Class Central is learner-supported. When you buy through links on our site, we may earn an affiliate commission.

Nanjing University

机器学习初步

Nanjing University via XuetangX

Overview

      机器学习(Machine Learning)是人工智能的核心研究领域之一,并取得了广泛的应用效果,是引领这一轮“人工智能热潮”的关键技术支撑。《机器学习初步》课程覆盖机器学习的入门基石内容,课程主讲人周志华教授是领域专家,所著《机器学习》(网友昵称为“西瓜书”)正是本课程的教材。课程团队成员也包括詹德川教授、叶翰嘉博士、赵鹏博士,负责课程讨论与习题解答。


       本课程覆盖机器学习的基本理论框架以及核心方法,对机器学习中最重要的基础知识点和算法思想进行讲述。课程内容主要包括:绪论,模型评估与选择,线性模型,决策树,支持向量机,神经网络,贝叶斯分类器,集成学习和聚类。通过构建约8周的基础知识点体系,既能够帮助初学者提纲挈领地了解机器学习领域全貌,也不失内容的专业性,使学生能够具备后续自我学习的能力,从而可以通过阅读相关参考文献进行进一步的深入学习。


       在2023年春季课程中,新增决策树预剪枝与后剪枝、软间隔支持向量机、正则化、神经网络防止过拟合等章节。





Syllabus

  • 绪论
    • 1.1 教材
    • 1.2 课程定位
    • 1.3 机器学习
    • 1.4 典型的机器学习过程
    • 1.5 计算学习理论
    • 1.6 基本术语
    • 1.7 假设空间
    • 1.8 归纳偏好
    • 1.9 NFL定理
  • 模型评估与选择
    • 2.1 泛化能力
    • 2.2 过拟合和欠拟合
    • 2.3 三大问题
    • 2.4 评估方法
    • 2.5 调参与验证集
    • 2.6 性能度量
    • 2.7 比较检验
  • 线性模型
    • 3.1 线性回归
    • 3.2 最小二乘解
    • 3.3 多元线性回归
    • 3.4 广义线性模型
    • 3.5 对率回归
    • 3.6 对率回归求解
    • 3.7 线性判别分析
    • 3.8 线性判别分析的多类推广
    • 3.9 多分类学习基本思路
    • 3.10 类别不平衡
  • 决策树
    • 4.1 决策树基本流程
    • 4.2 信息增益划分
    • 4.3 其他属性划分准则
    • 4.4 决策树的剪枝
    • 4.5 预剪枝与后剪枝
    • 4.6 缺失值的处理
  • 支持向量机
    • 5.1 支持向量机基本型
    • 5.2 对偶问题与解的特性
    • 5.3 求解方法
    • 5.4 特征空间映射
    • 5.5 核函数
    • 5.6 软间隔SVM
    • 5.7 正则化
    • 5.8 如何使用SVM?
  • 神经网络
    • 6.1 神经网络模型
    • 6.2 万有逼近能力
    • 6.3 BP算法推导
    • 6.4 缓解过拟合
  • 贝叶斯分类器
    • 7.1 贝叶斯决策论
    • 7.2 生成式和判别式模型
    • 7.3 贝叶斯分类器与贝叶斯学习
    • 7.4 极大似然估计
    • 7.5 朴素贝叶斯分类器
    • 7.6 拉普拉斯修正
  • 集成学习
    • 8.1 集成学习
    • 8.2 好而不同
    • 8.3 两类常用集成学习方法
    • 8.4 Boosting
    • 8.5 Bagging
    • 8.6 多样性度量
  • 聚类
    • 9.1 聚类
    • 9.2 距离计算
    • 9.3 聚类方法概述
  • 考试

    Taught by

    Zhi-Hua Zhou

    Tags

    Reviews

    Start your review of 机器学习初步

    Never Stop Learning.

    Get personalized course recommendations, track subjects and courses with reminders, and more.

    Someone learning on their laptop while sitting on the floor.