Machine Learning

课程简介

课程内容 1. 第一部分：机器学习基础 • 线性代数和概率 • 数值计算和优化 • 学习任务：回归、分类等 • 性能问题：交叉验证、过拟合及维度灾难、偏差-方差困境等 2. 第二部分：模型和技术 • 监督学习： - 参数化方法 vs 非参数化方法 - 决策树基方法 - 贝叶斯模型 - 神经网络和支持向量机 - 高级模型：卷积神经网络 • 无监督学习： - k-均值和层次聚类 - 谱聚类和基于密度的聚类 - 高级模型：自动编码器、嵌入技术等 • 回归和提升 • 特征选择和降维 3. 第三部分：应用 • 手写识别挑战，例如 MNIST • 对象检测、识别和跟踪 - 对象特征描述：工程方法 vs 特征学习方法 - 对象检测示例，例如像素聚类用于人脸检测等 - 对象识别示例，例如通过主成分人脸特征进行人脸识别 - 对象跟踪示例，例如人体运动跟踪

学习目标

1. 介绍现代机器学习的基本原理、概念和模型； 2. 介绍机器学习技术的最新进展及其在模式识别、计算机视觉等领域的应用。

先修要求

无（但建议学生对入门级人工智能/数据挖掘概念有所了解，并熟悉线性代数和概率的基本概念）

教学模式

39学时的课堂活动，包括主要概念和模型的讲授，以及应用案例研究、习题课、课堂/小组讨论、实验室作业和学生报告。根据需要，还将布置相关研究论文的阅读任务。