P rigollet mathematics of machine learning mit lecture notes online
Del 04 al 07 de agosto de 2021 (anteriormente previsto para el 22 al 25 de febrero de 2021)Centro de Investigación Interdisciplinaria (ZiF), Universidad de BielefeldLa conferencia tendrá lugar en un formato híbrido, permitiendo tanto la asistencia presencial como online. La presentación de ponencias y pósteres ya está cerrada. La inscripción para la participación en línea sigue abierta. Por favor, inscríbase con Marina Hoffmann.
En los últimos años, los algoritmos de aprendizaje automático han tenido un éxito sin precedentes en diversos campos, desde la ciencia y la ingeniería hasta la medicina y las ciencias sociales. Como resultado, la inteligencia artificial ha sido identificada como una de las tecnologías clave para el futuro avance social y económico. Con su creciente importancia también en los sistemas sensibles a los fallos, por ejemplo en los dispositivos médicos y en la conducción autónoma, se hace vital la necesidad de comprender sistemáticamente la funcionalidad de los algoritmos de aprendizaje automático y de garantizar su exactitud y precisión. Esto exige el desarrollo de una comprensión matemática de las estructuras y los mecanismos que subyacen al éxito de las técnicas de aprendizaje automático. En los últimos años, este esfuerzo ha experimentado un importante aumento del interés y los esfuerzos, apoyándose fundamentalmente en la interacción interdisciplinar, la comunicación de los avances matemáticos y la investigación empírica. La conferencia propuesta pretende ser una contribución a este campo en rápido desarrollo, reuniendo a expertos de diversas áreas matemáticas con interés compartido en las aplicaciones al aprendizaje automático y a expertos de campos como la informática y la biología.
Matemáticas para el aprendizaje automático pdf
Una gran cantidad de ideas y técnicas de la IA tienen el potencial de influir en la práctica de la modelización matemática. En particular, los sistemas y entornos basados en el conocimiento pueden proporcionar representaciones y métodos de resolución de problemas asociados que pueden utilizarse para codificar el conocimiento del dominio y las estrategias específicas del dominio para una variedad de problemas mal estructurados en la generación de modelos y la interpretación de resultados. Los lenguajes y metodologías de programación de IA avanzados pueden proporcionar mecanismos de alto nivel para la implementación de modelos numéricos y soluciones, dando lugar a códigos de mecánica computacional más limpios, fáciles de escribir y más adaptables. Una serie de algoritmos de búsqueda heurística, planificación y razonamiento geométrico pueden proporcionar mecanismos eficaces y rigurosos para abordar problemas como la descripción y transformación de formas y la representación de modelos basada en restricciones. Antes de hablar de las aplicaciones de la IA en la modelización matemática, repasamos brevemente los sistemas expertos basados en el conocimiento y las técnicas de resolución de problemas.
Reconocimiento de patrones y aprendizaje automático
Su transacción es segura Trabajamos duro para proteger su seguridad y privacidad. Nuestro sistema de seguridad de pagos encripta su información durante la transmisión. No compartimos los datos de su tarjeta de crédito con terceros vendedores y no vendemos su información a terceros. Más información
Las herramientas matemáticas fundamentales necesarias para entender el aprendizaje automático incluyen el álgebra lineal, la geometría analítica, las descomposiciones matriciales, el cálculo vectorial, la optimización, la probabilidad y la estadística. Estos temas se enseñan tradicionalmente en cursos dispares, lo que dificulta a los estudiantes de ciencias de la información o de informática, o a los profesionales, el aprendizaje eficiente de las matemáticas. Este libro de texto autónomo tiende un puente entre los textos de matemáticas y los de aprendizaje automático, introduciendo los conceptos matemáticos con un mínimo de requisitos previos. Utiliza estos conceptos para derivar cuatro métodos centrales de aprendizaje automático: la regresión lineal, el análisis de componentes principales, los modelos de mezcla gaussiana y las máquinas de vectores de apoyo. Para los estudiantes y otras personas con formación matemática, estas derivaciones constituyen un punto de partida para los textos de aprendizaje automático. Para aquellos que aprenden las matemáticas por primera vez, los métodos ayudan a construir la intuición y la experiencia práctica con la aplicación de los conceptos matemáticos. Cada capítulo incluye ejemplos trabajados y ejercicios para comprobar la comprensión. En el sitio web del libro se ofrecen tutoriales de programación. Leer más
Matemáticas detrás del libro de aprendizaje automático
El segundo curso, Cálculo multivariante, se basa en esto para ver cómo optimizar las funciones de ajuste para conseguir buenos ajustes a los datos. Comienza con una introducción al cálculo y luego utiliza las matrices y los vectores del primer curso para estudiar el ajuste de los datos.
El tercer curso, Reducción de la Dimensionalidad con Análisis de Componentes Principales, utiliza las matemáticas de los dos primeros cursos para comprimir datos de alta dimensión. Este curso es de dificultad intermedia y requerirá conocimientos de Python y numpy.