- elementy teorie pravděpodobnosti - hustota pravděpodobnosti, kovariance, Bayesovská definice pravděpodobnosti, Gaussovo rozdělení, aproximace dat
- rozdělení pravděpodobnosti - beta rozdělení, Dirichletovo rozdělení, metoda maximální věrohodnosti pro Gaussovské rozdělení, Studentovo t-rozdělení
- lineární modely pro regresi - modely s lineární bází, metoda maximální věrohodnosti a metoda minimálních čtverců, postupné učení, regularizované minimální čtverce, rozklad předsudek-variance, Bayesovská lineární regrese, omezení lineárních modelů s fixovanou bází
- lineární klasifikační modely - diskriminační funkce, pravděpodobnostní diskriminační modely, Laplaceova aproximace, Bayesovská logistická regrese
- neuronové sítě - trénink, zpětná vazba chyby, Hessova matice, regularizace v neuronových sítích, Bayesovské neuronové sítě
- dvojí použití neuronových sítí - aproximace a rozhodnutí
Poslední úprava: T_UCJF (18.04.2012)
- elements of probability theory - probability density, covariance, Bayesian definition of probability, the Gaussian distribution, data approximation
- probability distribution - the beta distribution, the Dirichlet distribution, maximum likelihood of the Gaussian distribution, the Student t-distribution
- linear models for regression - linear basis models, maximum likelihood and least squares, sequential learning, regularized minimal squares, bias-variance decomposition, Bayesian linear regression, limitations of linear models with fixed basis
- linear classification models - discriminant functions, probabilistic discriminative models, the Laplace approximation, Bayesian logistic regression
- neural nets - training, error backpropagation, the Hessian matrix, regularization in neural network, Bayesian neural networks
- dual use of neural networks - approximations and decisions
Poslední úprava: T_UCJF (18.04.2012)
|