《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。
播放:35763次,课程ID:4233663
《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。
--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
--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
--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
--1.感知机模型
--2.感知机学习策略
--3.感知机学习算法
--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
--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
--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
--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
--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
--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
--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
--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
--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
--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
--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
--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
--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
--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
--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)
--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
清华大学博士生导师,副研究员,清华大学-香港中文大学媒体科学、技术与系统联合研究中心常委副主任,清华大学深圳研究生院计算机应用技术实验室主任,中国计算机协会高级会员,多媒体专委会委员。长期从事机器学习,计算机视觉,多媒体技术等方面的研究。承担清华大学深圳研究生院的大数据方向的研究生重点课程:“大数据机器学习”,“大数据分析”,以及“计算机视觉”的授课。