课程题目

机器学习中的常识性问题

课程内容

机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心,是使计算机具有智能的根本途径。本课程主要介绍了当下机器学习的常识性问题,如机器学习概念,发展历史,超参数,常用的统计学习方法,以及数学理论等基础性知识。

成为VIP会员查看完整内容
0
19

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

统计学习理论是一个新兴的研究领域,它是概率论、统计学、计算机科学和最优化的交叉领域,研究基于训练数据进行预测的计算机算法的性能。以下主题将包括:统计决策理论基础;集中不平等;监督学习和非监督学习;经验风险最小化;complexity-regularized估计;学习算法的泛化界VC维与复杂性;极大极小下界;在线学习和优化。利用一般理论,我们将讨论统计学习理论在信号处理、信息论和自适应控制方面的一些应用。

成为VIP会员查看完整内容
0
56

一、教学目标和基本要求

脑认知及其相关的智能科学是人工智能专业的重要基础知识,通过对这门课程的学习,

要求学生掌握脑与认知科学的基本概念和知识结构,熟悉认知相关的智能科学技术方法、

原理与应用等,了解相关领域的研究现状和发展趋势,对已有成果展开分析与讨论,为

今后进一步的学科探索打好基础。

二、课程简介

本课程重点介绍脑与认知科学的基本概念、知识及其在现实生活中的应用,在此基础

上介绍人工大脑、认知计算等相关的智能科学技术,体现了脑科学、认知科学、人工智能

及计算机和信息科学等多学科领域交叉的特点,为学生提供较为全面系统的知识框架,为

进一步学习后续专业课程打下良好的基础。

三、教材名称及主要参考书

(1)Michael Gazzaniga等著,《认知神经科学》,中国轻工业出版社,2016年(图书馆借阅)

(2)王志良主编,《脑与认知科学概论》,北京邮电大学出版社,2011年(图书馆借阅)

(3)杰夫·霍金斯著,《人工智能的未来》,陕西科学技术出版社,2006年(图书馆借阅)

四、课程内容和课件资料 (更新日期:2020-02-27)

第一章 《绪论及脑科学发展史》

第二章 《神经系统的细胞机制》

成为VIP会员查看完整内容
0
26

书籍介绍: 机器学习是一门人工智能的科学,该领域的主要研究对象是人工智能,特别是如何在经验学习中改善具体算法的性能。机器学习是人工智能及模式识别领域的共同研究热点,其理论和方法已被广泛应用于解决工程应用和科学领域的复杂问题。本书从机器学习的基础入手,分别讲述了分类、排序、降维、回归等机器学习任务,是入门机器学习的一本好书。

作者: Mehryar Mohri,是纽约大学库兰特数学科学研究所的计算机科学教授,也是Google Research的研究顾问。

大纲介绍:

  • 介绍
  • PAC学习框架
  • rademacher复杂度和VC维度
  • 支持向量机
  • 核方法
  • Boosting
  • 线上学习
  • 多类别分类
  • 排序
  • 回归
  • 算法稳定性
  • 降维
  • 强化学习

作者主页https://cs.nyu.edu/~mohri/

成为VIP会员查看完整内容
0
42
Top