Pentru mai multe informații despre programele profesionale și postuniversitare de inteligență artificială de la Stanford, vizitați: https://stanford.io/3mjkzZQ
Metode tradiționale bazate pe caracteristici: caracteristici la nivel de link
Jure Leskovec
Informatica, PhD
În acest videoclip, vă prezentăm sarcina importantă de predicție a legăturilor, precum și cum să extrageți funcții la nivel de link pentru a aborda mai bine un astfel de tip de probleme. Acest lucru este util în scenariile în care trebuie să anticipăm muchiile lipsă sau să anticipăm muchiile care vor apărea în viitor. Caracteristicile la nivel de link despre care vom vorbi includ cele bazate pe distanță, precum și suprapunerea locală și globală a vecinătății.
Pentru a urma programul cursului și programa, vizitați:
http://web.stanford.edu/class/cs224w/
Cursuri interesante:
- Stanford CS224W: ML cu grafice | 2021 | Cursul 2.1 – Metode tradiționale bazate pe caracteristici: Nod
- Stanford CS224W: ML cu grafice | 2021 | Cursul 2.3 – Metode tradiționale bazate pe caracteristici: grafic
- Ascultă de la cursanții noștri | Înțelegerea limbajului natural (XCS224U)
- Stanford CS224N NLP cu Deep Learning | 2023 | Cursul 8 – Autoatenție și transformatoare
- Stanford CS330: Multi-Task și Meta-Learning, 2019 | Cursul 3 – Meta-Learning bazat pe optimizare
- Stanford CS224W: ML cu grafice | 2021 | Cursul 6.1 – Introducere în rețelele neuronale grafice
- Stanford CS234: Învățare prin consolidare | Iarna 2019 | Curs 4 – Model Free Control
- Stanford CS330: Multi-Task și Meta-Learning, 2019 | Cursul 4 – Meta-Învățători non-parametrici
- Stanford CS229: Învățare automată | Vara 2019 | Cursul 7 – GDA, Naive Bayes & Laplace Smoothing
- Cursul 10 – Arbori de decizie și metode de ansamblu | Stanford CS229: Machine Learning (toamna 2018)