从数据中学习ECMM445

课程内容：

人工智能机器和软件必须从环境中吸收数据并据此做出决策。同样，我们生活在一个数据丰富的社会，必须能够理解复杂的数据集。本课程将向你介绍从数据中学习的机器学习方法。你将从理论角度了解主要的学习范式，并通过一系列研讨会获得实践经验。课程的重点将放在处理真实数据上，你将使用、修改和编写软件来实现学习算法。此外，课程还将涉及一些最新的神经网络架构和相关学习算法。

课程目标：

本课程旨在让学生掌握机器学习的基础知识，同时讨论一些著名机器学习模型和相关学习算法的技术问题。课程将为分类、回归和无监督方法（聚类和降维）的机器学习和统计技术的理论和应用提供全面的基础。同时，课程将涵盖核方法和神经网络（仅限前馈架构）。

教学大纲：

1、机器学习和统计建模中的问题和方法分类

2、监督学习（分类和回归）：决策树；基于相似性的学习；基于误差的学习；神经网络概念；集合学习概念；模型和分类器评估。

3、无监督学习：聚类（分层、分区和基于密度的聚类）；聚类评估；关联规则。

4、数据描述和预处理：处理不平衡和重采样；缺失值和估算；噪声和异常值检测；特征选择。

学习成果：

成功完成本课程后，你应该能够：

1. 将统计和神经模式识别原理应用于新的数据。

2. 分析新的模式识别和分类问题，为其建立模型并编写软件加以解决。

3. 利用一系列监督和非监督模式识别和机器学习技术来解决各种问题。

4. 说明建立模式识别原理模型的重要性和难度。

5. 使用 Python 或其他编程语言进行科学分析和模拟。

6. 确定将理论转化为实践时必须做出的妥协和权衡。

7. 批判性地阅读和报告研究论文。