|
|
本帖最后由 冰点也疯狂 于 2019-7-16 11:06 编辑 8 A" X4 K' S5 o4 k
! }0 y* h6 Q' }+ o+ a4 U5 H5 W2 L课程介绍：
# [0 M( ^: q' T《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。8 L" a- R( E( l; M( _2 ^
/ ^" w* R; M( ~" _2 u
课程目录：
. Z+ X+ u, [. N3 d$ h第一章 概述
4 n( n7 e7 M8 m1.机器学习定义和典型应用- W* H* ]6 r3 v3 I
2.机器学习和人工智能的关系0 C+ m* n; Z J0 A
3.深度学习方法和其它人工智能方法的共性和差异' y. D. \3 e* j8 E3 n! Q& U
4.机器学习和数据挖掘的关系* h; Y8 O8 p7 o+ P1 t- W9 _9 E
5.机器学习和统计学习的关系
& a& E2 Y; v2 h2 o J% ~, t& a6.机器学习的发展历程- h1 W; v7 _4 M, u2 t B
7.大数据机器学习的主要特点, V2 a$ K0 {& ^
% Q( ]% L) ]7 A- {2 R9 R第二章 机器学习基本概念
) R" t3 H" q; Z. |# }$ d1机器学习的基本术语
$ G; ]0 E3 m R7 M; e7 A1 `: q2.监督学习* q5 L7 q* V) n6 g/ j3 [; `
3.假设空间7 s( O1 I$ J! Z9 Y6 A/ e. X! M
4.学习方法三要素
0 i+ m4 z! H6 [1 Q( l1 T* S4 l5.奥卡姆剃刀定理, i: z2 H0 _# _7 m
6.没有免费的午餐定理
# P* \! P; {: v4 I$ E/ @$ K5 c7.训练误差和测试误差4 W. o/ S9 l: [7 T! h- s) l
8.过拟合与模型选择
7 I! E4 }3 j& P4 k9.泛化能力; m# }/ \6 Z, J" F) a' X1 m
10.生成模型和判别模型
3 e6 |% z- q+ B7 V/ [- q5 I% P" {7 |$ u# w6 H
第三章 模型性能评估- _0 K5 }* B$ K0 v+ U4 ^' o; j
1.留出法( ^2 X6 {# k6 \
2.交叉验证法: Y5 Z; o# q& L& ]" I) I+ Y- A5 { G
3.自助法
) P$ i1 F2 K, f+ W) o; L! O4.性能度量 i7 x. i' f; `( W, V. M( b
5.PR曲线
; b# I `4 F' u7 F0 F6.ROC和AUC曲线, B# p6 C0 k! l' o
7.代价敏感错误率
9 S1 X' E7 j# i1 g6 a8.假设检验" e4 S5 e2 W( a8 V; N# v- M
9.T检验. C/ N( a/ [2 ?
10.偏差和方差
) X/ [; q% u, S$ r7 ~6 r; ]( O w% {: ~2 b, L
第四章 感知机& g" m# D' F5 V% t
1.感知机模型
5 Y! @6 g' q, T2.感知机学习策略
' r* E) n; z1 _* j* |2 J3.感知机学习算法
$ {5 [/ V* j6 E* I0 M( \: |
/ `1 p5 i* w9 A1 R第五章 聚类2 k3 I0 L* H a2 \. `
1.原型聚类描述
s l; t P. `, R2.性能度量
" [; e5 i" }: ?2 @+ u x5 m3.1原型聚类 k均值算法) J% j: W. l: M, t
3.2 原型聚类 学习向量算法
3 T, m1 F! B1 |1 H3.3 原型聚类 密度聚类
* U: B1 J0 V" h& B) Z# R5 W4 d ^3.4原型聚类 层次聚类
0 z$ F6 H, e, O
: `* ^' i3 A+ W! O5 M第六章 贝叶斯分类器及图模型
. R! \$ ]" O3 V1 m1.综述# N7 K/ t) O. ?) t8 d$ x
2.概率图模型: N* }. g0 V% s3 i: Y U. O7 i; D
3.贝叶斯网络1 L/ y2 c G. S4 Q x4 f# p: _ H
4.朴素贝叶斯分类器2 T+ N- ~/ Q. U# K/ u8 n
5.半朴素贝叶斯分类器
+ x y% G! r) q- T, n2 L6.贝叶斯网络结构学习推断/ [7 P; g6 t4 V' @
7.吉布斯采样2 E3 r) o' e" l2 W
* z8 I- b a9 E8 {
第七章 决策树和随机森林
F/ E! M" @" {开头, s2 N2 \$ R* `( O( D2 C# T
1.决策树模型与学习基本概念
J3 `! t2 X- T. X2.信息量和熵
D$ @9 U+ Y' J# M3.决策树的生成- _& }+ H) r/ g2 W# q, g( E
4.决策树的减枝
1 x# p* ~" c& C) S g5.CART算法
3 C5 r! j4 R0 J0 C. l9 g6.随机森林
, m* C( R% j& Q% W: o! @3 s: l. N" |, p) r; S& `
第八章 逻辑斯谛回归与最大熵模型
! n5 e; q: y& ?; w! N8 b! v简介
A9 F/ _# S# I8 A1.逻辑斯谛回归模型
8 E" Q$ r3 z5 C6 T5 M2.最大熵模型% ~8 F' O8 k! k$ O; P) j& t
3.模型学习的最优化方法; @4 Y9 u4 D* r( H) l, m
. Y5 ?4 q+ c2 k+ i+ x7 Y) f
第九章 SVM
h! d7 t( U) C1 ]0 w1.开头2 k' ]7 @+ o& n
2.SVM简介2 i3 L* N2 T) X3 o) O% k* r3 X/ Z
3.线性可分支持向量机
/ l& z6 D5 t" J/ o: X% ~- v4. 凸优化问题的基本概念
9 V. {8 ~$ O& s* W5.支持向量的确切定义
8 P2 t9 q% X% T7 a6.线性支持向量机: N: R: B+ J1 \( W( b
6 y' y6 r8 C* t$ E7 M第十章 核方法与非线性SVM
# x5 Z4 p% d: g3 ~6 w开头2 M0 _ [: l7 n- _+ P- y6 E
1.泛函基础知识1 c; h" X; ]) `
2. 核函数和非线性支持向量机7 R% x( W P- [0 i% `
3. 序列最小最优化算法
" d5 O7 t% B) L4 j! ]7 U' o0 w: k! \& m2 a9 p) {# j' t
第十一章 降维与度量学习) e S, U: w+ ~0 @0 @1 J6 g
开头
2 l& a8 W4 H; u+ d1. k近邻学习
, P+ C# a) B- v; d6 ~4 d2. 降维嵌入9 J) y3 y8 ~$ E/ E
3. 主成分分析5 O/ i' v8 W3 _+ Q
4. 核化线性降维0 v& q2 V q. ?
5. 流型学习和度量学习# ?, R+ r# C# v( o. }0 N6 Y0 _
5 I- ^" F0 }4 g0 L ^2 |
第十二章 提升方法- ^7 y3 N6 x9 c1 z
1. 提升方法Adaboost算法
9 `$ e4 I W( j& O: s6 o2. Adaboost算法的训练误差分析
; e) S5 a* y( R) R: v3. Adaboost算法的解释& F7 G \! f, e' E/ z2 t* u0 n
4. Adaboost的实现 [0 ` x- N5 H: b+ y- m) u
1 Q7 |* F. V" r& x
第十三章 EM算法及混合高斯模型6 y5 N' H; z4 _% \0 q6 |
开头/ e$ t2 T# ?3 I) C/ O
1. 问题提出
, U9 \! q1 n2 Z5 m! r( m1 H2. EM算法的引入) r& R; S0 C% T' q
3. EM算法的收敛性6 p6 f, `9 F. d
4. EM算法在高斯混合模型学习中的应用) N" V; r4 N# F, E2 [6 F
5. EM算法的推广9 i* \8 A0 ?0 N& t
! _0 ~' h {: v0 n( r) N b1 o第十四章 计算学习理论
, |. x4 ?; m# Y" m' X开头5 g3 R8 U# L/ b5 s$ j% J: F
1. 计算学习理论的基础知识6 G3 k( v+ I2 y3 _+ u) g
2. 概率近似正确学习理论2 F* E, k6 b5 n# U
3. 有限假设空间7 P; q! h- |$ W" V! } r
4. VC维" T. }* U, x- _6 \8 b7 d, H
5. 学习稳定性* i+ p0 t0 @4 ]/ R
# f) ]8 v- ~% S, w8 H9 F1 g
第十五章 隐马尔可夫模型
& N$ U ^* Z. I2 M; ?/ K开头
- j$ W% B" b0 i U3 {- s1. 隐马尔科夫模型的基本概念, P, h/ w8 h# U2 J
2. 概率计算算法
. K" y( V0 r* o: q& O! F: L$ [$ V3. 学习算法 j% i; i) k& `* {
4预测算法
1 E8 L. P. a) L0 k. S* ^* V0 P: U" x% X6 m
第十六章 条件随机场- u* H$ p" H, R4 q0 s5 s/ D
开头3 ?! C8 \- P6 I- I/ G
1.概率无向图模型' p2 w$ A& P4 Y6 b" d
2.条件随机场的定义与形式7 P6 N/ P' f1 k( `( F
3.条件随机场的计算问题- k0 Y+ Q% z! u* u! S
4.条件随机场的学习算法
) Z1 O: n# y9 R5.条件随机场的预测算法
0 n; m( a( p. R8 Z- \9 O; P% \9 z' F. ^
第十七章 概率图模型的学习与推断
0 Q. z6 A) n* G- u+ O5 d( E开头
0 o+ R( S$ A. f: ^# b, Y: }7 i4 F1.精确推断法：变量消去法和信念传播法
9 U" @- p N: Z; k5 J E2.近似推断法：MCMC和变分推断
% z7 }2 C' j+ j6 @+ @1 V
* b" \$ t, I& X4 ~9 E( @第十八章 神经网络和深度学习
1 y0 R+ X: `4 M3 ]( a6 W- J1.神经网络的发展历程0 |) o0 }, l: H! z
2.神经网络的基本概念以及常见的神经网络(一）
. P5 P( J4 o' n2 t- H3.神经网络的基本概念以及常见的神经网络(二）/ L7 b5 A" G& C3 D4 t& @
4.玻尔兹曼机
) a$ V0 K5 B' p5.深度学习- x% v! w: @4 l5 x; x
1 J# Z6 K- ~* H! g) O第十九章 深度学习正则化方法
7 L% Y0 E4 s2 C9 Y; j/ I3 @1. 深度学习简介和架构设计6 E% r3 v3 E- q0 K$ U1 ]
2. 计算图形式的反向传播算法( U- @5 L, J8 R/ j$ i
3.深度学习的正则化方法（一）
6 n' }0 G2 B T. a t4 `3 ]4.深度学习的正则化方法（二）& L6 k$ \* L+ i% e/ r; w
! S* m* e' W/ }+ X" L5 E5 q# E第二十章 深度学习优化方法+ h& c6 D1 d0 {: B1 y% \+ a# V
1.深度学习的优化问题3 a- W; s8 t# q/ S6 X& H$ J
2.神经网络优化的挑战6 @7 l" X9 C& m) ?9 V2 A$ H
3.神经网络的优化算法+ V, x7 b$ }- M8 W/ G& [
4.相关策略
( E) \" y. \6 J3 S$ s t& c* s1 b. u0 [2 l- M" B8 i- x* c& ^
|
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