DATA12001机器学习高级课程,5 op
Tunniste |
DATA12001 |
Voimassaolo |
01.01.2017 - |
Nimi |
机器学习高级课程 |
Lyhenne |
高级课程 |
Laajuus |
5 op |
|
|
Opiskelumuoto |
Syventavat opinnot |
针刺 |
Opintojakso |
|
|
|
|
Arvostelu |
Yleinen asteikko |
|
|
|
ei |
|
|
Voidaan suorittaa useasti |
ei |
Vastuuyksikko |
Datatieteen maisteriohjelma |
|
Opettajat
Kuvaus
Kohderyhma |
数据科学硕士课程负责这门课程。 本课程属于机器学习模块。 本课程适用于其他学位课程的学生。 |
Ajoitus |
建议完成研究的时间/阶段:第一个春季 开设课程的学期/教学周期:每年春季,第四学期 |
Osaamistavoitteet |
获得更深层次的机器学习领域技能知识:能够将机器学习的基本公式描述为最小化预期风险,并识别风险的替代公式。能从形式定义推导出实用的损失函数,并能描述概率模型与损失最小化之间的关系。能够清晰地描述无监督学习和监督学习的核心任务,也能识别更高级的学习设置。能够在数值编程语言中推导并实现至少一种适合于典型的无监督学习任务的算法:聚类、因子分析和降维。可以在数值编程语言中推导并实现稀疏和正则线性的分类和回归方法,并可以实现一些非线性的分类方法,如随机森林和支持向量机。 |
Toteutus |
课程通过考试和练习相结合的方式完成,这两部分都需要通过才能完成课程。部分练习涉及编程。 通过独立考试完成课程需要解决一个小的研究项目。 |
Edeltävät opinnot tai edeltävä osaaminen |
知识方面的先决条件 了解概率演算和统计(包括多元统计),线性代数(矩阵演算)和微分演算(微分和积分)。一个人需要能够流利地遵循基于这些概念的方法和算法的数学描述,并执行简单的推导。具有一定的数字语言(通常是Python或R)编程技能,足以实现机器学习算法。 数据科学项目学生的先决条件,就课程而言 DATA11002机器学习简介 其他学生在课程方面的先决条件 DATA11002机器学习简介 之前推荐的课程 MAT22005贝叶斯推理,DATA20001深度学习,DATA12002概率图形模型 |
Suositeltavat valinnaiset opinnot |
机器学习和统计数据科学模块的课程 其他课程,支持进一步发展的能力提供此 课程:
高级统计推断,贝叶斯统计高级课程,数据科学项目 |
Sisalto |
将机器学习定义为风险最小化和概率建模。不同类型的机器学习任务,还包括迁移学习等高级设置。机器学习的常用优化方法。无监督学习方法:聚类、因子分析、矩阵分解、非线性降维。监督学习方法:线性和非线性分类器,核方法,决策树和森林,推进。 |
Oppimateriaali ja kirjallisuus |
教材:Kevin P. Murphy《机器学习:概率视角》,麻省理工学院出版社,2012年。 教材是补充了额外的公开可用的材料,并且教材可能会在未来改变。 |
oppiista tukevat aktiviteetit ja opetusmenetelmät |
主要的教学模式是讲课和练习,辅以积极的指导,如果适用,辅以其他形式的教学方法。我们鼓励学生参加讲座,他们需要解决练习问题,包括涉及编程任务的问题,以达到与执行技能相关的学习成果。部分练习题以开放的方式编排,以协助学生掌握解决问题的技巧,并需要书面陈述,以促进科学陈述技巧的学习。 |
Arviointimenetelmat ja -kriteerit |
评分标准是1…5。
评分是基于课程考试和练习的结合。要通过这门课程,考试和练习都要拿到一半的分数。
该课程也可以通过完成单独的考试和项目工作来完成。要通过这门课程,考试和项目都要拿到一半的分数。
|
Vastuuhenkilo |
Nikolaj Tatti |
Avainsanat |
适合交换生 |
|
Meneillään oleva ja tuleva opetus
Toiminnot |
Nimi |
Tyyppi |
人事处 |
Opettaja |
Aikataulu |
ilmoittautumisaika paattynyt上 |
机器学习高级课程 |
Luentokurssi |
5 |
Nikolaj Tatti |
|
|
Tulevat tentit