|
|
本帖最后由 冰点也疯狂 于 2019-7-16 11:06 编辑
) W' {2 p# f- [4 y+ K$ c2 @
1 e2 Q* B8 O7 W4 c5 n. }" D课程介绍：
, y7 v" o; [. ]# v" Z 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。$ U( Z& H; `% h9 u5 t, b
. M& E& Q# _1 t0 p$ p6 |( Z( _$ X
课程目录：+ I; f0 n* q: o- a/ ]
第一章 概述
$ I5 F: u! F; I s9 u1.机器学习定义和典型应用
8 j$ I9 P$ ?! S2.机器学习和人工智能的关系# a' Q. \* j8 E6 F D$ v" U
3.深度学习方法和其它人工智能方法的共性和差异& e6 ]6 p) ^* }% F* s2 R
4.机器学习和数据挖掘的关系: i# ^. T6 N4 }# x& z, w" h1 ]. i
5.机器学习和统计学习的关系0 N# }, `3 c. D
6.机器学习的发展历程' |4 p A4 }" Y, Q7 S7 \
7.大数据机器学习的主要特点
6 {( _8 u0 M3 i w
0 ]4 G/ m5 W6 y3 m6 Q第二章 机器学习基本概念: U& {% j: |! s# v6 s
1机器学习的基本术语; Z. B8 p" N' E9 H% c
2.监督学习: a; a( b1 k6 E7 W8 a' O' u
3.假设空间8 D0 u# {% @) E( E+ O8 K6 f$ A7 D5 b1 f
4.学习方法三要素
u: R3 T( V* f; x, W5 _$ }$ r- Q4 @5.奥卡姆剃刀定理
, Q; F7 q' n; E% G; m/ Z6.没有免费的午餐定理4 y# |, @4 R" e" x1 a3 ?, \
7.训练误差和测试误差4 e% ^& m- z- q( s( T' V
8.过拟合与模型选择
+ I- ^9 Q0 C) O3 v. \' ?( H9.泛化能力
6 Z! r) T$ @8 ^10.生成模型和判别模型
c9 w$ `* N g W3 J6 @, s* c
b& F. T, j( I, z第三章 模型性能评估. G/ j. `) C M- D
1.留出法5 \$ {" P9 l: b& X; D3 V
2.交叉验证法
% |3 `8 P; j, g [2 S/ f8 w3.自助法+ T7 G& ?" T E' y
4.性能度量
1 W( p( t& G, B5.PR曲线9 e6 P1 o# }+ L5 |- ]/ f
6.ROC和AUC曲线 }1 r1 e! Q7 W, Z* \! ^
7.代价敏感错误率
! H6 ]4 G. Y3 w# n, {; M( M8.假设检验
4 c& `* |' a6 k" U9.T检验
6 [3 S6 _: {+ W c10.偏差和方差
$ N6 H; o' |* C8 m" A9 ^; `
) a, T/ G% ?! y! Q8 x第四章 感知机
8 A4 T$ {6 b, \1 y( X3 X e( S) }1.感知机模型
2 H9 M/ ]/ g' Y1 B1 j @2.感知机学习策略
4 T* |3 u, [% O* ]& [3.感知机学习算法
0 j, k/ B" H; |6 |7 L8 y
, T5 m d5 g* }7 m6 u$ ?3 G第五章 聚类" b9 C# t" u/ m( w/ j8 i/ y
1.原型聚类描述- o3 i, N" u3 @
2.性能度量( ?7 Q0 g7 W, W5 D7 f4 X% K
3.1原型聚类 k均值算法
; q; r8 Z, I" T( r. }9 l3.2 原型聚类 学习向量算法
" Z: Z0 D I6 h8 ~6 p3.3 原型聚类 密度聚类
P' t d7 l8 w$ ?3.4原型聚类 层次聚类7 p v! z# \6 C1 r, [) E
& o( ]" Q& `' G6 ?( Z1 ]4 ^' E
第六章 贝叶斯分类器及图模型0 }/ n* L0 V! `0 x" P
1.综述
0 \9 D1 Z% q; M' l; e2.概率图模型
6 ^5 V. z" }# n3.贝叶斯网络
& |2 K+ o8 z# k' }% l4.朴素贝叶斯分类器
! o: ?2 n; b5 q1 Y E5.半朴素贝叶斯分类器7 s) ?! ?' o; _* N# Q, G9 y+ d
6.贝叶斯网络结构学习推断0 M7 Q* n. D0 s, ~7 |* D; v
7.吉布斯采样% a6 R0 f5 v$ E" i* y6 C& S
8 o7 ]# Q+ {8 Q' _0 U第七章 决策树和随机森林1 Q; p J5 U( O5 i) _) F0 d
开头
) X6 ]% \( k/ m) z5 d1.决策树模型与学习基本概念
7 G& @) o" d& N' g2.信息量和熵
i) P: x4 T# P2 L3.决策树的生成
; f- g: n& g4 n. G4 X4.决策树的减枝
! U/ `9 ~5 \7 q1 F- j3 U7 J; u. B5.CART算法
9 E6 J; ^: @" A/ b6 x6.随机森林* n0 v+ ~4 K6 p. B1 s0 Q
& t* ?6 {; e- g% Q3 Q第八章 逻辑斯谛回归与最大熵模型( F0 C& \; Y: E6 G
简介
% [; ~6 b. ^) d0 q1.逻辑斯谛回归模型! h! Z7 H, M* g
2.最大熵模型& F2 u4 Y0 r! |
3.模型学习的最优化方法
# u8 c8 h8 B" j2 g' M. U. Y, f& I6 x
第九章 SVM1 m: l. F5 j8 J- q1 N& E+ Z
1.开头% [* B. \5 [+ a, Z1 M
2.SVM简介+ ^% v7 F) @+ |* h4 _
3.线性可分支持向量机
6 L7 O6 y' s; G8 e& y5 f4. 凸优化问题的基本概念
% o7 s0 Q5 Q8 L% j4 h4 E5.支持向量的确切定义+ p! ?6 K4 P$ o3 E
6.线性支持向量机% _$ a* p" Y9 B! ?8 x8 c; C
/ T: E8 q0 k {2 D# \$ g- W
第十章 核方法与非线性SVM; I# i5 n0 X- V$ O( W
开头+ s, W- N- ?! g9 P! {
1.泛函基础知识
; ?: a) |) {( d& f0 |* z; I2. 核函数和非线性支持向量机# I) D9 j o5 q# N3 T7 Z) D
3. 序列最小最优化算法' l0 T& l8 Q: C: C
. [+ h! s* W) ^; T2 h" ?& y3 U- F第十一章 降维与度量学习& d" M- | N; h
开头" e1 \4 E0 F% N, B
1. k近邻学习 r" @6 e7 e0 x0 b2 k
2. 降维嵌入
2 P! d3 V2 ~: E7 |3 X3. 主成分分析& Q( F6 _/ ^( I
4. 核化线性降维( v/ |- B H0 {9 O
5. 流型学习和度量学习
; F( R; q* L1 O0 N% l$ N# E+ |' f, y% `4 V) E5 o4 W/ x
第十二章 提升方法3 J& Q3 m) `& B P
1. 提升方法Adaboost算法9 a8 t# V; b, K. d% s
2. Adaboost算法的训练误差分析
0 T: t. j* D" [# j3 C3 Z# d: t3. Adaboost算法的解释
, V) k& R* ?" e4 W# \9 n7 m7 d) b3 z4. Adaboost的实现& _/ W* i* S- ]8 B5 K
* h6 l9 p2 o3 u8 M第十三章 EM算法及混合高斯模型
1 j# F4 t" ~" ^; I* c* i# Z3 H- S开头
+ f4 c+ d4 I9 g. W1. 问题提出9 @% |6 A6 ^& s) q- K D5 X7 [
2. EM算法的引入
6 w1 F+ `. E: T& U! o1 _6 Z2 ~! R3. EM算法的收敛性5 w3 H1 T8 Y2 `3 e f8 ~
4. EM算法在高斯混合模型学习中的应用2 @. m" r% H, K2 o6 W5 e0 z
5. EM算法的推广, V9 F& I3 J5 D: t9 ]
& ]8 X0 }: g1 {5 W( V第十四章 计算学习理论
. l4 S z8 L3 a' ]开头0 x* T6 W n+ a- j2 j m0 [4 l
1. 计算学习理论的基础知识
" Q9 Y! ~$ \+ H" s" z- u2. 概率近似正确学习理论
! I3 \- h* p# D& Y, i3. 有限假设空间
: i1 o$ r9 K# h: r, a& G. u4. VC维8 N4 s5 Y; a7 D$ q7 \; }- i
5. 学习稳定性
& T' |, S6 X! I3 V
: o |- {, Y/ d! L9 d/ P第十五章 隐马尔可夫模型
" n" v j6 _6 j. P. B2 ^开头# I! c5 J, B" Z: n" P8 A3 \
1. 隐马尔科夫模型的基本概念
! r! V; m$ |# p$ L& I; I6 A2. 概率计算算法
9 J4 P8 b, X4 [6 h: g% y0 z3. 学习算法( C" V! x! r1 a# e
4预测算法' P$ v7 v: J# N6 G# I) A3 o8 l
5 B5 Z9 g; q: X; T. I4 C& F6 c
第十六章 条件随机场 m9 x1 a6 e% [* ^
开头+ E( f9 ]/ m' q1 A1 n
1.概率无向图模型
6 m3 \, `5 F& ~) \) ]3 k# Q" w# F+ Q2.条件随机场的定义与形式) W9 [0 F1 w) I3 \: z8 D$ g1 [
3.条件随机场的计算问题
/ a0 ?1 }) J/ N- r3 D8 W3 x' R: T: @, L4.条件随机场的学习算法
( R9 J/ [9 b% \6 m$ z5.条件随机场的预测算法! d L2 p4 i4 n
) u2 D2 g- D0 ^# q" O# S第十七章 概率图模型的学习与推断2 s" t3 Q, g+ K" T' t/ M; b, h7 x8 m
开头2 t7 V1 u7 y; c0 b8 }
1.精确推断法：变量消去法和信念传播法9 z- q7 O, m' r
2.近似推断法：MCMC和变分推断
9 |: K# b: {) X7 ^# I9 `& F. Q* X- K5 R8 j0 M- t" I2 G; Y
第十八章 神经网络和深度学习
# s3 X- K$ }+ G6 s' o) n1.神经网络的发展历程* R. C2 {, }9 m/ Y$ f$ f
2.神经网络的基本概念以及常见的神经网络(一）2 C6 r7 u$ j1 j6 L7 [; e
3.神经网络的基本概念以及常见的神经网络(二）
6 W# U) t V+ f4 W0 F* J4.玻尔兹曼机
/ {" Z+ o: ]. p6 y3 O8 m( z5.深度学习
4 F+ D, }9 A0 k9 d3 B
7 y+ r/ a* G. ]6 N* Z第十九章 深度学习正则化方法
9 Q6 L! O+ ~/ b& {3 V; j1. 深度学习简介和架构设计0 D" f* B3 H# x* y% h1 R: [
2. 计算图形式的反向传播算法
$ ^! F7 o7 e) k2 Z3.深度学习的正则化方法（一）* ?" q% {' D. l2 H# \
4.深度学习的正则化方法（二）
9 D- |$ v) x7 m( E
7 n! c/ M! C7 }7 e第二十章 深度学习优化方法' Y; c- ]& j5 n$ I1 ~
1.深度学习的优化问题
, d# G, F0 u8 K% u. R# J& u# Q2.神经网络优化的挑战4 ^7 c. k2 e5 L/ X
3.神经网络的优化算法# F5 l, H' U. Z7 ~9 E
4.相关策略9 N- T! o: M0 c$ A3 D! U$ o' ]
* ~: @/ ]2 X! K% v# K1 ]% W |
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