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。为了便于不同基础的初学者学习,《机器学习进步》课程包含的是数学要求比《机器学习初步》略高的部分,覆盖机器学习的入门基础内容。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。课程内容包括绪论、模型评估与选择、线性模型、决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类等主题中对数学基础比《机器学习初步》课程略高的内容。
Overview
Coursera Flash Sale
40% Off Coursera Plus for 3 Months!
Grab it
Syllabus
- 绪论
- 1.1 假设空间
- 1.2 NFL定理推导
- 模型评估与选择
- 2.1 PR指标的扩展
- 2.2 ROC与AUC
- 2.3 非均等代价
- 2.4 偏差-方差分解
- 线性模型
- 3.1 对率回归求解
- 3.2 线性判别分析
- 3.3 线性判别分析的多类推广
- 3.4 纠错输出码
- 3.5 类别不平衡
- 番外篇
- 机器学习的学派
- 决策树
- 4.1 连续值的处理
- 4.2 缺失值的处理
- 4.3 从“树”到“规则”
- 4.4 多变量决策树
- 支持向量机
- 5.1 软间隔SVM
- 5.2 正则化
- 5.3 如何使用SVM?
- 5.4 表示定理
- 5.5 核方法
- 神经网络
- 6.1 BP算法推导
- 6.2 标准BP与累积BP
- 6.3 全局最小与局部极小
- 6.4 其他常见神经网络模型
- 6.5 深度神经网络
- 6.6 深度神经网络的诀窍
- 贝叶斯分类器
- 7.1 贝叶斯分类器与贝叶斯学习
- 7.2 半朴素贝叶斯分类器
- 7.3 贝叶斯网
- 7.4 典型依赖关系
- 7.5 分析条件独立性
- 7.6 结构学习
- 7.7 推断
- 7.8 EM 算法
- 集成学习
- 8.1 学习器的结合
- 8.2 Stacking
- 8.3 选择性集成
- 8.4 多样性度量
- 8.5 多样性增强常用策略
- 聚类
- 9.1 k均值聚类
- 9.2 学习向量量化
- 9.3 高斯混合聚类
- 9.4 DBSCAN
- 9.5 层次聚类
- 考试
Taught by
Zhi-Hua Zhou