机器学习COMP24112

课程内容：

本课程旨在介绍关键机器学习技术背后的基本概念、构建机器学习系统的方法、从数据中学习的方法，以及如何评估学习系统性能并从中获得最佳性能的实验方法。此外，课程还旨在提供理解这些方法如何工作所需的必要数学背景。

具体来说，课程将包括以下内容：机器学习的关键概念和该领域的当前发展。关于如何构建监督机器学习系统（包括分类和回归）的基本知识，涉及模型架构（如基于实例的模型、线性模型、线性基函数模型、核方法、单层和多层感知器等）、损失函数（如平方误差之和、正则化、交叉熵等）和训练优化方法（如基本最优条件、（随机）梯度下降等）。参数、非参数、确定性和概率模型的基本知识。聚类分析的基本知识。如何衡量机器学习系统在分类、回归和聚类方面的性能的基本知识。关于偏差和方差问题、过拟合和欠拟合的基础知识。关于如何进行机器学习实验、使用数据进行模型训练、模型选择和模型测试的基本知识和实践技能。

教学大纲：

- 机器学习基础

- k-近邻

- 机器学习实验

- 机器学习模型

- 损失函数

- 训练和优化

- 人工神经网络

- 支持向量机

- 聚类分析

- 深度学习模型

学习成果：

成功完成本课程后，学生将能够：

1、描述机器学习的基本概念（包括监督和非监督学习、分类、回归和聚类），以及构建机器学习系统的基本要素。

2、解释主要的监督学习技术，比较其差异（包括局限性和优势、质量和权衡、商业/工业问题）。运用所学知识为特定应用选择合适的技术。

3、解释关键聚类算法及其应用。

4、描述模型评估和选择的基本概念，解释训练、验证和测试过程以及超参数选择方法。应用所学知识使用数据、设计机器学习实验，并根据结果进行观察。

5、针对实际问题设计和实施机器学习解决方案，评估解决方案，分析结果和影响。

6、认识和描述机器学习中的问题。