「スタンフォード大学と一緒に無料でコンピュータ科学における確率を学びましょう」
「無料で、スタンフォード大学と一緒にコンピュータ科学の確率を学ぼう！」
コンピュータサイエンスの世界に潜り込んだり、確率知識をアップデートしたりする必要がある方々にとって、お楽しみがあります。スタンフォード大学は最近、CS109コースのYouTubeプレイリストを新しいコンテンツで更新しました！
このプレイリストには、29の講義が含まれており、確率理論の基本知識、確率理論の重要な概念、確率を分析するための数学的ツール、そしてデータ分析と機械学習に至るまでの知識を提供します。
さあ、始めましょう…
講義1：数え上げ
リンク：数え上げ
確率の歴史について学び、現代のAIの開発においてどのように役立っているかを、AIシステムを開発する実際の例を交えて理解します。基本的な数え上げのフェーズ、『ステップ』を使った数え上げや『または』を使った数え上げなどを理解します。これには、人工ニューラルネットワークなどの領域や、研究者が確率を使用して機械を構築する方法などが含まれます。
講義2：組合せ数学
リンク：組合せ数学
2つ目の講義では、数え上げのさらなる本格的なレベルについて説明します – これを組合せ数学と呼びます。組合せ数学は、数え上げと並べ替えの数学です。n個のオブジェクトについての数え上げタスク、オブジェクトの並べ替え（順列）やk個のオブジェクトの選択（組み合わせ）、そしてr個のバケツにオブジェクトを配置するなどを掘り下げて学びます。
講義3：確率とは？
リンク：確率とは？
この講義で、確率の基本ルールについて学びます。幅広い例やPythonプログラミング言語の紹介と確率の利用について触れます。
講義4：確率とベイズ
リンク：確率とベイズ
この講義では、条件付き確率、連鎖規則、総確率の法則、ベイズの定理の使い方について学びます。
講義5：独立性
リンク：独立性
この講義では、確率が相互排他的であり独立している場合について学びます。AND/ORを使った例をいくつか取り上げ、理解を深めます。
講義6：ランダム変数と期待値
リンク：ランダム変数と期待値
前回の講義と条件付き確率と独立性の知識に基づいて、この講義ではランダム変数について深く掘り下げ、ランダム変数の確率質量関数を使用および生成し、期待値を計算することができます。
講義7: 分散 ベルヌーイ ビノミアル
リンク: 分散 ベルヌーイ ビノミアル
あなたは今、より難しい問題を解決するために知識を活用することになります。この講義の目標は、二項分布のランダム変数とベルヌーイ分布のランダム変数を認識して使用し、ランダム変数の分散を計算することです。
講義8: ポアソン
リンク: ポアソン
ポアソン分布は、発生回数に関心があり、レートが与えられた場合に優れた分布です。Pythonのコード例とともに、さまざまな側面での使用方法について学ぶことができます。
講義9: 連続確率変数
リンク: 連続確率変数
この講義の目標は、新しい離散確率変数の使用に慣れ、確率を得るための密度関数の積分、および確率を得るための累積関数の使用です。
講義10: 正規分布
リンク: 正規分布
正規分布について以前に聞いたことがあるかもしれませんが、この講義では正規分布の簡単な歴史、その重要性、実際の例について学びます。
講義11: 連立分布
リンク: 連立分布
前の講義では、最大で2つのランダム変数を扱いましたが、次の学習ステップでは、任意の数のランダム変数に対して学ぶことになります。
講義12: 推論
リンク: 推論
この講義の学習目標は、多項分布の使用方法を学び、対数確率の有用性を理解し、ランダム変数でベイズの定理を使用することです。
講義13: 推論 II
リンク: 推論 II
前回の講義でベイズの定理と確率変数の組み合わせを学んだ学習目標は継続されます。
講義14: モデリング
リンク: モデリング
この講義では、これまでに学んだことをまとめて、現実の問題に関連付けます。確率的モデリングとは、ランダムな複数の確率変数を組み合わせることです。
講義15: 一般推論
リンク: 一般推論
一般推論に深く入り込み、特に「棄却サンプリング」というアルゴリズムについて学びます。
講義16: ベータ
リンク: ベータ
この講義では、実際の問題を解決するために使用される確率のランダム変数について詳しく学びます。ベータは、範囲が0から1までの確率分布です。
講義17: ランダム変数の加算
リンク: ランダム変数の加算 I
このコースのこの時点では、理論的考察が進んでおり、ランダム変数の加算は確率の理論の結果を得る方法の導入です。
講義18: 中心極限定理
リンク: 中心極限定理
この講義では、確率における重要な要素である中心極限定理について詳しく学びます。具体的な例を通じて概念を理解します。
講義19: ブートストラップとP値
リンク: ブートストラップとP値 I
不確実性の理論、サンプリング、ブートストラップに移行します。これは中心極限定理に触発されたものです。具体的な例を通じて学びます。
講義20: アルゴリズム解析
リンク: アルゴリズム解析
この講義では、アルゴリズムの解析についてより詳しく学びます。アルゴリズムの計算量の算出プロセスです。
講義21: M.L.E.
リンク：M.L.E.
この講義では、パラメータ推定について掘り下げていきます。これにより、機械学習に関するより多くの知識を得ることができます。これは、確率の知識を機械学習と人工知能に適用する場所です。
講義22：M.A.P.
リンク：M.A.P.
私たちはまだ確率の基本原理を機械学習にどのように適用するかの段階にいます。この講義では、機械学習における確率と確率変数に関するパラメータに焦点を当てます。
講義23：ナイーブベイズ
リンク：ナイーブベイズ
ナイーブベイズは、まず深く学ぶ機械学習アルゴリズムです。パラメータ推定の理論について学んだ後、ナイーブベイズなどの中核となるアルゴリズムがどのようにニューラルネットワークのようなアイデアにつながるかについても学びます。
講義24：ロジスティック回帰
リンク：ロジスティック回帰
この講義では、分類タスクに使用されるロジスティック回帰という2番目のアルゴリズムについて詳しく学びます。
講義25：ディープラーニング
リンク：ディープラーニング
機械学習に深く入り込んできたあなたにとって、この講義は既に学んだ内容に基づいてディープラーニングについてさらに詳しく説明します。
講義26：フェアネス
リンク：フェアネス
私たちは機械学習が日常生活に実装されている世界で生きています。この講義では、倫理を重視した機械学習の公正性について探求します。
講義27：高度な確率
リンク：高度な確率
あなたは確率の基本について多く学び、それをさまざまなシナリオで応用し、機械学習アルゴリズムとの関連性を理解しました。次のステップは、確率についてより高度な内容に進むことです。
講義28：確率の未来
リンク：確率の未来
この講義の学習目標は、確率の使用方法と、確率が適用できるさまざまな問題について学び、これらの問題を解決する方法を学ぶことです。
講義29：最終レビュー
リンク：最終レビュー
そして最後に、最後の講義です。他の28の講義を総括し、不確実性に触れることになります。
まとめ
学習の旅に適した良質な教材を見つけることは難しいです。このコンピュータサイエンスの確率の教材は素晴らしく、確率の概念を不確かだったり補完が必要な場合に役立つでしょう。
****[Nisha Arya](https://www.linkedin.com/in/nisha-arya-ahmed/)****はデータサイエンティスト兼フリーランスのテクニカルライターです。彼女は特にデータサイエンスのキャリアアドバイスやチュートリアル、理論に基づくデータサイエンスの知識を提供することに興味を持っています。また、人間の寿命の長さに人工知能がどのように恩恵をもたらすかを探求することも望んでいます。彼女は積極的な学習者であり、他の人々をガイドする一方で、技術的な知識と執筆スキルを広げることを求めています。
We will continue to update VoAGI; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
