《大数据机器学习》课程是面向信息学科的高年级本科生或研究生开设的基础理论课，目的是培养学生深入理解大数据机器学习理论基础，牢固掌握大数据机器学习方法，并能够解决实际问题等综合能力。课程的主要内容包括：统计学习基本理论，机器学习基本方法，深度学习理论和方法。
Overview
Syllabus
- 第一章 概述
- 1.机器学习定义和典型应用
- 2.机器学习和人工智能的关系
- 3.深度学习方法和其它人工智能方法的共性和差异
- 4.机器学习和数据挖掘的关系
- 5.机器学习和统计学习的关系
- 6.机器学习的发展历程
- 7.大数据机器学习的主要特点
- 第二章 机器学习基本概念
- 1机器学习的基本术语
- 2.监督学习
- 3.假设空间
- 4.学习方法三要素
- 5.奥卡姆剃刀定理
- 6.没有免费的午餐定理
- 7.训练误差和测试误差
- 8.过拟合与模型选择
- 9.泛化能力
- 10.生成模型和判别模型
- 第三章 模型性能评估
- 1.留出法
- 2.交叉验证法
- 3.自助法
- 4.性能度量
- 5.PR曲线
- 6.ROC和AUC曲线
- 7.代价敏感错误率
- 8.假设检验
- 9.T检验
- 10.偏差和方差
- 第四章 感知机
- 1.感知机模型
- 2.感知机学习策略
- 3.感知机学习算法
- 第五章 聚类
- 1.原型聚类描述
- 2.性能度量
- 3.1原型聚类 k均值算法
- 3.2 原型聚类 学习向量算法
- 3.3 原型聚类 密度聚类
- 3.4原型聚类 层次聚类
- 第六章 贝叶斯分类器及图模型
- 1.综述
- 2.概率图模型
- 3.贝叶斯网络
- 4.朴素贝叶斯分类器
- 5.半朴素贝叶斯分类器
- 6.贝叶斯网络结构学习推断
- 7.吉布斯采样
- 第七章 决策树和随机森林
- 开头
- 1.决策树模型与学习基本概念
- 2.信息量和熵
- 3.决策树的生成
- 4.决策树的减枝
- 5.CART算法
- 6.随机森林
- 第八章 逻辑斯谛回归与最大熵模型
- 简介
- 1.逻辑斯谛回归模型
- 2.最大熵模型
- 3.模型学习的最优化方法
- 第九章 SVM
- 1.开头
- 2.SVM简介
- 3.线性可分支持向量机
- 4. 凸优化问题的基本概念
- 5.支持向量的确切定义
- 6.线性支持向量机
- svm相关拓展资料
- 第十章 核方法与非线性SVM
- 开头
- 1.泛函基础知识
- 2. 核函数和非线性支持向量机
- 3. 序列最小最优化算法
- 第十一章 降维与度量学习
- 开头
- 1. k近邻学习
- 2. 降维嵌入
- 3. 主成分分析
- 4. 核化线性降维
- 5. 流型学习和度量学习
- 第十二章 提升方法
- 1. 提升方法Adaboost算法
- 2. Adaboost算法的训练误差分析
- 3. Adaboost算法的解释
- 4. Adaboost的实现
- adaboost拓展资料
- 第十三章 EM算法及混合高斯模型
- 开头
- 1. 问题提出
- 2. EM算法的引入
- 3. EM算法的收敛性
- 4. EM算法在高斯混合模型学习中的应用
- 5. EM算法的推广
- 第十四章 计算学习理论
- 开头
- 1. 计算学习理论的基础知识
- 2. 概率近似正确学习理论
- 3. 有限假设空间
- 4. VC维
- 5. 学习稳定性
- 第十五章 隐马尔可夫模型
- 开头
- 1. 隐马尔科夫模型的基本概念
- 2. 概率计算算法
- 3. 学习算法
- 4预测算法
- 第十六章 条件随机场
- 开头
- 1.概率无向图模型
- 2.条件随机场的定义与形式
- 3.条件随机场的计算问题
- 4.条件随机场的学习算法
- 5.条件随机场的预测算法
- 第十七章 概率图模型的学习与推断
- 开头
- 1.精确推断法：变量消去法和信念传播法
- 2.近似推断法：MCMC和变分推断
- 第十八章 神经网络和深度学习
- 1.神经网络的发展历程
- 2.神经网络的基本概念以及常见的神经网络(一）
- 3.神经网络的基本概念以及常见的神经网络(二）
- 4.玻尔兹曼机
- 5.深度学习
- 第十九章 深度学习正则化方法
- 1. 深度学习简介和架构设计
- 2. 计算图形式的反向传播算法
- 3.深度学习的正则化方法（一）
- 4.深度学习的正则化方法（二）
- 第二十章 深度学习优化方法
- 1.深度学习的优化问题
- 2.神经网络优化的挑战
- 3.神经网络的优化算法
- 4.相关策略
- 期末考试
Taught by
Chun Yuan
