Belajar Probabilitas dalam Ilmu Komputer dengan Universitas Stanford Secara Gratis

Probabilitas merupakan salah satu elemen dasar dalam ilmu komputer. Beberapa bootcamp mungkin hanya menyentuh topik ini secara singkat, namun pemahaman yang mendalam tentang probabilitas sangat penting dalam pengetahuan ilmu komputer Anda. Berita baiknya, Universitas Stanford baru-baru ini memperbarui daftar putar YouTube untuk kursus CS109 mereka dengan konten baru!

Rangkaian Kuliah Probabilitas

Daftar putar ini terdiri dari 29 kuliah yang memberikan pengetahuan dasar tentang teori probabilitas, konsep-konsep penting dalam teori probabilitas, alat matematika untuk menganalisis probabilitas, dan berakhir dengan analisis data dan Pembelajaran Mesin.

1. Kuliah 1: Penghitungan - Pelajari sejarah probabilitas dan bagaimana hal itu membantu kita mencapai AI modern, dengan contoh nyata pengembangan sistem AI.
2. Kuliah 2: Kombinatorika - Menyelami tugas penghitungan pada n objek, melalui pengurutan objek (permutasi), memilih k objek (kombinasi), dan menempatkan objek dalam r ember.
3. Kuliah 3: Apa itu Probabilitas? - Mulai menyelami probabilitas dengan mempelajari aturan-aturan inti probabilitas dengan berbagai contoh.
4. Kuliah 4: Probabilitas dan Bayes - Belajar menggunakan probabilitas bersyarat, aturan rantai, hukum total probabilitas, dan teorema Bayes.
5. Kuliah 5: Independensi - Mempelajari probabilitas dalam hal eksklusifitas dan independensi, menggunakan AND/OR.
6. Kuliah 6: Variabel Acak dan Harapan - Berdasarkan kuliah sebelumnya, kuliah ini menyelami variabel acak, menggunakan dan menghasilkan fungsi massa probabilitas dari variabel acak, dan menghitung harapan.
7. Kuliah 7: Varians Bernoulli Binomial - Menggunakan pengetahuan untuk menyelesaikan masalah yang lebih sulit.
8. Kuliah 8: Poisson - Belajar tentang distribusi Poisson yang digunakan dalam berbagai aspek dengan contoh kode Python.
9. Kuliah 9: Variabel Acak Kontinu - Menjadi nyaman menggunakan variabel acak diskrit baru, mengintegrasikan fungsi kepadatan untuk mendapatkan probabilitas, dan menggunakan fungsi kumulatif.
10. Kuliah 10: Distribusi Normal - Sejarah singkat distribusi normal, apa itu, mengapa penting, dan contoh praktis.
11. Kuliah 11: Distribusi Bersama - Bekerja dengan 2 variabel acak pada sebagian besar kuliah sebelumnya, langkah selanjutnya adalah belajar tentang sejumlah variabel acak.
12. Kuliah 12: Inferensi - Bagaimana menggunakan multinomial, menghargai utilitas probabilitas log, dan menggunakan teorema Bayes dengan variabel acak.
13. Kuliah 13: Inferensi II - Melanjutkan pembelajaran dari kuliah sebelumnya tentang menggabungkan teorema Bayes dengan variabel acak.
14. Kuliah 14: Pemodelan - Mengambil semua yang telah dipelajari sejauh ini dan menempatkannya dalam perspektif tentang masalah kehidupan nyata - pemodelan probabilistik.
15. Kuliah 15: Inferensi Umum - Menyelami inferensi umum, khususnya belajar tentang algoritma yang disebut penolakan sampling.
16. Kuliah 16: Beta - Menyelami variabel acak probabilitas yang digunakan untuk menyelesaikan masalah dunia nyata.
17. Kuliah 17: Menambahkan Variabel Acak - Belajar tentang teori mendalam dan menambahkan variabel acak sebagai pengantar untuk mencapai hasil teori probabilitas.
18. Kuliah 18: Teorema Batas Pusat - Menyelami teorema batas pusat yang merupakan elemen penting dalam probabilitas.
19. Kuliah 19: Bootstrapping dan P-Values - Bergerak ke teori ketidakpastian, sampling, dan bootstrapping.
20. Kuliah 20: Analisis Algoritmik - Menyelami lebih dalam ilmu komputer dengan pemahaman mendalam tentang analisis algoritma.
21. Kuliah 21: M.L.E. - Menyelami estimasi parameter, memberikan pengetahuan lebih lanjut tentang pembelajaran mesin.
22. Kuliah 22: M.A.P. - Fokus pada parameter dalam pembelajaran mesin mengenai probabilitas dan variabel acak.
23. Kuliah 23: Naive Bayes - Naive Bayes adalah algoritma pembelajaran mesin pertama yang akan dipelajari secara mendalam.
24. Kuliah 24: Regresi Logistik - Menyelami algoritma kedua yang disebut regresi logistik yang digunakan untuk tugas klasifikasi.
25. Kuliah 25: Pembelajaran Mendalam - Menyelami lebih dalam tentang pembelajaran mendalam berdasarkan apa yang telah dipelajari.
26. Kuliah 26: Keadilan - Melihat ke dalam keadilan di sekitar pembelajaran mesin, dengan fokus pada etika.
27. Kuliah 27: Probabilitas Lanjutan - Mendapatkan pengetahuan lebih lanjut tentang probabilitas.
28. Kuliah 28: Masa Depan Probabilitas - Belajar tentang penggunaan probabilitas dan berbagai masalah yang dapat dipecahkan dengan probabilitas.
29. Kuliah 29: Ulasan Akhir - Mengulas semua 28 kuliah sebelumnya dan menyentuh ketidakpastian apa pun.

Penutup

Menemukan materi belajar yang baik bisa menjadi tantangan. Materi kursus probabilitas untuk ilmu komputer ini luar biasa dan dapat membantu Anda memahami konsep-konsep probabilitas yang mungkin belum Anda pahami atau memerlukan pembaruan.

diterjemahkan dari Nisha Arya, se