Mašīnmācīšanās

Šis modulis pēta mašīnmācīšanos, koncentrējoties uz algoritmiem un modeļiem, kas ļauj datoriem mācīties un pieņemt prognozes vai lēmumus, pamatojoties uz datiem. Tas aptver uzraudzītas, neuzraudzītas un pastiprinātas mācīšanās metodes, kā arī praktiskus pielietojumus tādās jomās kā attēlu atpazīšana, dabiskās valodas apstrāde un prognozējošā analīze.

Mācību programmas veidotājs

Nepieciešama palīdzība? Noklikšķiniet šeit, lai saņemtu norādījumus.

Suttons, Ričards S. un Endrjū G. Barto. Pastiprināšanas mācīšanās: ievads. Otrais izdevums. Adaptīvās skaitļošanas un mašīnmācīšanās sērijas. Kembridža, Masačūsetsa: The MIT Press, 2018. gads.

Bārbers, Dāvids. Beijesa spriešana un mašīnmācīšanās. 1. izdevums Cambridge University Press, 2012. gads.

https://doi.org/10.1017/CBO9780511804779

MacKay, David J.C. Informācijas teorija, secinājumi un mācīšanās algoritmi. Kembridžas Universitātes prese, 2003.

Bīskaps, Kristofers M. Modeļu atpazīšana un mašīnmācīšanās. Informācijas zinātne un statistika. Ņujorka: Springers, 2006.

Mohri, Mehryar, Afshin Rostamizadeh un Ameet Talwalkar. “Ievads.” Mašīnmācīšanās pamatos, 504. MIT Press, 2018. gads.

https://mitpress.mit.edu/9780262039406/foundations-of-machine-learning/

Mērfijs, Kevins P. “24. nodaļa: Markova ķēdes Montekarlo (MCMC) secinājums” un “25. nodaļa: Klasteru veidošana”. Mašīnmācīšanā: varbūtības perspektīva. Londona, Anglija: The MIT Press, 2012.

Vainers, Ābrahāms J., Metjū Olsons, Džastins Bleihs un Deivids Mease. “AdaBoost un Random Forests panākumu izskaidrošana kā interpolējošie klasifikatori.” arXiv, 2017. gada 29. aprīlis.

http://arxiv.org/abs/1504.07676

Hastie, Trevor, Robert Tibshirani un Jerome Friedman. Statistiskās mācīšanās elementi: datizrace, secinājumi un prognozēšana. 2. izdevums Springera sērija statistikā. Ņujorka, Ņujorka: Springer New York, 2009.

https://doi.org/10.1007/978-0-387-84858-7

Vasermans, Lerijs. Visa statistika: īss statistisko secinājumu kurss. Springera teksti statistikā. Ņujorka, Ņujorka: Springer New York, 2004.

https://doi.org/10.1007/978-0-387-21736-9