2020年机器学习的数学基础machinelearning .pdfVIP

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 George Casella and Roger L. Berger ? Pattern Recogniation and Machine Learning o Christopher M.Bishop ? And more … ? 以上均为可选参考书目，每人都会有自己的学习方法 网络资源 ? .cad.zju.edu.cn/home/zhx/csmath/ 享受之！ ? 机器学习在科学、工作及其它领域正变得无所不在 ? 本课程将提供应用机器学习、开发新方法的基础 1.2 机器学习单元概况 Call for editing 1.3 什么是机器学习？ 大纲 ? 背景 ? 什么是机器学习 ? 机器学习对于计算机科学和技术有何帮助 当今计算机科学的最大挑战 ? 数据，数据，数据 …… o 需要大量乏味的重复的工作才能创建数字化的世界 ? 需要寻找新的交互方式，创造新类型的媒体 ? 花费高的代价才能请专家（科学家、工程师、电影制作人员、图形 设计师、优秀艺术家和游戏设计人员）来完成工作 ? 需要高效地处理已经存在的数据，并通过它们获得新的数据 计算机是高效运行的机器 ? 各种图像、场景，只要人能够创造，就可以利用计算机来得到它 ? 但是如何来创造这些图像、场景 完全过程化合成 VS 完全数据化 ? 为电影中的一个角色创造动作 o 完全过程化合成 ? 动作比较连贯，但是很容易让人觉得是伪造的，很少在实际中这样 用 o 完全手工制作或者完全数据化 ? 效果质量很高，但是连贯性不好 o 把两者结合起来的混合方法或许是最好的！？ 贝叶斯推理 ? 关于不确定性的一个规则模型 ? 非结构化数据