CS 229 ― Aprendizado de máquina
Dicas
- • Função de perda, gradiente descendente, probabilidade
- • Modelos lineares, Máquinas de Vetores de Suporte, aprendizado generativo
- • Métodos em conjunto e baseados em árvore, k-NN, teoria de aprendizagem
- • Maximização de expectativa, k-means, agrupamento hierárquico
- • Métricas de atribuição de agrupamento
- • Análise de componente principal, análise de componente independente
- • Arquitetura, função de ativação, retropropagação, abandono
- • Camada convolucional, normalização em lote, tipos de portas
- • Processos de decisão de Markov, equação de Bellman, aprendizado Q
- • Matriz de confusão, acurácia, precisão, revocação, F1 score, ROC
- • R quadrado, CP de Mallow, AIC, BIC
- • Validação cruzada, regularização, balanço viés/variância, análise de erro
Revisão
- • Axiomas de probabilidade, permutação, regra de Bayes, independência, probabilidade condicional
- • Variáveis aleatórias, expectativa, variância
- • Teorema do Limite Central, estimativa de parâmetro
- • Matrizes principais, multiplicação, transposta, inversa, traço, determinante
- • Autovalor, autovetor, norma, gradiente, Hessiano
- • Matriz positiva semi-definida, teorema spectral, decomposição em valor singular