Machine Learning and Data Analytics

课程简介

• 监督学习 定义、训练数据、输入空间维度、监督学习步骤、算法选择、偏差-方差困境、噪声、k-NN、线性判别分析、朴素贝叶斯、神经网络、深度学习模型、微调、评估指标。 • 无监督学习 数据类型、降维、特征选择、k-均值、混合模型、对比学习、异常检测、基于神经网络的方法、Hebbian学习、深度信念网络、自组织映射、潜在变量模型。 • 半监督学习 监督学习与未标记训练数据、连续性和流形假设、生成模型、启发式方法和低密度分离。 • 强化学习 定义、控制学习算法、最优性准则、价值函数、定向策略搜索、深度强化学习、学徒学习。 • 数据分析应用 利用机器学习在数据中发现数据类型和模式，选择性应用于主题建模、基因组学、预测等领域，涉及可扩展性、可解释性、法律/社会/伦理问题。

学习目标

1. 介绍现代机器学习的基本原理、概念和模型； 2. 培养数据分析技能，从数据中获取洞察。

先修要求

无

教学模式

课堂讲授主要概念，结合全面示例，课堂问答帮助理解。 辅导和实验课帮助学生复习所学概念，掌握实用技术和必要的工具，以有效开发系统/应用。 小组项目提供机会，通过系统实现和人际沟通培养分析和解决问题的能力。