← Powrót na stronę główną

Podstawy nauki o danych

Archiwum
  1. Wykład Grzegorza Latosińskiego z firmy Antmicro z 2025 r.
Slajdy
  1. Organizacja zajęć
  2. Metoda najmniejszych kwadratów
  3. Metoda maksymalnej wiarygodności
  4. Metoda Bayesa
  5. Klasyfikacja
  6. Grupowanie obserwacji
  7. Teoria estymacji w wyborze dobrego modelu
  8. Reprezentacje cech i PCA
  9. Natalia Cheba z Softserve - Proces budowy modelu: od przygotowania danych do trenowania
  10. Eksploracja danych
Tablica
  1. Jądrowy estymator gęstości
  2. Metoda maksymalnej wiarygodności
    1. Podstawy, których nie wynieśliśmy ze statystyki - czyli pominięta rozgrzewka
    2. Dopasowanie rozkładu do danych
  3. Forma kwadratowa
  4. Trzy sposoby myślenia o macierzy - dynamika, przekształcenie, baza
  5. Aproksymacja średniokwadratowa
  6. Aproksymacja średniokwadratowa dla uogólnionych modeli liniowych
  7. Inspiracje do MNK plus założenia MMW
  8. Co to jest p(A|B), czyli jak czytać prawdopodobieństwa warunkowe
Do przerobienia
  1. Jądrowy estymator gęstości
  2. Zaprzyjaźnij się z formą kwadratową
  3. Dopasowanie rozkładu wykładniczego metodą maksymalnej wiarygodności - analitycznie i numerycznie
  4. Oswój się z wielowymiarowym rozkładem Gaussa
  5. Jeżeli nie rozumiesz macierzy
  6. Zmiana bazy
  7. Jeżeli nie rozumiesz co to są wartości i wektory własne
  8. Przykład ze zmianą bazy ze wzrost-waga na Zoom-BMI
  9. O rozkładzie normalnym jedno i dwu-wymiarowym oraz o testowaniu normalności
  10. Dopasowanie modelu do danych metodą najmniejszych kwadratów (MNK)