|
|
本帖最后由 冰点也疯狂 于 2019-7-16 11:06 编辑 - I0 K- F, b+ E, n; O5 @- S4 o, C
0 ~! R/ [) U1 }* n
课程介绍：
( X( h9 d7 g" p; [《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。
$ F$ r6 K ], F( H3 T- _7 B7 [8 s: k: i( H0 Q$ q5 c; z; f
课程目录：; p, K$ L9 H5 i9 }* F7 F4 X" N
第一章 概述8 z# P$ B& O5 T' q3 i/ t
1.机器学习定义和典型应用
2 D% ?( S" p& c" w; G3 X( X5 G' ]7 R2.机器学习和人工智能的关系: D& C0 Z; {7 `
3.深度学习方法和其它人工智能方法的共性和差异4 ~8 z* e. g, G( z
4.机器学习和数据挖掘的关系) U4 ?8 x2 W. U
5.机器学习和统计学习的关系7 c; W& [/ ~: s2 T% ]
6.机器学习的发展历程
4 @/ s1 l' m& J3 L) m) H7.大数据机器学习的主要特点8 y' y2 m5 ?2 u7 K/ ]
* V) k" o* _ D* |( L+ Q
第二章 机器学习基本概念, S/ @. u5 ~! c$ ?! m6 U" Q" f% D
1机器学习的基本术语
1 q1 `& V( c) N0 v% `# t2.监督学习
, s- c% x# M6 [% W' f3.假设空间
& }3 n' ^, J. C& K( M4.学习方法三要素
: M& z, I9 O# Y, g& V% g$ a* _5.奥卡姆剃刀定理" |4 H7 N- [6 S; M# T6 m
6.没有免费的午餐定理
U* _ Y& D% B! s. m" L7.训练误差和测试误差" H+ }* f, K2 w) q. h5 j
8.过拟合与模型选择' W8 P' M( a2 ~" U
9.泛化能力
U" A8 \2 B& s+ K9 d2 T10.生成模型和判别模型
6 E0 m4 T" }" |7 \9 ~. N$ ^, { J; K" u* d2 b( a9 _3 o/ d) a
第三章 模型性能评估9 {; u ~0 Z1 A
1.留出法: N+ y" `8 r! j
2.交叉验证法
1 `# b! I$ e9 Y1 L3.自助法" {7 R3 f/ y: E) b# i$ E
4.性能度量. S/ i6 t& w. @/ X' l5 t: w4 {6 h
5.PR曲线! B" I5 C' x& Y' J5 g( x* E
6.ROC和AUC曲线
+ y( O6 [ I( d, J7.代价敏感错误率' c4 r* B7 z3 c+ H; @5 {
8.假设检验
0 Q' M1 S! F7 i2 c( I! o9.T检验' p% J& N' i6 _, c9 I9 |
10.偏差和方差
- h# c4 D+ }6 r5 h
0 ^7 w. }, `2 P a& W# [4 a! ^2 V第四章 感知机2 s" Y2 v3 K5 C+ E6 U* Z
1.感知机模型( k/ v3 M6 U3 ~1 v
2.感知机学习策略4 Z, y' H- s% D. _4 o
3.感知机学习算法
9 c4 U0 b# s+ \: D7 B
) Y% K4 ^- h1 x9 T第五章 聚类# ]& ^, a j |% O; ^0 |
1.原型聚类描述
4 R& `1 G! R. S& V2.性能度量
% v7 n: q/ H$ N9 q9 C5 O4 @ i3.1原型聚类 k均值算法- W5 p0 b. R8 d9 I
3.2 原型聚类 学习向量算法 _" d, r4 N' `" B
3.3 原型聚类 密度聚类8 s* v4 C+ k0 G" [+ }
3.4原型聚类 层次聚类* p ?) |# I" h4 p# R
6 E" U. R# i6 b6 `2 a4 H* ]
第六章 贝叶斯分类器及图模型& ] y7 U( Z( f+ T% s! c' q
1.综述( u2 Z# b: O$ a
2.概率图模型$ d. H$ m5 _+ |$ h$ h9 \& v/ l D3 ?
3.贝叶斯网络' P. h! R) f7 H* t$ ^/ P7 ~: I3 L
4.朴素贝叶斯分类器
$ K: H1 v. |4 }+ f/ e4 C1 ]/ z5.半朴素贝叶斯分类器# R L2 V1 C. R& ]# @: e
6.贝叶斯网络结构学习推断+ A8 f, S) ?% f. h
7.吉布斯采样+ n# W& a4 Y/ T+ d4 }3 Q3 g
1 n3 }, Y# Z% B, l第七章 决策树和随机森林
7 x L( X) c+ X- f' n, [0 f+ H h! K开头) v+ ~6 K8 @% M5 F0 C9 o* [) I
1.决策树模型与学习基本概念
* B$ F8 c, m- z q; [/ k( m$ q2.信息量和熵
3 D& n" ~7 N5 K# l# o3.决策树的生成
4 L4 y# {/ F2 |$ b$ x$ A/ {& R0 `4.决策树的减枝
7 D1 A2 |1 z- y5 j$ J2 H1 V6 z+ S5.CART算法: I/ W3 y8 ~% I: c9 ^/ J
6.随机森林 p y! U8 o! h0 [
. X& W7 f4 k: c7 Y
第八章 逻辑斯谛回归与最大熵模型
, V4 ]2 ?* i2 @. t2 b- j' X9 B9 I简介) }4 [: z8 D6 g2 ]1 |6 d
1.逻辑斯谛回归模型
3 N" s% K' u) e' u2.最大熵模型2 F+ W0 S5 \: H9 o# G1 M2 O0 }/ H
3.模型学习的最优化方法
7 }& R; T5 J, { l
( E& _" i, i/ J" j- a5 S" G. x% [& h第九章 SVM
n7 w i2 m2 Z! X5 H0 q! A* Q1.开头% ]& f0 F- K. I0 A5 k9 z
2.SVM简介4 _9 D: j5 ~: O% ^% C% @$ |
3.线性可分支持向量机
* e4 e! r! i! s |4. 凸优化问题的基本概念
$ D1 ]. ]$ ?5 {) v6 H0 l+ D5.支持向量的确切定义8 x! {" q- g7 J! w
6.线性支持向量机1 c( d2 P. }" E
. |) B D7 f2 d2 ~8 S0 ^第十章 核方法与非线性SVM: [9 u! f$ r3 t" l# b9 F
开头! l. ^, s2 G$ u8 F# I+ Q
1.泛函基础知识* u, w; p7 c5 T+ z
2. 核函数和非线性支持向量机( D; J7 G- Y" B/ {$ y( O. V, _
3. 序列最小最优化算法
2 A" i4 K; u. ?, j' P* L! Q% C
; `& h5 N% v4 d) G4 @" }" b. `6 w第十一章 降维与度量学习
* h8 f9 o/ a& _% n! a8 ^9 D8 A( U开头" l+ W1 h. f2 `7 E. N0 Y
1. k近邻学习/ H% Z5 v! n! K U* X! O
2. 降维嵌入
8 y+ {' X3 j7 I/ N7 @, _9 n( s9 g5 ]3. 主成分分析
9 ^) J- Y: K. o: G4. 核化线性降维
3 x" t# R7 ~# S1 F' O$ ^5. 流型学习和度量学习
0 l7 p* |3 e# X5 P7 Z7 O2 k5 o3 w/ }" l s
第十二章 提升方法1 E) b5 R8 B: p$ S( h) | V) Q
1. 提升方法Adaboost算法) U# C& \: T) W0 J: a
2. Adaboost算法的训练误差分析& g* k* S# K# f
3. Adaboost算法的解释! I6 B+ N! j$ J O( ]# C
4. Adaboost的实现
0 [0 C* l0 ^5 g. T* l l' ~& P% A: g) a- P
第十三章 EM算法及混合高斯模型
2 `! o5 o, e: t' I" n* U开头
) X( r5 [2 K: j; V! t7 T1. 问题提出
# S/ B, d2 X# r9 Q; s: N2. EM算法的引入( ]1 {! W4 A$ `* _+ J& N$ W
3. EM算法的收敛性" V/ P: E( a: K/ @: V$ I9 ^, y
4. EM算法在高斯混合模型学习中的应用2 G4 a9 `" A+ }( d) a
5. EM算法的推广
) N( X4 x# R% p z }" w5 k: W$ l% y, R, y' M
第十四章 计算学习理论
% H) `* O! f4 A开头4 q3 e5 H" M6 X
1. 计算学习理论的基础知识
! ?5 j7 U0 |. F2. 概率近似正确学习理论
* X& _+ \0 m! {3 ]3. 有限假设空间
5 h$ y: Y8 i3 L2 B1 ^7 l4. VC维
) F$ x8 t& u1 C7 v; u5. 学习稳定性9 ?+ g! r5 S( X9 ^3 p, p; q3 x# i) O. z
. e" h# E( \8 ?( K第十五章 隐马尔可夫模型3 q8 a2 R0 i- s1 p8 a7 F" G0 T, x
开头" g# d% }5 S. k* Q
1. 隐马尔科夫模型的基本概念
$ y+ c V6 k" U: T2. 概率计算算法( z9 a0 P3 E L, _2 W4 d( H# B
3. 学习算法
- y D5 u( b2 U8 G1 X5 B( ]' W; ^4预测算法
! z( Y, S; i6 q
4 [. s+ |! X8 f第十六章 条件随机场
, z5 y! z2 l- e开头
) d% ^; }/ b; J$ l1 Z1.概率无向图模型
( K; X% e* `) Z L" r2.条件随机场的定义与形式! [- ^0 b* ^1 y5 Z% J& L& Q3 A* z
3.条件随机场的计算问题: `# [" ^! {" G/ ^5 R; E5 i% e4 W. ]
4.条件随机场的学习算法1 m/ G4 n e: p& {6 S! U* k+ a
5.条件随机场的预测算法
1 i* n& n9 i6 m3 _* U0 g4 k7 C: y& f! W' m; k
第十七章 概率图模型的学习与推断2 L3 o) P& j0 s1 _8 q8 D" `8 a
开头
8 O( H$ l- i. `* L) f, U1.精确推断法：变量消去法和信念传播法0 J, ~' v5 A4 E! I1 L9 z' C$ k
2.近似推断法：MCMC和变分推断
# y4 }" H" \3 e9 d; Q- A, w1 r
* a2 w$ F h* V! Q第十八章 神经网络和深度学习
+ w) |. e8 g2 q9 i1.神经网络的发展历程
. z% ^+ l+ m! {8 X5 z6 z: a# b2.神经网络的基本概念以及常见的神经网络(一）' c7 x2 P' r" l) r2 v
3.神经网络的基本概念以及常见的神经网络(二）0 e( U9 O0 s3 H/ r
4.玻尔兹曼机( h+ p, r( B) ?" @
5.深度学习2 o3 R& |7 W% ?# h& ^0 b
$ J) X+ L a5 ?7 I# q% J第十九章 深度学习正则化方法) `, j! ?4 X, N6 {) i! n/ m
1. 深度学习简介和架构设计- o' n' Z: p! M8 M# e2 q! o
2. 计算图形式的反向传播算法+ |1 o' r3 s3 ~
3.深度学习的正则化方法（一）% M( V: R: k5 ^% Z! V9 i' @
4.深度学习的正则化方法（二）# {- i- [$ K5 z9 j }
6 V; {& m- v+ ]1 R6 j: A
第二十章 深度学习优化方法1 \6 q/ T6 D8 J9 |
1.深度学习的优化问题
$ v# ~7 G8 R: Q5 U. R8 f# _2 H1 S2.神经网络优化的挑战& I- g! Z) y8 |% A7 @) @ Y: @ b
3.神经网络的优化算法) g% k; W/ D: i( W- G' J
4.相关策略* ^; r. L0 _* T* ]1 F9 w: K/ y8 T
/ t5 o y% D& A# y( s$ U |
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