赞
踩
点击上方“深度学习技术前沿”,选择“星标”公众号
资源干货,第一时间送达
多伦多大学Amir-massoud Farahmand和Emad A. M. Andrews博士开设了机器学习导论课程,介绍了机器学习的主要概念和思想,并概述了许多常用的机器学习算法。它还可以作为更高级的ML课程的基础。
机器学习(ML)是一组技术,它允许计算机从数据和经验中学习,而不需要人工指定所需的行为。ML在人工智能作为一个学术领域和工业领域都变得越来越重要。本课程介绍了机器学习的主要概念和思想,并概述了许多常用的机器学习算法。它还可以作为更高级的ML课程的基础。
本课程结束时,学生将学习到以下内容:
机器学习问题:监督(回归和分类),非监督(聚类,降维),强化学习
模型:线性和非线性(基扩展和神经网络)
损失函数:平方损失、交叉熵、铰链、指数等。
Regularizers: l1和l2
概率观点:最大似然估计,最大后验,贝叶斯推理
偏差和方差的权衡
集成方法:Bagging 和 Boosting
ML中的优化技术: 梯度下降法和随机梯度下降法
课程目录:
参考资料:
(ESL) Trevor Hastie, Robert Tibshirani, and Jerome Friedman, The Elements of Statistical Learning, 2009.
(PRML) Christopher M. Bishop, Pattern Recognition and Machine Learning, 2006.
(RL) Richard S. Sutton and Andrew G. Barto Reinforcement Learning: An Introduction, 2018.
(DL) Ian Goodfellow, Yoshua Bengio and Aaron Courville (2016), Deep Learning
(MLPP) Kevin P. Murphy, Machine Learning: A Probabilistic Perspective, 2013.
(ISL) Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani, Introduction to Statistical Learning, 2017.
() Shai Shalev-Shwartz and Shai Ben-David Understanding Machine Learning: From Theory to Algorithms, 2014.
(ITIL) David MacKay, Information Theory, Inference, and Learning Algorithms, 2003.
机器学习导论
资料获取方式:
1. 关注我们的公众号“深度学习技术前沿”
2. 后台回复“CSC311” 即可以获取相关资料哈~
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。