Statistical Machine Learning

课程简介

监督学习、回归与模型选择：广义线性模型；岭回归、模型选择、降维、主成分分析、套索；再生核、核岭回归、正则化；随机梯度下降、在线学习。 监督学习、分类：朴素贝叶斯；决策树；K近邻分类器；逻辑回归；支持向量机、核化支持向量机；评分分类器，受试者操作特征曲线，AUC评分，不平衡数据。 无监督学习、聚类：K均值；凝聚层次聚类。 其他选修主题：交叉验证；人工神经网络、反向传播、深度学习算法简介；机器学习软件包简介；随机森林。

学习目标

提供机器学习的基本介绍。介绍选定主题的机器学习基本概念和算法，为学生提供将机器学习应用于实际问题所需的基础知识，并为有兴趣从事机器学习或相关领域研究的学生提供起点。

先修要求

先修课程/金融分析应用线性模型（AMA2602）或应用线性模型（AMA3602）或数据科学统计（AMA3631）或同等课程和数据科学数学方法（AMA3001/AMA3701）或金融数学方法（AMA3723）或高等数学方法（AMA3724）或同等课程。排除统计机器学习（AMA3800）。

教学模式

本课程主要通过计算机实验室的讲授和辅导进行。强调学习算法的理论背景及其实际应用。