机器学习涉及的是通过经验自动提高其性能的计算机程序(例如,学习人脸识别,推荐音乐和电影,以及驱动自主机器人的程序)。本课程从多种角度涵盖了机器学习的理论和实际算法。我们涵盖了贝叶斯网络、决策树学习、支持向量机、统计学习方法、无监督学习和强化学习等主题。课程涵盖的理论概念如归纳偏差,PAC学习框架,贝叶斯学习方法,基于边际的学习,和奥卡姆剃刀。编程作业包括各种学习算法的动手实验。本课程旨在为研究生提供机器学习研究人员所需要的方法论、技术、数学和算法的全面基础知识。
http://www.cs.cmu.edu/~mgormley/courses/10601/
学习成果: 课程结束时,学生应能够:
实现并分析现有的学习算法,包括为分类、回归、结构预测、聚类和表示学习而充分研究的方法
将实际机器学习的多个方面集成到一个系统中:数据预处理、学习、正则化和模型选择
描述学习模型和算法的形式属性,并解释这些结果的实际含义
比较和对比不同的学习范式(监督的、非监督的,等等)
设计实验评估和比较不同的机器学习技术在现实世界的问题
运用概率论、统计学、微积分、线性代数和最优化来开发新的预测模型或学习方法
给出一种ML技术的描述,分析它,确定(1)形式主义的表达能力;(2)算法中隐含的归纳偏差;(3)搜索空间
参考书籍:
Machine Learning, Tom Mitchell.
Machine Learning: a Probabilistic Perspective, Kevin Murphy. Full online access is free through CMU’s library – for the second link, you must be on CMU’s network or VPN.
A Course in Machine Learning, Hal Daumé III. Online only.
目录内容:
Classification & Regression
深度学习
强化学习
生成模型
概率图模型
学习理论
学习方式
专知便捷查看
便捷下载,请关注专知公众号(点击上方蓝色专知关注)
后台回复“ML21” 就可以获取《不可错过!CMU《机器学习导论》2021课程,ML祖师爷Tom Mitchell带队讲授,附Slides》专知下载链接