Hoppa till innehållet
AI-grafen

Klassisk ML på riktigt

Marginaler, avvikelser, rekommendationer och systematisk hyperparametersökning — de metoder som fortfarande löser de flesta problem billigare än ett neuronnät.

E· Universitet

Alla kunskaper som ingår (64) — i beroendeordning

  1. 1AMönster och kategorier
  2. 2BData från vardagen
  3. 3AInstruktioner i rätt ordning
  4. 4BAlgoritmiskt tänkande
  5. 5DDiskret matematik: grafer och relationer
  6. 6CFunktioner och koordinatsystem
  7. 7DDerivata och optimering
  8. 8EKonvexitet och optimeringslandskap
  9. 9CProgrammeringslogik — variabler, villkor, loopar
  10. 10CPython — grunderna
  11. 11CPython — listor, loopar och dictionaries
  12. 12DTidskomplexitet och ordo-notation
  13. 13DDatastrukturer: listor, stackar, köer, hashtabeller
  14. 14EGrafalgoritmer: BFS, DFS, topologisk ordning
  15. 15CPython — strängar och textbehandling
  16. 16CPython — filer, CSV och JSON
  17. 17BRegler kontra inlärning
  18. 18CStatistik — medelvärde, median och spridning
  19. 19CSannolikhet — grunderna
  20. 20DBetingad sannolikhet
  21. 21DBayes sats
  22. 22DSannolikhetsfördelningar
  23. 23ATal och de fyra räknesätten
  24. 24BBråk, decimaltal och procent
  25. 25BNegativa tal
  26. 26BTräningsdata, features och etiketter
  27. 27BKlassificering — så sorterar en modell
  28. 28CDin första prediktiva modell — en rät linje
  29. 29DGradient descent
  30. 30CNeuronnät — intuitionen
  31. 31CVariabler och algebraiska uttryck
  32. 32CPotenser och rötter
  33. 33DLogaritmer
  34. 34EMaximum likelihood
  35. 35FBayesiansk inferens
  36. 36DVektorer
  37. 37DKlustring: k-means och hierarkisk
  38. 38EAnomalidetektion
  39. 39Dk-närmaste grannar (kNN)
  40. 40DMatriser och matrismultiplikation
  41. 41DLinjär regression med flera features
  42. 42DLogistisk regression och beslutsträd
  43. 43DBeslutsträd
  44. 44EEnsembler: random forest och boosting
  45. 45ELinjära avbildningar
  46. 46EEgenvärden och egenvektorer
  47. 47EMatrisfaktorisering och lågrangsapproximation
  48. 48DNeuronnät — forward pass med matriser
  49. 49DBackpropagation
  50. 50FGrafneuronnät (GNN)
  51. 51DNumPy — arrayer och vektorisering
  52. 52DOverfitting och generalisering
  53. 53DPandas — tabeller i Python
  54. 54ERekommendationssystem
  55. 55ESekvensmodeller före transformers
  56. 56ESingulärvärdesuppdelning (SVD)
  57. 57EPCA — principalkomponentanalys
  58. 58EDimensionsreduktion: PCA, t-SNE, UMAP
  59. 59EStödvektormaskiner (SVM)
  60. 60ETidsserier
  61. 61ESekvensmodeller för tidsserier
  62. 62DTräning, validering och test
  63. 63DKorsvalidering
  64. 64EHyperparametersökning