多伦多大学2020春季CSC311课程「机器学习导论」课件PPT

点击上方“深度学习技术前沿”，选择“星标”公众号

资源干货，第一时间送达

多伦多大学Amir-massoud Farahmand和Emad A. M. Andrews博士开设了机器学习导论课程，介绍了机器学习的主要概念和思想，并概述了许多常用的机器学习算法。它还可以作为更高级的ML课程的基础。

机器学习(ML)是一组技术，它允许计算机从数据和经验中学习，而不需要人工指定所需的行为。ML在人工智能作为一个学术领域和工业领域都变得越来越重要。本课程介绍了机器学习的主要概念和思想，并概述了许多常用的机器学习算法。它还可以作为更高级的ML课程的基础。

本课程结束时，学生将学习到以下内容：

• 机器学习问题:监督(回归和分类)，非监督(聚类，降维)，强化学习

• 模型:线性和非线性(基扩展和神经网络)

• 损失函数:平方损失、交叉熵、铰链、指数等。

• Regularizers: l1和l2

• 概率观点:最大似然估计，最大后验，贝叶斯推理

• 偏差和方差的权衡

• 集成方法:Bagging 和 Boosting

• ML中的优化技术: 梯度下降法和随机梯度下降法

课程目录：

参考资料：

• (ESL) Trevor Hastie, Robert Tibshirani, and Jerome Friedman, The Elements of Statistical Learning, 2009.

• (PRML) Christopher M. Bishop, Pattern Recognition and Machine Learning, 2006.

• (RL) Richard S. Sutton and Andrew G. Barto Reinforcement Learning: An Introduction, 2018.

• (DL) Ian Goodfellow, Yoshua Bengio and Aaron Courville (2016), Deep Learning

• (MLPP) Kevin P. Murphy, Machine Learning: A Probabilistic Perspective, 2013.

• (ISL) Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani, Introduction to Statistical Learning, 2017.

• () Shai Shalev-Shwartz and Shai Ben-David Understanding Machine Learning: From Theory to Algorithms, 2014.

• (ITIL) David MacKay, Information Theory, Inference, and Learning Algorithms, 2003.

机器学习导论

资料获取方式：

1. 关注我们的公众号“深度学习技术前沿”

2. 后台回复“CSC311” 即可以获取相关资料哈~