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

Tsinghua University

机器学习概论

Tsinghua University via XuetangX

Overview

机器学习是一个起源很早但发展相当快的研究方向,知识覆盖面相当广,有丰富的理论基础和实际应用背景,是很多信息领域的基础研究和最重要的研究领域之一,也是各类人工智能实际应用中不可缺少的基础。本课程讲解机器学习的基本概念和思想,介绍和分析不同类型学习方法的主要思想和代表性算法,使学生了解各种学习问题的背景,并掌握机器学习体系结构、基本框架、主要算法以及实验设计和分析方法。通过课程学习,除能够掌握十余种重要的学习方法以外,还重点培养同学的算法设计和问题分析能力,使得同学在课后具有更进一步的快速学习与实际应用的基础与能力。

​​

Syllabus

  • 第一章 绪论
    • 1.1 课程介绍
    • 1.2 机器学习的背景
    • 1.3 什么是机器学习
    • 1.4 机器学习系统设计
  • 第二章 决策树学习(I)
    • 2.1 决策树的基本概念
    • 2.2 决策树的实例和发展历史
    • 2.3 经典决策树算法ID3
    • 2.4 过拟合和前剪枝
  • 第三章 决策树学习(II)和贝叶斯学习
    • 3.1 下午茶时间:勒索软件
    • 3.2 后剪枝
    • 3.3 决策树的改进和归纳学习假设
    • 3.4 贝叶斯学习的背景
    • 3.5 极大似然假设、朴素贝叶斯和最小描述长度
  • 第四章 马尔可夫模型和隐马尔可夫模型
    • 4.1 下午茶时间:微博的垃圾检测
    • 4.2 马尔可夫模型
    • 4.3 隐马尔可夫模型
    • 4.4 评估问题
    • 4.5 解码问题
    • 4.6 隐马尔可夫模型的应用
  • 第五章 假设检验
    • 5.1 下午茶时间:图灵奖
    • 5.2 假设评估
    • 5.3 置信度和置信区间
    • 5.4 有限数据下的比较
  • 第六章 基于实例的学习
    • 6.1 下午茶时间:黑洞照片
    • 6.2 基于实例的学习的基本概念
    • 6.3 最近邻算法
    • 6.4 K邻近算法
    • 6.5 KD树
    • 6.6 距离加权的K近邻算法
  • 第七章 支持向量机(I)
    • 7.1 支持向量机的背景
    • 7.2 线性支持向量机
  • 第八章 支持向量机(II)和无监督学习
    • 8.1 核函数支持向量机
    • 8.4 支持向量机总结
    • 8.5 无监督学习简介
    • 8.6 层次聚类
    • 8.7 K-means聚类和K-medoids聚类
  • 第九章 复习总结

    Taught by

    Min Zhang,

    Tags

    Reviews

    Start your review of 机器学习概论

    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.