Pentru mai multe informații despre programele profesionale și postuniversitare de inteligență artificială de la Stanford, vizitați: https://stanford.io/3CmrFSE
Jure Leskovec
Informatică, dr
O sarcină esențială de luat în considerare înainte de a efectua învățarea automată a graficelor este să găsim o modalitate adecvată de a reprezenta graficele. Care sunt factorii care ne vor afecta alegerile cu privire la reprezentări? În acest videoclip, vom analiza diferitele abordări ale abstractizării graficelor: direcționat vs. nedirecționat, ponderat vs. neponderat, omogen vs bipartit și așa mai departe.
Pentru a urma programul cursului și programa, vizitați:
http://web.stanford.edu/class/cs224w/
Cursuri interesante:
- Stanford CS224W: Învățare automată cu grafice | 2021 | Curs 11.1 – Raționament în Knowledge Graphs
- Stanford CS224W: ML cu grafice | 2021 | Cursul 6.1 – Introducere în rețelele neuronale grafice
- Stanford CS224W: Învățare automată cu grafice | 2021 | Cursul 1.2 – Aplicații ale graficului ML
- Stanford CS229: Învățare automată | Vara 2019 | Cursul 7 – GDA, Naive Bayes & Laplace Smoothing
- Stanford CS234: Învățare prin consolidare | Iarna 2019 | Curs 4 – Model Free Control
- Stanford CS229: Învățare automată | Vara 2019 | Cursul 3 – Probabilitate și Statistică
- Stanford CS330: Multi-Task și Meta-Learning, 2019 | Cursul 4 – Meta-Învățători non-parametrici
- Stanford CS229: Învățare automată | Vara 2019 | Cursul 16 – K-means, GMM și EM
- Stanford CS330: Multi-Task și Meta-Learning, 2019 | Cursul 3 – Meta-Learning bazat pe optimizare
- Stanford CS229: Învățare automată | Vara 2019 | Curs 1 – Introducere și Algebră Lineară