机器学习是指通过经验自动提高性能的计算机程序(例如，学习识别人脸、推荐音乐和电影，以及驾驶自动机器人的程序)。本课程从不同的角度涵盖了机器学习的理论和实际算法。我们涵盖的主题如贝叶斯网络，决策树学习，支持向量机，统计学习方法，无监督学习和强化学习。本课程涵盖了归纳偏差、PAC学习框架、贝叶斯学习方法、基于边际的学习和奥卡姆剃刀等理论概念。编程作业包括各种学习算法的动手实验。本课程旨在为研究生提供机器学习研究人员目前所需要的方法学、技术、数学和算法的全面基础知识。
通过学习这门课程，能够获取：
实现和分析现有的学习算法，包括学习良好的分类、回归、结构化预测、聚类和表示学习方法
将实际机器学习的多个方面整合到一个系统中:数据预处理、学习、正则化和模型选择
描述用于学习的模型和算法的形式属性，并解释这些结果的实际含义
比较和对比不同的学习模式(有监督的，无监督的，等等)
设计实验来评估和比较现实问题中不同的机器学习技术
运用概率、统计学、微积分、线性代数和最优化来开发新的预测模型或学习方法
给出ML技术的描述，分析它以确定(1)形式主义的表达能力;(2)算法隐含的归纳偏差;(3)搜索空间的大小和复杂度;(5)关于终止、收敛、正确性、准确性或泛化能力的任何保证(或缺乏保证)。
课程地址：
http://www.cs.cmu.edu/~mgormley/courses/10601/
目录内容：
专知便捷查看
便捷下载，请关注专知公众号（点击上方蓝色专知关注）
专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！点击“阅读原文”，了解使用专知，查看获取5000+AI主题知识资源
