|
|
本帖最后由 冰点也疯狂 于 2019-7-16 11:06 编辑
+ O8 N3 U. t3 F. s- X& n& ?8 ~) f
; A6 H& B+ l+ b! a课程介绍：9 d% C, e2 W2 F G6 C
《大数据机器学习》课程是面向信息学科的高年级本科生或研究生开设的基础理论课，目的是培养学生深入理解大数据机器学习理论基础，牢固掌握大数据机器学习方法，并能够解决实际问题等综合能力。课程的主要内容包括：统计学习基本理论，机器学习基本方法，深度学习理论和方法。2 l* ?' `( i( ^) E$ e3 B
: h7 y V, E) u课程目录：
8 ^$ W/ R; n% I: q C( s第一章 概述
7 W3 s8 ~" n+ F1 g) M: b1.机器学习定义和典型应用
& @% @9 z% m( o& G8 _- H% t2.机器学习和人工智能的关系
- ]: o. N4 Z: g% k! K3.深度学习方法和其它人工智能方法的共性和差异
$ ~0 u: g+ \0 t% ]! D% I* S4.机器学习和数据挖掘的关系
3 p- k7 {, a! C5 r5.机器学习和统计学习的关系
% I, S3 i3 v- d/ k; n5 o6.机器学习的发展历程
, V) h* L Z& A9 \7.大数据机器学习的主要特点9 z2 g. [) R: z* [' M& I4 B
7 M. e5 U6 S. \7 }1 g9 r0 h第二章 机器学习基本概念$ C7 d! O) o5 ~
1机器学习的基本术语
4 g4 N0 x/ b3 u3 ^2.监督学习) n& e0 S R: h. B* y, B+ _3 I
3.假设空间
( S6 d* l W8 n1 @ N4.学习方法三要素
$ Q. J" n& Z. ]) _5.奥卡姆剃刀定理
' \! C" W' i0 t Q: Y/ H, g6.没有免费的午餐定理
" ]/ Q/ f+ a9 \2 s( V7.训练误差和测试误差+ z0 o6 O7 [2 z3 s1 R
8.过拟合与模型选择& ?) L7 x% }% v. p) Y' ^/ @- g F* g
9.泛化能力7 @$ a' V. ], h
10.生成模型和判别模型& j5 t6 P8 H6 | a0 P5 A0 r
( [4 ?3 g* r. S P) w第三章 模型性能评估
/ h3 Z5 ]/ b, F1.留出法
9 m. x( ], g9 w- o( t$ M2.交叉验证法
" Q" t8 P4 m! @ V8 q4 I3 P3.自助法
" ]8 z' h5 x3 P$ T' y4.性能度量
4 U. q% i1 t. x9 h/ H) a( @1 x5.PR曲线
& t( P- I% e# ]1 u0 ?' n6 I, |6.ROC和AUC曲线
5 Y' w1 q8 e1 k7.代价敏感错误率
) M) }7 W8 V: P4 D: G2 ]$ H8.假设检验1 V' r$ ?+ x2 T4 Q2 _9 b* G0 A7 @
9.T检验1 k+ S% H1 A4 |, N2 I( }
10.偏差和方差; e- ^) c$ Y* V
^" Q* v n. a/ _4 Q! ?* q, b第四章 感知机- Z. V( ? I: l Y8 G+ b0 B
1.感知机模型) g5 [; @+ M6 O4 g: e% @
2.感知机学习策略& a2 q( [* [/ f3 u% \, r
3.感知机学习算法
4 ~0 q9 G! G) G. E" W% P2 l" ^" E& g' }" l- k$ C1 g! Q7 R
第五章 聚类
5 v7 r @$ ~4 i8 g" J' ~0 }4 H1.原型聚类描述1 m+ t/ }& \% b X# V2 y. W
2.性能度量
]6 `9 x! @, A6 Y8 O! B# v/ b3.1原型聚类 k均值算法: o. I/ { i$ O
3.2 原型聚类 学习向量算法2 M% O u* n5 p4 h2 ?
3.3 原型聚类 密度聚类* }/ H- q* {; _ n
3.4原型聚类 层次聚类
5 }2 b! g, X+ y& R$ M9 D' R+ Q/ v
第六章 贝叶斯分类器及图模型* p/ K9 f2 j4 d8 [& b
1.综述
8 r/ \2 c5 G, `& [2.概率图模型, p( r; c* Q0 G: P( ^
3.贝叶斯网络
' z. t& A. \2 u K0 Y& w) ~0 K4.朴素贝叶斯分类器# M0 E) `* K0 e2 @/ I* D
5.半朴素贝叶斯分类器
- p( D: I2 M) V7 Y$ l$ W" U& F6 k6.贝叶斯网络结构学习推断; A ?1 E9 i: b) @% Z# I0 o
7.吉布斯采样$ k6 [- w2 Y% w+ r
3 J8 s+ P4 e0 l9 t% \第七章 决策树和随机森林
) d& \2 F8 }( D5 A; W4 t" q开头2 L! F4 V0 m: T) y
1.决策树模型与学习基本概念7 V Q Z% g" E- P
2.信息量和熵$ `. \; {8 q# O# K
3.决策树的生成
' s7 i3 [* @3 B+ N- `: {4.决策树的减枝. w& U1 v% a3 g" e( v+ c& T
5.CART算法
9 p* k0 S2 N# ?$ l* r4 W$ u$ H6.随机森林 r7 A/ R% U+ S/ S% u
% E3 W/ K' g7 e$ b8 X' Z f$ G9 o
第八章 逻辑斯谛回归与最大熵模型 g% o7 B8 m- m+ q# r" E! n4 o
简介8 F/ f0 i& ~! r. z4 K/ W9 A
1.逻辑斯谛回归模型9 N! g% [: C7 D0 V0 d: L4 N
2.最大熵模型' Q2 C8 R9 {" O3 d& C8 `( `( R7 n/ Y
3.模型学习的最优化方法6 N3 p; e2 r [
/ o$ n/ P5 S: R5 }# {
第九章 SVM
, a/ O# r% R" B& G7 E+ x* b1.开头
* U' I- @ |8 Y) w5 M6 o2.SVM简介
4 G; L7 T& G: w( m" E$ S) L+ R3.线性可分支持向量机
+ v7 c8 A( n; Z% z. E4. 凸优化问题的基本概念
5 I/ F/ a3 W6 W* l/ x: h. N8 B5.支持向量的确切定义: l/ ]4 E9 p7 a" n$ r
6.线性支持向量机2 _9 H5 |7 x% q+ z* @' m/ j. X
% o" F8 ^: r6 Q8 p s, c第十章 核方法与非线性SVM
, y4 I: x" @! y开头
. h- Y. W& l1 ]+ [% V2 P" N4 h1.泛函基础知识1 Y! c# e# d& P0 _* U* I' T
2. 核函数和非线性支持向量机6 c; s3 @, J& O4 U! c( Q9 N1 v
3. 序列最小最优化算法2 D0 Z3 i" B" C+ a% V6 V7 V1 V5 l
. Q" O' i2 G8 P4 |0 X0 c
第十一章 降维与度量学习1 ~' W. L9 G4 H9 d2 z( N
开头
# L! T" w. }% `2 f1. k近邻学习8 f% ~( Q1 L* y2 ?0 ~1 [
2. 降维嵌入2 Z4 K9 O* u/ |. F5 D# C7 \- c5 I
3. 主成分分析! @) b: Q$ ~5 ]
4. 核化线性降维/ }. D# A: c& n# Y$ ?$ l0 C
5. 流型学习和度量学习0 P, L. P& M2 A6 V* ?2 A* C9 ^
6 [+ w% D. L1 I5 F" F
第十二章 提升方法
# e: @8 v ?( p3 p6 v7 a' X" A2 P- P1. 提升方法Adaboost算法
y1 n! D; R- v2. Adaboost算法的训练误差分析/ R3 z6 W" r2 C: x- E$ J; k6 l: |
3. Adaboost算法的解释
: v* O- Q3 s% o' Y( ~4. Adaboost的实现
# a0 l" j4 ^0 N8 E% P9 [ w2 n' f: w
第十三章 EM算法及混合高斯模型
7 U+ X7 M. \! v, X开头1 E8 M( z4 x: v+ F7 O5 H
1. 问题提出, i: @1 C) t/ Z) k
2. EM算法的引入3 D4 u6 G2 f) J' _; q% D# ^9 W! V
3. EM算法的收敛性
# f. ~- C# e4 }) A$ b1 Y# m4. EM算法在高斯混合模型学习中的应用
$ U* J8 R8 }+ X5 n9 @5. EM算法的推广
' r4 P" }% U# w$ p( Q' V( G. Z. o& ?8 _% M4 ?" J9 N) u
第十四章 计算学习理论
+ b0 N- l: B) O% u开头1 x: b1 [* p2 \, U; E: I$ H6 N
1. 计算学习理论的基础知识
. g2 L0 Q6 b" ~, }2. 概率近似正确学习理论; G3 J& C; }" V' k
3. 有限假设空间( f3 G2 X4 i( M! }7 v
4. VC维
' \0 y) a& b5 V3 M& U5. 学习稳定性' E5 V! t1 Z+ H& \: y
( ]1 ]/ U; T( x! T
第十五章 隐马尔可夫模型) q$ X/ U+ I4 v1 f. p$ l
开头
) h& p y' n0 W0 v( l1. 隐马尔科夫模型的基本概念
9 m* E# Q& p' F6 W# H2. 概率计算算法5 n3 |4 n! z, I: |4 y1 _5 ]
3. 学习算法) k6 i% i n' l' ^
4预测算法/ v# M, _5 ]8 [
% ^) R' p( S% ^& n+ ?$ g
第十六章 条件随机场
8 C) O9 J8 P/ `) ?; |$ N开头6 Q- \- w! Q8 g5 N
1.概率无向图模型
2 ^, x; R9 L* u/ f" m, c5 I8 Z2.条件随机场的定义与形式( s1 U0 I$ z+ Y
3.条件随机场的计算问题
4 B% G% o' K& {4 R' Q; H' V4.条件随机场的学习算法
0 t9 z) w$ z# n4 k% c5.条件随机场的预测算法$ a4 j) ~+ g5 Q- s( ~+ @4 ^
' j% Z. \- N2 i" s. [3 g1 i2 _1 D! j
第十七章 概率图模型的学习与推断
/ [8 b5 F6 F, I$ ]开头4 S: b* p- o `! p, F7 ?6 b
1.精确推断法：变量消去法和信念传播法
* G5 Y" j6 W/ u* S* o1 `2.近似推断法：MCMC和变分推断
9 e) J/ j4 t: \; x' q! N: K" D4 Y+ d, |) a
第十八章 神经网络和深度学习
3 D1 g& x, R6 s; }2 B/ [1.神经网络的发展历程
' ^) b+ S# i( D7 B i9 Z2.神经网络的基本概念以及常见的神经网络(一）/ ?" q2 D3 ~8 U1 w4 E. t
3.神经网络的基本概念以及常见的神经网络(二）
/ t5 k: ^3 j* S2 w6 E: D5 {" {; J4.玻尔兹曼机
# z U+ @. k6 E( ^7 h, N5.深度学习" |9 G- M; Y2 P7 M- m2 C" O
6 s2 O# T) w$ @, Y
第十九章 深度学习正则化方法0 @! o0 @8 g W4 D$ f7 F
1. 深度学习简介和架构设计4 @6 [. }7 l" n
2. 计算图形式的反向传播算法
W3 Y& c3 j- c4 `$ U/ \# r- P3.深度学习的正则化方法（一）
% P. |* E+ o' V3 x, I1 T/ M g4.深度学习的正则化方法（二）
& Y" j1 j8 G8 |. c% q$ C% Q3 Y& ` z9 f' M. ~) _
第二十章 深度学习优化方法- q9 u |5 i4 r: U2 Y
1.深度学习的优化问题- D" b5 X" ?# G
2.神经网络优化的挑战: N# g4 B) X$ I+ }) w& {5 S- g% y
3.神经网络的优化算法9 S! g6 L/ C T$ M) [# B
4.相关策略
" s5 I% D/ B# Q( _
T- H" S6 Z; ^ |
本帖子中包含更多资源
您需要 登录 才可以下载或查看，没有账号？立即注册
×
|
/1 
|小黑屋|Archiver|手机版|一路学IT论坛 专业视频教程网站
窥视卡
雷达卡
发表于 2019-7-16 10:54:51
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
显身卡
发表于 2019-7-19 01:30:56