóa học thực sự bắt đầu đi sâu vào Xác suất. Tìm hiểu về các quy tắc cốt lõi của xác suất với nhiều ví dụ cũng như tìm hiểu về ngôn ngữ lập trình Python cũng như cách sử dụng nó với xác suất. 

Link: Xác suất và Bayes

Trong bài giảng này, bạn sẽ đi sâu vào tìm hiểu cách sử dụng xác suất có điều kiện, quy tắc dây chuyền, định luật tổng xác suất và định lý Bayes. 

Link: Độc lập

Trong bài giảng này, bạn sẽ tìm hiểu về xác suất xét theo khía cạnh nó loại trừ và độc lập lẫn nhau, bằng cách sử dụng AND/OR. Bài giảng sẽ đi qua nhiều ví dụ khác nhau để bạn có thể nắm bắt tốt.

Link: Biến ngẫu nhiên và kỳ vọng

Dựa trên các bài giảng trước và kiến ​​thức của bạn về xác suất có điều kiện và tính độc lập, bài giảng này sẽ đi sâu vào các biến ngẫu nhiên, sử dụng và tạo ra hàm khối lượng xác suất của một biến ngẫu nhiên và có thể tính toán kỳ vọng. 

Link: Phương sai nhị thức Bernoulli

Bây giờ bạn sẽ sử dụng kiến ​​thức của mình để giải quyết những vấn đề ngày càng khó khăn hơn. Mục tiêu của bạn trong bài giảng này sẽ là nhận biết và sử dụng Biến ngẫu nhiên nhị thức, Biến ngẫu nhiên Bernoulli và có thể tính phương sai cho các biến ngẫu nhiên. 

Link: Cá

Poisson thật tuyệt vời khi bạn có tỷ lệ và bạn quan tâm đến số lần xuất hiện. Bạn sẽ tìm hiểu về cách sử dụng nó trong các khía cạnh khác nhau cùng với các ví dụ về mã Python.

Link: Biến ngẫu nhiên liên tục

Mục tiêu của bài giảng này sẽ bao gồm việc làm quen với việc sử dụng các biến ngẫu nhiên rời rạc mới, tích hợp hàm mật độ để có được xác suất và sử dụng hàm tích lũy để có được xác suất. 

Link: Phân phối bình thường

Có thể bạn đã từng nghe điều này về phân phối chuẩn trước đây, trong bài giảng này, bạn sẽ tìm hiểu lịch sử ngắn gọn về phân phối chuẩn, nó là gì, tại sao nó là ví dụ quan trọng và thực tế.

Link: Phân phối chung

Trong các bài giảng trước, bạn sẽ làm việc với nhiều nhất 2 biến ngẫu nhiên, bước học tiếp theo sẽ là đi vào một số biến ngẫu nhiên cho trước bất kỳ.

Link: Sự suy luận

Mục tiêu học tập của bài giảng này là cách sử dụng đa thức, đánh giá cao tính hữu ích của xác suất log và có thể sử dụng định lý Bayes với các biến ngẫu nhiên. 

Link: Suy luận II

Mục tiêu học tập tiếp tục từ bài giảng cuối cùng về việc kết hợp định lý Bayes với các biến ngẫu nhiên. 

Link: Mô Hình

Trong bài giảng này, bạn sẽ sử dụng mọi thứ bạn đã học cho đến nay và áp dụng nó vào bối cảnh về các vấn đề trong đời thực – mô hình xác suất. Đây là việc gộp một loạt các biến ngẫu nhiên lại với nhau một cách ngẫu nhiên.

Link: Suy luận tổng quát

Bạn sẽ đi sâu vào suy luận chung và đặc biệt là tìm hiểu về một thuật toán có tên là lấy mẫu từ chối. 

Link: ALPHA

Bài giảng này sẽ đi sâu vào các biến xác suất ngẫu nhiên được sử dụng để giải quyết các vấn đề trong thế giới thực. Beta là một phân phối cho xác suất, trong đó các giá trị nằm trong khoảng từ 0 đến 1. 

Link: Thêm các biến ngẫu nhiên I

Tại thời điểm này của khóa học, bạn sẽ học về lý thuyết sâu và việc thêm các biến ngẫu nhiên là phần giới thiệu về cách đạt được kết quả của lý thuyết xác suất. 

Link: Định lý giới hạn trung tâm

Trong bài giảng này, bạn sẽ đi sâu vào định lý giới hạn trung tâm, một yếu tố quan trọng trong xác suất. Bạn sẽ xem qua các ví dụ thực tế để có thể nắm bắt được khái niệm.

Link: Khởi động và giá trị P I

Bây giờ bạn sẽ chuyển sang lý thuyết độ bất định, lấy mẫu và khởi động được lấy cảm hứng từ định lý giới hạn trung tâm. Bạn sẽ đi qua các ví dụ thực tế. 

Link: Phân tích thuật toán

Trong bài giảng này, bạn sẽ đi sâu hơn một chút về khoa học máy tính với sự hiểu biết sâu sắc về phân tích thuật toán, đó là quá trình tìm ra độ phức tạp tính toán của thuật toán.

Link: MLE

Bài giảng này sẽ đi sâu vào ước lượng tham số, giúp bạn có thêm kiến ​​thức về học máy. Đây là nơi bạn lấy kiến ​​thức về xác suất và áp dụng nó vào học máy và trí tuệ nhân tạo. 

Link: BẢN ĐỒ

Chúng tôi vẫn đang ở giai đoạn tìm hiểu các nguyên tắc cốt lõi của xác suất và cách áp dụng nó vào học máy. Trong bài giảng này, bạn sẽ tập trung vào các tham số trong học máy liên quan đến xác suất và các biến ngẫu nhiên. 

Link: Vịnh Naive

Naive Bayes là thuật toán học máy đầu tiên mà bạn sẽ tìm hiểu chuyên sâu. Bạn sẽ tìm hiểu về lý thuyết ước lượng tham số và bây giờ sẽ chuyển sang cách các thuật toán cốt lõi như Naive Bayes dẫn đến các ý tưởng như mạng lưới thần kinh. 

Link: Hồi quy logistic

Trong bài giảng này, bạn sẽ đi sâu vào thuật toán thứ hai gọi là hồi quy logistic được sử dụng cho các nhiệm vụ phân loại mà bạn cũng sẽ tìm hiểu thêm. 

Link: Học kĩ càng

Khi bạn bắt đầu tìm hiểu sâu hơn về học máy, bài giảng này sẽ đi sâu vào chi tiết hơn về học sâu dựa trên những gì bạn đã học. 

Link: Công bằng

Chúng ta đang sống trong một thế giới nơi học máy đang được triển khai trong cuộc sống hàng ngày của chúng ta. Trong bài giảng này, bạn sẽ xem xét sự công bằng trong học máy, tập trung vào đạo đức. 

Link: Xác suất nâng cao

Bạn đã học được rất nhiều điều cơ bản về xác suất và đã áp dụng nó trong các tình huống khác nhau cũng như cách nó liên quan đến các thuật toán học máy. Bước tiếp theo là nâng cao hơn một chút về xác suất. 

Link: Tương lai của xác suất

Mục tiêu học tập của bài giảng này là tìm hiểu về cách sử dụng xác suất và sự đa dạng của các bài toán mà xác suất có thể áp dụng để giải các bài toán này. 

Link: Đánh giá cuối cùng

Và cuối cùng nhưng không kém phần quan trọng là bài giảng cuối cùng. Bạn sẽ xem qua tất cả 28 bài giảng còn lại và đề cập đến những điều chưa chắc chắn. 

Có thể khó tìm được tài liệu tốt cho hành trình học tập của bạn. Xác suất dành cho tài liệu khóa học khoa học máy tính này thật tuyệt vời và có thể giúp bạn nắm bắt các khái niệm về xác suất mà bạn chưa chắc chắn hoặc cần sửa lại.
 
 

Nisha Arya là Nhà khoa học dữ liệu và Nhà văn kỹ thuật tự do. Cô ấy đặc biệt quan tâm đến việc cung cấp lời khuyên hoặc hướng dẫn nghề nghiệp về Khoa học Dữ liệu và kiến ​​thức dựa trên lý thuyết về Khoa học Dữ liệu. Cô cũng mong muốn khám phá những cách khác nhau mà Trí tuệ nhân tạo có thể mang lại / có thể mang lại lợi ích cho sự trường tồn của cuộc sống con người. Một người ham học hỏi, tìm cách mở rộng kiến ​​thức công nghệ và kỹ năng viết của mình, đồng thời giúp hướng dẫn người khác.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: 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