¡Recomiendo tomarlo! Lo tomé con el prof. Koller, pero el nuevo profesor parece muy interesante también. Al menos para este próximo trimestre, conozco a uno de los TA y hará un gran trabajo.
La clase me llevó bastante tiempo, y creo que también para la mayoría de los otros estudiantes. En el pasado, la clase era una combinación implacable de pruebas semanales y tareas de programación, junto con conjuntos de teoría quincenales y una final. Esto se combinó con el hecho de que el material podría ser bastante denso y conceptualmente difícil. Probablemente fue el curso de CS más difícil que he tomado en Stanford.
Dicho todo esto, también creo que la clase es bastante gratificante. Los modelos gráficos probabilísticos son una forma genial de pensar sobre el mundo y la independencia condicional. El curso ayuda a estirar y fortalecer su intuición sobre la probabilidad y lo expone a varios otros temas útiles, como las cadenas de Markov y algunas técnicas de muestreo. Finalmente, la clase me hizo sentir más seguro y cómodo pensando en una amplia gama de
Problemas de aprendizaje automático, así que me alegro de haberlo tomado.
- Cómo distinguir el Aprendizaje profundo de los anteriores análogos en las composiciones de funciones, más específicamente el trabajo reciente sobre el "proceso gaussiano profundo"
- ¿Cuál es la diferencia entre el aprendizaje automático y la forma en que Kepler obtuvo las leyes de Kepler?
- ¿Cómo se usa Machine Learning en las diferentes etapas de los sitios web de comercio electrónico (compras en línea)?
- ¿Qué es la mente profunda de Google?
- En el análisis de sentimiento binario, ¿es razonable tratar el texto de baja confianza como una tercera clase neutral?
¡Espero que ayude!