課程內(nèi)容：

隨著金融和生物學(xué)等領(lǐng)域以及web上可用數(shù)據(jù)量的指數(shù)級增長，現(xiàn)在越來越需要能夠檢測數(shù)據(jù)中有趣模式的方法，以及基于精選數(shù)據(jù)集對新數(shù)據(jù)點進行分類的方法。學(xué)習(xí)方法提供了自動進行這種分析的手段，并有助于增強對一般過程的理解或?qū)ξ磥硎录念A(yù)測。

本課程涵蓋的內(nèi)容涉及監(jiān)督學(xué)習(xí)，半監(jiān)督和主動學(xué)習(xí)，無監(jiān)督學(xué)習(xí)，核方法，概率圖形模型，分類器組合，神經(jīng)網(wǎng)絡(luò)。課程旨在通過理論方法和將這些方法應(yīng)用于現(xiàn)實世界問題的實踐經(jīng)驗的結(jié)合，向研究生介紹機器學(xué)習(xí)。

課程涵蓋了以下主題：線性模型，支持向量機，隨機森林，AdaBoost，堆疊，多視圖學(xué)習(xí)，深度神經(jīng)網(wǎng)絡(luò)，無/有向概率圖形模型(貝葉斯網(wǎng)和馬爾可夫隨機場)，隱馬爾可夫模型，主成分分析，核方法。

學(xué)習(xí)成果：

完成本課程后，學(xué)生應(yīng)該能夠：

1、描述一系列機器學(xué)習(xí)算法；

2、設(shè)計、實施和評估學(xué)習(xí)系統(tǒng)，以解決現(xiàn)實世界的問題。

課程評估：

1、兩個項目，第7周和第11周截止，50%。

2、在線測驗，兩周一次，根據(jù)6次測驗中最好的5次成績評分，10%。

3、期末考試，2小時，40%。