CMU计算机器学习2021 春季课程研讨生水平(cmu大学计算机排名)--考研网上

机器之心收拾
参加：蒋思源
机器之心向我们介绍一门计算机器学习课程，该课程的授课教师是 cmu 的 ryan tibshirani 和 larry wasserman，他们从回归模型到概率图模型向咱们展示了计算机器学习的全部概念与推导。本课程合适有必定盖尤踣和机器学习基础的读者进一步了解计算机器学习的一般理论，且一切的课程视频、笔记等材料都可在课程页面获取。
该《计算机器学习》课程是 cmu 中进阶机器学习的研二课程，所以想学习的读者可以需要有一些机器学习和中级计算学有关的布景常识。术语「计算」反映了该课程对计算学理论和办法论的注重。本课程将办法和理论基础相联系，且各项定理都从直观实习经历初步论说，所以有助于咱们运用恰当办法和东西来了解与完成这些理论。该课程包括了对机器学习研讨与学习非常重要的计算理论基础，包括非参数理论、共同性、极小极大估量和会集性衡量等。
该课程地址：http://www.stat.cmu.edu/~ryantibs/statml/
课程布景常识需求：
依概收敛与依分布收敛
中心极限制理与大数规则
最大似然估量与 fisher 信息
贝叶斯揣度
回归
正则化、误差-方差权衡
贝叶斯分类器、线性分类器和撑持向量机
部队式、特征向量与特征值

关于许多入门级读者来说，该课程会略微有一些困难。因为这门课程的首要内容更注重于机器学习中的计算理论与办法，而且课程需求的布景常识正好可以经过李航的《计算学习办法》进行学习，所以修改认为咱们可以先结束李航的计算学习办法，从概率与计算的方向了解机器学习的本质特征，然后再进一步学习该课程。
根据李航对计算机器学习的论说，咱们晓得计算机器学习（statistical machine learning）是关于核算机根据数据构建概率计算模型并运用模型对数据进行猜测与分析的一门学科。它有如下一些特征：
计算机器学习以核算机及网络为平台，是树立在核算机及网络之上的
计算机器学习以数据为研讨目标，是数据驱动的学科
计算机器学习的意图是对数据进行猜测与分析
计算机器学习以办法为中心，计算学习办法构建模型并使用模型进行猜测与分析
计算机器学习是盖尤踣、计算学、信息论、核算理论、最优化理论及核算机科学等多个领域的穿插学科，而且在打开中逐步构成单独的理论体系与办法论。
以下在有计算机器学习概念的基础上介绍该课程内容：
该课程的主题为：线性回归、线性分类、非参数回归、非参数分类、再生核希尔伯特空间（reproducing kernel hilbert spaces）、密度估量、聚类、高维查验、会集性衡量（concentration of measure）、极小极大理论（minimax theory）、稀少性和 lasso，还有概率图模械寥。
而且每一个主题都有相应的学时、笔记、视频等材料。例如在图模型章节中，ryan tibshirani 和 larry wasserman 具体说明了各种无向图模型，而且有非常详尽的课程材料。如下是该章节的笔记材料目录：

该材料从标准的图模型界说，即表征特征（

变量）之间联络的一种办法，其有两个首要的分类，即有向图模型和无向图模型。然后其就从无向图的边缘有关性图模型、有些有关性图模型和条件独立性图模型向咱们打开整个内容。该材料不只有详尽的公式推导，一起还有各种利于了解的直观概念图，下面展示了几个直观了解的图表：

图 1：蛋白质网络（protein network），一种无向图模型。

图 2：表征一个隐马尔可夫模型的有向图。灰色的结点是咱们能调查到的，而白色的结点表征的是隐马尔可夫链中的状况，它是不能调查到的。下图将有向边替换为无向边并不会改动独立性联络。
当然除了材料以外，更重要的就是视频，这些课程都供给了相应的 youtube 视频，咱们能直接在该课程页面选择相应的视频本钱。除了视频外，该页面还供给了许多课程作业的材料。
最终整个课程的主题与本钱展示如下：

未经允许不得转载：考研网上 - 考研网上辅导班有用吗 > CMU计算机器学习2021 春季课程研讨生水平(cmu大学计算机排名)