【ZiDongHua之“自动化学院派”收录关键词:南京大学 自动驾驶 智能医疗诊断 机器学习】
 
  周志华教授授课!人人听得懂的AI课
 
 
  机器学习是人工智能的核心领域。从自动驾驶汽车到智能医疗诊断,从金融风险控制到个性化推荐系统,机器学习在各行各业发挥着重要价值。同样,机器学习也是增强学生AI素养与能力的必要学习内容。
 
  由南京大学副校长周志华教授主讲的“机器学习”入门系列课程——机器学习初步和机器学习进步两门课程上线超星尔雅,等你来参加!
 
  授课教师简介
 
 
  周志华,南京大学教授、博士生导师、副校长。国际人工智能联合会理事会主席、ACM、AAAI、IEEE等主流国际学术组织的Fellow、国家基金委创新群体带头人。教育部高等学校计算机类专业教学指导委员会副主任、人工智能专家委主任,国务院学位委员会计算机类学科评议组成员,现任第十四届全国政协委员。主要研究方向为人工智能、机器学习、数据挖掘。获国家自然科学二等奖两项、国家级教学成果一等奖一项、首届全国教材建设奖全国优秀教材(高等教育类)一等奖、省部级科技一等奖四项、IEEE计算机学会Edward J.McCluskey技术成就奖、中国计算机学会王选奖、南京大学卓越教学奖等。
 
  周志华所著的《机器学习》一书,内容丰富、深入浅出,广受机器学习研究者与从业者的欢迎,很多人工智能学子奉其为经典的入门教材。该书于2016年面世,3个月内销售近30000册,并在8个月内重印9次,曾获首届全国教材建设奖,全国优秀教材(高等教育类)一等奖。
 
 
  “机器学习”入门系列课程
 
  点击观看课程精彩片段
 
  从零基础到进阶,“机器”学习入门系列包括“初步”和“进步”两门课程。
 
  “机器学习初步”
 
  课程亮点
 
  01
 
  体系完善,基础要点全覆盖
 
  知识体系全面,覆盖入门机器学习的基本概念与基础算法,帮助初学者提纲挈领地了解领域全貌。
 
  第一章绪论
 
  1.1教材
 
  1.2课程定位
 
  1.3机器学习
 
  1.4机器学习的案例
 
  1.5典型的机器学习过程
 
  1.6计算学习理论
 
  1.7基本术语
 
  1.8归纳偏好
 
  1.9NFL定理
 
  第二章模型评估与选择
 
  2.1泛化能力
 
  2.2过拟合和欠拟合
 
  2.3三大问题
 
  2.4评估方法
 
  2.5调参与验证集
 
  2.6性能度量
 
  2.7比较检验
 
  第三章线性模型
 
  3.1线性回归
 
  3.2最小二乘解
 
  3.3多元线性回归
 
  3.4广义线性模型
 
  3.5对率回归
 
  3.6多分类学习基本思路
 
  第四章决策树
 
  4.1决策树基本流程
 
  4.2信息增益划分
 
  4.3其他属性划分准则
 
  4.4决策树的剪枝
 
  4.5预剪枝与后剪枝
 
  4.6决策树简史
 
  第五章支持向量机
 
  5.1支持向量机基本型
 
  5.2对偶问题与解的特性
 
  5.3求解方法
 
  5.4特征空间映射
 
  5.5核函数
 
  5.6SVM简史
 
  第六章神经网络
 
  6.1神经网络模型
 
  6.2万有逼近能力
 
  6.3缓解过拟合
 
  6.4神经网络简史
 
  6.5深度神经网络的发展
 
  第七章贝叶斯分类器
 
  7.1贝叶斯决策论
 
  7.2生成式和判别式模型
 
  7.3贝叶斯定理
 
  7.4极大似然估计
 
  7.5朴素贝叶斯分类器
 
  7.6拉普拉斯修正
 
  第八章集成学习
 
  8.1集成学习
 
  8.2好而不同
 
  8.3两类常用集成学习方法
 
  8.4Boosting
 
  8.5Bagging
 
  第九章聚类
 
  9.1聚类
 
  9.2聚类性能度量
 
  9.3距离计算
 
  9.4聚类方法概述
 
  上下滑动查看课程大纲
 
  02
 
  结合案例,让理论更生动
 
  结合西瓜分类等案例分析,讲解机器学习的原理和过程,让理论知识更加通俗易懂。
 
  以“西瓜分类”为例,讲解典型的机器学习过程
 
  0
 
  3
 
  巧用类比教学方法,通过类比性质相似的简单事物来解释复杂深奥的知识,直观易懂,让学生能够轻松理解。
 
  通过类比树叶识别,讲解过拟合和欠拟合概念
 
  “机器学习进步”
 
  课程亮点
 
  01
 
  梳理学科简史,领悟算法思想
 
  通过回顾机器学习领域的发展历程,介绍不同的流派,帮助学生更好地理解不同方法的性能和效果,体会根据实际问题选择合适方法的基本思想。
 
  通过介绍机器学习流派,领悟不同算法的特色
 
  02
 
  深化知识主题,构建由浅入深的认知体系
 
  “进步”延续了“初步”课程的核心主题,并进一步深入深化。例如,“线性模型”一章,在“初步”课程里介绍了线性回归、对数几率回归等基本概念,“进步”课程里则介绍了线性判别分析模型,构建了从基础到高阶的认知体系。
 
  承接基础知识,进一步介绍线性判别分析模型,更具专业性
 
  第一章绪论
 
  1.1假设空间
 
  1.2NFL定理推导
 
  第二章模型评估与选择
 
  2.1PR指标的扩展
 
  2.2ROC与AUC
 
  2.3非均等代价
 
  2.4偏差-方差分解
 
  第三章线性模型
 
  3.1对率回归求解
 
  3.2线性判别分析
 
  3.3线性判别分析的多类推广
 
  3.4纠错输出码
 
  3.5类别不平衡
 
  第四章机器学习的学派
 
  4.1机器学习的学派
 
  第五章决策树
 
  5.1连续值的处理
 
  5.2缺失值的处理
 
  5.3从“树”到“规则”
 
  5.4多变量决策树
 
  第六章支持向量机
 
  6.1软间隔SVM
 
  6.2正则化
 
  6.3如何使用SVM?
 
  6.4表示定理
 
  6.5核方法
 
  第七章神经网络
 
  7.1BP算法推导
 
  7.2标准BP与累积BP
 
  7.3全局最小和局部极小
 
  7.4其他常见神经网络模型
 
  7.5深度神经网络
 
  7.6深度神经网络的诀窍
 
  第八章贝叶斯分类器
 
  8.1贝叶斯分类器与贝叶斯学习
 
  8.2半朴素贝叶斯分类器
 
  8.3贝叶斯网
 
  8.4典型依赖关系
 
  8.5分析条件独立性
 
  8.6结构学习
 
  8.7推断
 
  8.8EM算法
 
  第九章集成学习
 
  9.1学习器的结合
 
  9.2Stacking
 
  9.3选择性集成
 
  9.4多样性度量
 
  9.5多样性增强常用策略
 
  第十章聚类
 
  10.1k均值聚类
 
  10.2学习向量量化
 
  10.3高斯混合聚类
 
  10.4DBSCAN
 
  10.5层次聚类
 
  上下滑动查看课程大纲
 
  03
 
  算法推导严谨,注重底层原理
 
  注重算法的数学理论,以严谨的推算过程帮助学生更深入地理解机器学习的原理,并关注相似概念的澄清,为学生未来的研究与实践打下坚实的理论基础。
 
  逐步推导讲解AUC指标,深化学生对原理的理解
 
  智启未来南大先行
 
  以创新之力赋能AI教育
 
  以开放之姿拥抱无限可能
 
  在南大,人人都能学AI
 
  “机器学习”入门系列课程
 
  现已上线,欢迎选修!
 
  从今日课堂出发
 
  奔赴我们的智能星海!