机器学习的数学基础machinelearning技巧.doc

第一课 课程导言 1.1 导言 大纲 · 涵盖由浅入深的一系列机器学习技术 · 将会学到： o PCA, MDS, K-mean, 基于频谱的聚类方法，贝叶斯分类，boosting, logistic回归，决策树，EM算法，隐马尔可夫模型，卡尔曼滤波…… · 讲述算法、理论、应用背后的故事 · 将会既有趣又辛苦 时间安排 · 03.04 介绍 · 03.11 分类 · 03.18 聚类 · 03.25 隐马尔可夫与卡尔曼滤波 原则 · 简即美 · 在理论性和应用性上达到平衡 先修课程 · 概率论 o 分布、密度、边界…… · 统计基础 o 矩、经典分布、回归…… · 算法 o 动态规划、基本数据结构、复杂度…… · 编程 o C/C++, Java, Matlab…… · 将会提供一些背景知识，但课程步调还是会比较快 · 处理抽象数学概念的能力 参考书 · Machine Learning o by Tom Mitchell · Pattern Classsification (2supnd/sup Edition) o by Duda, Hart and Stork · Information Theory, Inference, and Learning Algorithm o by David MacKay · Statistical Inference o by Georg