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。为了便于不同基础的初学者学习,《机器学习初步》课程包含的是数学要求尽可能低的部分,覆盖机器学习的入门最基础内容。
Power BI Fundamentals - Create visualizations and dashboards from scratch
Google AI Professional Certificate - Learn AI Skills That Get You Hired
Overview
Coursera Flash Sale
40% Off Coursera Plus for 3 Months!
Grab it
Syllabus
- 绪论
- 1.1 教材
- 1.2 课程定位
- 1.3 机器学习
- 1.4 机器学习的案例
- 1.5 典型的机器学习过程
- 1.6 计算学习理论
- 1.7 基本术语
- 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 多分类学习基本思路
- 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 决策树简史
- 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 SVM简史
- 神经网络
- 6.1 神经网络模型
- 6.2 万有逼近能力
- 6.3 缓解过拟合
- 6.4 神经网络简史
- 6.5 深度神经网络的发展
- 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 贝叶斯定理
- 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
- 聚类
- 9.1 聚类
- 9.2 聚类性能度量
- 9.3 距离计算
- 9.4 聚类方法概述
- 考试
Taught by
Zhi-Hua Zhou