|
課程概述
《大數據機器學習》課程是面向信息學科的高年級本科生或研究生開設的基礎理論課，目的是培養學生深入理解大數據機器學習理論基礎，牢固掌握大數據機器學習方法，並能夠解決實際問題等綜合能力。課程的主要內容包括：統計學習基本理論，機器學習基本方法，深度學習理論和方法。
教學單元
1 第一章 概述
1.機器學習定義和典型應用
2.機器學習和人工智能的關係
3.深度學習方法和其它人工智能方法的共性和差異
4.機器學習和數據挖掘的關係
5.機器學習和統計學習的關係
6.機器學習的發展歷程
7.大數據機器學習的主要特點
2 第二章 機器學習基本概念
1機器學習的基本術語
2.監督學習
3.假設空間
4.學習方法三要素
5.奧卡姆剃刀定理
6.沒有免費的午餐定理
7.訓練誤差和測試誤差
8.過擬合與模型選擇
9.泛化能力
10.生成模型和判別模型
3 第三章 模型性能評估
1.留出法
2.交叉驗證法
3.自助法
4.性能度量
5.PR曲線
6.ROC和AUC曲線
7.代價敏感錯誤率
8.假設檢驗
9.T檢驗
10.偏差和方差
4 第四章 感知機
1.感知機模型
2.感知機學習策略
3.感知機學習算法
5 第五章 聚類
1.原型聚類描述
2.性能度量
3.1原型聚類 k均值算法
3.2 原型聚類 學習向量算法
3.3 原型聚類 密度聚類
3.4原型聚類 層次聚類
6 第六章 貝葉斯分類器及圖模型
1.綜述
2.概率圖模型
3.貝葉斯網絡
4.樸素貝葉斯分類器
5.半樸素貝葉斯分類器
6.貝葉斯網絡結構學習推斷
7.吉布斯採樣
7 第七章 決策樹和隨機森林
開頭
1.決策樹模型與學習基本概念
2.信息量和熵
3.決策樹的生成
4.決策樹的減枝
5.CART算法
6.隨機森林
8 第八章 邏輯斯諦回歸與最大熵模型
簡介
1.邏輯斯諦回歸模型
2.最大熵模型
3.模型學習的最優化方法
9 第九章 SVM
1.開頭
2.SVM簡介
3.線性可分支持向量機
4. 凸優化問題的基本概念
5.支持向量的確切定義
6.線性支持向量機
svm相關拓展資料
10 第十章 核方法與非線性SVM
開頭
1.泛函基礎知識
2. 核函數和非線性支持向量機
3. 序列最小最優化算法
11 第十一章 降維與度量學習
開頭
1. k近鄰學習
2. 降維嵌入
3. 主成分分析
4. 核化線性降維
5. 流型學習和度量學習
12 第十二章 提升方法
1. 提升方法Adaboost算法
2. Adaboost算法的訓練誤差分析
3. Adaboost算法的解釋
4. Adaboost的實現
adaboost拓展資料
13 第十三章 EM算法及混合高斯模型
開頭
1. 問題提出
2. EM算法的引入
3. EM算法的收斂性
4. EM算法在高斯混合模型學習中的應用
5. EM算法的推廣
14 第十四章 計算學習理論
開頭
1. 計算學習理論的基礎知識
2. 概率近似正確學習理論
3. 有限假設空間
4. VC維
5. 學習穩定性
15 第十五章 隱馬爾可夫模型
開頭
1. 隱馬爾科夫模型的基本概念
2. 概率計算算法
3. 學習算法
4預測算法
16 第十六章 條件隨機場
開頭
1.概率無向圖模型
2.條件隨機場的定義與形式
3.條件隨機場的計算問題
4.條件隨機場的學習算法
5.條件隨機場的預測算法
17 第十七章 概率圖模型的學習與推斷
開頭
1.精確推斷法：變量消去法和信念傳播法
2.近似推斷法：MCMC和變分推斷
18 第十八章 神經網絡和深度學習
1.神經網絡的發展歷程
2.神經網絡的基本概念以及常見的神經網絡(一）
3.神經網絡的基本概念以及常見的神經網絡(二）
4.玻爾茲曼機
5.深度學習
19 第十九章 深度學習正則化方法
1. 深度學習簡介和架構設計
2. 計算圖形式的反向傳播算法
3.深度學習的正則化方法（一）
4.深度學習的正則化方法（二）
20 第二十章 深度學習優化方法
1.深度學習的優化問題
2.神經網絡優化的挑戰
3.神經網絡的優化算法
4.相關策略
21 期末考試
課程列表
名稱 時間長度
第001講 1.機器學習定義和典型應用 00:10:02
第002講 2.機器學習和人工智能的關係 00:01:34
第003講 3.深度學習方法和其它人工智能方法的共性和差異 00:01:40
第004講 4.機器學習和數據挖掘的關係 00:01:26
第005講 5.機器學習和統計學習的關係 00:01:08
第006講 6.機器學習的發展歷程 00:03:16
第007講 7.大數據機器學習的主要特點 00:09:12
第008講 1.機器學習的基本術語 00:05:31
第009講 2.監督學習 00:01:49
第010講 4.學習方法三要素 00:03:48
第011講 5.奧卡姆剃刀定理 00:00:53
第012講 6.沒有免費的午餐定理 00:03:43
第013講 7.訓練誤差和測試誤差 00:00:49
第014講 8.過擬合與模型選擇
第015講 9.泛化能力
第016講 10.生成模型和判別模型 00:01:42
第017講 1.留出法 00:03:21
第018講 2.交叉驗證法 00:00:36
第019講 3.自助法 00:02:04
第020講 4.性能度量 00:06:23
第021講 5.PR曲線 00:04:30
第022講 6.ROC和AUC曲線 00:01:27
第023講 7.代價敏感錯誤率 00:02:49
第024講 8.假設檢驗 00:05:17
第025講 9.T檢驗 00:01:59
第026講 10.偏差和方差 00:04:03
第027講 1.感知機模型 00:04:56
第028講 2.感知機學習策略 00:02:28
第029講 3.感知機學習算法 00:17:18
第030講 1.原型聚類描述 00:03:43
第031講 2.性能度量 00:10:53
第032講 3.1原型聚類 k均值算法 00:04:58
第033講 3.2 原型聚類 學習向量算法 00:04:55
第034講 3.3 原型聚類 密度聚類 00:04:48
第035講 3.4原型聚類 層次聚類 00:03:22
第036講 1.綜述 00:00:34
第037講 2.概率圖模型 00:03:18
第038講 3.貝葉斯網絡 00:12:12
第039講 4.樸素貝葉斯分類器 00:04:59
第040講 5.半樸素貝葉斯分類器v 00:24:17
第041講 6.貝葉斯網絡結構學習推斷 00:01:15
第042講 7.吉布斯採樣 00:03:17
第043講 1.決策樹模型與學習基本概念 00:15:29
第044講 2.信息量和熵 00:10:23
第045講 3.決策樹的生成 00:13:42
第046講 4.決策樹的減枝 00:04:41
第047講 5.CART算法 00:15:37
第048講 6.隨機森林 00:05:30
第049講 1.邏輯斯諦回歸模型 00:07:36
第050講 2.最大熵模型 00:19:07
第051講 3.模型學習的最優化方法 00:21:30
第052講 1.開頭 00:00:46
第053講 2.SVM簡介 00:06:45
第054講 3.線性可分支持向量機 00:08:46
第055講 4. 凸優化問題的基本概念 00:20:29
第056講 5.支持向量的確切定義 00:03:59
第057講 6.線性支持向量機 00:09:15
第058講 1.泛函基礎知識 00:21:22
第059講 2. 核函數和非線性支持向量機 00:14:25
第060講 3. 序列最小最優化算法 00:16:02
第061講 1. k近鄰學習 00:03:57
第062講 2. 降維嵌入 00:12:26
第063講 3.主要成分分析 00:08:49
第064講 4. 核化線性降維 00:05:04
第065講 5. 流型學習和度量學習 00:18:15
第066講 1. 提升方法Adaboost算法 00:20:38
第067講 2. Adaboost算法的訓練誤差分析 00:04:31
第068講 3. Adaboost算法的解釋 00:04:38
第069講 4. Adaboost的實現 00:13:27
第070講 1. 問題提出 00:02:23
第071講 2. EM算法的引入 00:19:13
第072講 3. EM算法的收斂性 00:04:16
第073講 4. EM算法在高斯混合模型學習中的應用 00:07:11
第074講 5. EM算法的推廣 00:05:41
第075講 1. 計算學習理論的基礎知識 00:07:27
第076講 2. 概率近似正確學習理論 00:11:49
第077講 3. 有限假設空間 00:10:07
第078講 4. VC維 00:10:30
第079講 5. 學習穩定性 00:06:12
第080講 1. 隱馬爾科夫模型的基本概念 00:12:09
第081講 2. 概率計算算法 00:15:15
第082講 3. 學習算法 00:10:29
第083講 4. 預測算法 00:13:16
第084講 1.概率無向圖模型 00:08:21
第085講 2.條件隨機場的定義與形式 00:17:02
第086講 3.條件隨機場的計算問題 00:04:27
第087講 4.條件隨機場的學習算法 00:06:47
第088講 5.條件隨機場的預測算法 00:08:13
第089講 1.精確推斷法：變量消去法和信念傳播法 00:11:34
第090講 2.近似推斷法：MCMC和變分推斷 00:20:58
第091講 1.神經網絡的發展歷程 00:07:56
第092講 2.神經網絡的基本概念以及常見的神經網絡(一） 00:16:09
第093講 3.神經網絡的基本概念以及常見的神經網絡(二） 00:25:23
第094講 4.玻爾茲曼機 00:06:08
第095講 5.深度學習 00:07:04
第096講 1. 深度學習簡介和架構設計 00:06:57
第097講 2. 計算圖形式的反向傳播算法 00:08:27
第098講 3.深度學習的正則化方法（一） 00:25:49
第099講 4.深度學習的正則化方法（二） 00:27:11
第100講 1.深度學習的優化問題 00:18:02
第101講 3.假設空間 00:01:58
第102講 2.神經網絡優化的挑戰 00:14:33
第103講 3.神經網絡的優化算法 00:12:00
第104講 4.相關策略 00:23:57
|
SR_7216