Imagen del autor
Para aquellos que se sumergen en el mundo de la informática o necesitan un retoque en sus conocimientos de probabilidad, les espera un regalo. La Universidad de Stanford ha actualizado recientemente su YouTube lista de reproducción en su curso CS109 con nuevo contenido!
La lista de reproducción consta de 29 conferencias que le brindarán un conocimiento estándar de los conceptos básicos de la teoría de la probabilidad, conceptos esenciales en la teoría de la probabilidad, herramientas matemáticas para analizar probabilidades y luego finalizar el análisis de datos y el aprendizaje automático.
Así que entremos directamente en ello...
Enlace: Cálculo
Conozca la historia de la probabilidad y cómo nos ha ayudado a lograr la IA moderna, con ejemplos de la vida real sobre el desarrollo de sistemas de IA. Comprenda las fases básicas de conteo, contando con "pasos" y contando con "o". Esto incluye áreas como las redes neuronales artificiales y cómo los investigadores usarían la probabilidad para construir máquinas.
Enlace: Combinatoria
La segunda conferencia pasa al siguiente nivel de conteo serio: esto se llama Combinatoria. La combinatoria es la matemática de contar y ordenar. Sumérgete en las tareas de contar n objetos, mediante la clasificación de objetos (permutaciones), eligiendo k objetos (combinaciones) y poner objetos en r cubos.
Enlace: ¿Qué es la probabilidad?
Aquí es donde el curso realmente comienza a sumergirse en la probabilidad. Conozca las reglas básicas de probabilidad con una amplia gama de ejemplos y un toque del lenguaje de programación Python y su uso con probabilidad.
Enlace: Probabilidad y Bayes
En esta conferencia, aprenderá cómo utilizar probabilidades condicionales, la regla de la cadena, la ley de probabilidad total y el teorema de Bayes.
Enlace: Independencia
En esta conferencia, aprenderá sobre la probabilidad con respecto a que sea mutuamente excluyente e independiente, utilizando AND/OR. La conferencia analizará una variedad de ejemplos para que los comprenda bien.
Enlace: Variables aleatorias y expectativas
Con base en las conferencias anteriores y su conocimiento de las probabilidades condicionales y la independencia, esta conferencia profundizará en las variables aleatorias, utilizará y producirá la función de masa de probabilidad de una variable aleatoria y podrá calcular expectativas.
Enlace: Varianza Binomial de Bernoulli
Ahora utilizará sus conocimientos para resolver problemas cada vez más difíciles. Su objetivo para esta conferencia será reconocer y utilizar variables aleatorias binomiales, variables aleatorias de Bernoulli y poder calcular la varianza de las variables aleatorias.
Enlace: Poisson
Poisson es excelente cuando tienes una tasa y te preocupas por la cantidad de ocurrencias. Aprenderá cómo se puede utilizar en diferentes aspectos junto con ejemplos de código Python.
Enlace: Variables aleatorias continuas
Los objetivos de esta conferencia incluirán sentirse cómodo usando nuevas variables aleatorias discretas, integrando una función de densidad para obtener una probabilidad y usando una función acumulativa para obtener una probabilidad.
Enlace: Distribución normal
Es posible que haya escuchado esto sobre la distribución normal antes; en esta conferencia, repasará una breve historia de la distribución normal, qué es, por qué es importante y ejemplos prácticos.
Enlace: Distribuciones conjuntas
En las conferencias anteriores, habrás trabajado con 2 variables aleatorias como máximo, el siguiente paso del aprendizaje será analizar cualquier número determinado de variables aleatorias.
Enlace: Inferencia
El objetivo de aprendizaje de esta conferencia es cómo usar multinomios, apreciar la utilidad de las probabilidades logarítmicas y poder usar el teorema de Bayes con variables aleatorias.
Enlace: Inferencia II
El objetivo de aprendizaje continúa desde la última lección sobre la combinación del teorema de Bayes con variables aleatorias.
Enlace: Modelado
En esta conferencia, tomará todo lo que ha aprendido hasta ahora y lo pondrá en perspectiva sobre problemas de la vida real: modelos probabilísticos. Esto implica que un montón de variables aleatorias sean aleatorias juntas.
Enlace: Inferencia general
Se sumergirá en la inferencia general y, en particular, aprenderá sobre un algoritmo llamado muestreo de rechazo.
Enlace: Beta
Esta conferencia abordará las variables aleatorias de probabilidades que se utilizan para resolver problemas del mundo real. Beta es una distribución de probabilidades, donde sus valores oscilan entre 0 y 1.
Enlace: Sumar variables aleatorias I
En este punto del curso, aprenderá sobre la teoría profunda y agregar variables aleatorias es una introducción a cómo obtener resultados de la teoría de la probabilidad.
Enlace: Teorema del límite central
En esta conferencia, profundizarás en el teorema del límite central, que es un elemento importante en la probabilidad. Pasarás por ejemplos prácticos para que puedas captar el concepto.
Enlace: Bootstrapping y valores P I
Ahora pasará a la teoría de la incertidumbre, el muestreo y el arranque, que se inspira en el teorema del límite central. Repasarás ejemplos prácticos.
Enlace: Análisis algorítmico
En esta conferencia, profundizará un poco más en la informática con una comprensión profunda del análisis de algoritmos, que es el proceso de encontrar la complejidad computacional de los algoritmos.
Enlace: MLE
Esta conferencia profundizará en la estimación de parámetros, lo que le proporcionará más conocimientos sobre el aprendizaje automático. Aquí es donde toma sus conocimientos sobre probabilidad y los aplica al aprendizaje automático y la inteligencia artificial.
Enlace: MAPA
Todavía estamos en la etapa de adoptar los principios básicos de la probabilidad y cómo se aplican al aprendizaje automático. En esta conferencia, se centrará en los parámetros del aprendizaje automático relacionados con la probabilidad y las variables aleatorias.
Enlace: Bayes ingenuos
Naive Bayes es el primer algoritmo de aprendizaje automático que conocerá en profundidad. Habrá aprendido sobre la teoría de la estimación de parámetros y ahora pasará a ver cómo los algoritmos centrales como Naive Bayes conducen a ideas como las redes neuronales.
Enlace: Regresión logística
En esta conferencia, profundizará en un segundo algoritmo llamado Regresión logística que se utiliza para tareas de clasificación, sobre el cual también aprenderá más.
Enlace: Aprendizaje profundo
A medida que comenzó a sumergirse en el aprendizaje automático, esta conferencia brindará más detalles sobre el aprendizaje profundo en función de lo que ya ha aprendido.
Enlace: Justicia
Vivimos en un mundo donde el aprendizaje automático se está implementando en nuestro día a día. En esta conferencia, analizará la equidad en torno al aprendizaje automático, con un enfoque en la ética.
Enlace: Probabilidad avanzada
Ha aprendido mucho sobre los conceptos básicos de la probabilidad y los ha aplicado en diferentes escenarios y cómo se relaciona con los algoritmos de aprendizaje automático. El siguiente paso es avanzar un poco más sobre la probabilidad.
Enlace: Futuro de probabilidad
El objetivo de aprendizaje de esta conferencia es aprender sobre el uso de la probabilidad y la variedad de problemas que la probabilidad se puede aplicar para resolver estos problemas.
Enlace: Revisión final
Y por último, pero no menos importante, la última conferencia. Revisará las otras 28 conferencias y abordará cualquier incertidumbre.
Poder encontrar un buen material para su viaje de aprendizaje puede resultar complicado. Este material de probabilidad para el curso de ciencias de la computación es sorprendente y puede ayudarlo a comprender conceptos de probabilidad de los que no estaba seguro o necesitaba un retoque.
nisha aria es científico de datos y escritor técnico independiente. Ella está particularmente interesada en proporcionar consejos o tutoriales sobre la carrera de Data Science y conocimiento basado en la teoría sobre Data Science. También desea explorar las diferentes formas en que la Inteligencia Artificial es o puede beneficiar la longevidad de la vida humana. Una estudiante entusiasta que busca ampliar sus conocimientos tecnológicos y sus habilidades de escritura, mientras ayuda a guiar a otros.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- Fuente: 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
