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 • 数值计算与优化 • 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：模型与技术 • 监督学习： o 参数化方法与非参数化方法 o 决策树基方法 o 贝叶斯模型 o 神经网络和支持向量机 o 高级模型：卷积神经网络 • 无监督学习： o k-均值聚类和层次聚类 o 谱聚类和基于密度的聚类 o 高级模型：自动编码器、嵌入技术等 • 回归与提升 • 特征选择与降维 3. 第三部分：应用 • 手写识别挑战，例如 MNIST • 对象检测、识别与跟踪 o 对象特征描述：工程方法与特征学习方法 o 对象检测示例，例如像素聚类用于人脸检测等 o 对象识别示例，例如基于主成分人脸特征的人脸识别 o 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、计算机视觉及其他领域的应用。

先修要求

建议学生具备一定的初步人工智能/数据分析概念，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、实验和学生报告。根据需要，还将分配阅读相关研究论文。