Varía mucho Habrá muchas matemáticas en cualquiera de estos cursos. Algunas categorías generales de cursos que he visto:
1. Modelado probabilístico: probabilidad multivariada, modelos gráficos, modelos probabilísticos específicos, como modelos de temas y HMM, e inferencia estadística para estos modelos.
2. Teoría del aprendizaje: cómo enmarcar los problemas de aprendizaje formalmente y cómo sacar conclusiones rigurosas sobre ellos. Esto generalmente involucrará cosas como probar límites.
- ¿Hay ejemplos de organizaciones de ciencias de la vida que logren resultados en el descubrimiento de drogas a través del aprendizaje automático que no serían posibles sin el aprendizaje automático?
- ¿Cuál es el artículo o recurso web más informativo sobre el modelado similar?
- ¿Es posible cambiar a un doctorado en aprendizaje automático después de un MPhil en econometría?
- ¿Alguien ha usado ML para hacer un diseño * no trivial * de algoritmos CS de bajo nivel (ver comentarios)?
- ¿Cuál es la relación entre el análisis sentimental y el aprendizaje automático?
3. Aprendizaje automático aplicado: métricas como precisión y recuperación, cómo entrenar a un clasificador con datos de entrenamiento y datos de prueba, cuáles son los clasificadores más comunes y cómo usar lenguajes estadísticos como R, Matlab o Julia.
4. Clasificación y regresión. Esto incluirá los principales clasificadores y regresiones, junto con la regularización. Aquí hay una superposición con (1), (2) y (3), y no está claro que este sea un curso separado.
Muchos cursos de posgrado más allá de los primeros dos años tendrán como objetivo la profundidad en lugar de la amplitud, por lo que es muy probable que se encuentre con seminarios de posgrado sobre solo impulso, o solo SVM, o solo regresión, o solo MDP, o solo modelos PAC, etc.
