【ZiDongHua之“自動化學院派”收錄關鍵詞：南京大學 自動駕駛 智能醫(yī)療診斷 機器學習】
 
　　周志華教授授課！人人聽得懂的AI課
 
 
　　機器學習是人工智能的核心領域。從自動駕駛汽車到智能醫(yī)療診斷，從金融風險控制到個性化推薦系統(tǒng)，機器學習在各行各業(yè)發(fā)揮著重要價值。同樣，機器學習也是增強學生AI素養(yǎng)與能力的必要學習內(nèi)容。
 
　　由南京大學副校長周志華教授主講的“機器學習”入門系列課程——機器學習初步和機器學習進步兩門課程上線超星爾雅，等你來參加！
 
　　授課教師簡介
 
 
　　周志華，南京大學教授、博士生導師、副校長。國際人工智能聯(lián)合會理事會主席、ACM、AAAI、IEEE等主流國際學術組織的Fellow、國家基金委創(chuàng)新群體帶頭人。教育部高等學校計算機類專業(yè)教學指導委員會副主任、人工智能專家委主任，國務院學位委員會計算機類學科評議組成員，現(xiàn)任第十四屆全國政協(xié)委員。主要研究方向為人工智能、機器學習、數(shù)據(jù)挖掘。獲國家自然科學二等獎兩項、國家級教學成果一等獎一項、首屆全國教材建設獎全國優(yōu)秀教材（高等教育類）一等獎、省部級科技一等獎四項、IEEE計算機學會Edward J.McCluskey技術成就獎、中國計算機學會王選獎、南京大學卓越教學獎等。
 
　　周志華所著的《機器學習》一書，內(nèi)容豐富、深入淺出，廣受機器學習研究者與從業(yè)者的歡迎，很多人工智能學子奉其為經(jīng)典的入門教材。該書于2016年面世，3個月內(nèi)銷售近30000冊，并在8個月內(nèi)重印9次，曾獲首屆全國教材建設獎，全國優(yōu)秀教材（高等教育類）一等獎。
 
 
　　“機器學習”入門系列課程
 
　　點擊觀看課程精彩片段
 
　　從零基礎到進階，“機器”學習入門系列包括“初步”和“進步”兩門課程。
 
　　“機器學習初步”
 
　　課程亮點
 
　　01
 
　　體系完善，基礎要點全覆蓋
 
　　知識體系全面，覆蓋入門機器學習的基本概念與基礎算法，幫助初學者提綱挈領地了解領域全貌。
 
　　第一章緒論
 
　　1.1教材
 
　　1.2課程定位
 
　　1.3機器學習
 
　　1.4機器學習的案例
 
　　1.5典型的機器學習過程
 
　　1.6計算學習理論
 
　　1.7基本術語
 
　　1.8歸納偏好
 
　　1.9NFL定理
 
　　第二章模型評估與選擇
 
　　2.1泛化能力
 
　　2.2過擬合和欠擬合
 
　　2.3三大問題
 
　　2.4評估方法
 
　　2.5調(diào)參與驗證集
 
　　2.6性能度量
 
　　2.7比較檢驗
 
　　第三章線性模型
 
　　3.1線性回歸
 
　　3.2最小二乘解
 
　　3.3多元線性回歸
 
　　3.4廣義線性模型
 
　　3.5對率回歸
 
　　3.6多分類學習基本思路
 
　　第四章決策樹
 
　　4.1決策樹基本流程
 
　　4.2信息增益劃分
 
　　4.3其他屬性劃分準則
 
　　4.4決策樹的剪枝
 
　　4.5預剪枝與后剪枝
 
　　4.6決策樹簡史
 
　　第五章支持向量機
 
　　5.1支持向量機基本型
 
　　5.2對偶問題與解的特性
 
　　5.3求解方法
 
　　5.4特征空間映射
 
　　5.5核函數(shù)
 
　　5.6SVM簡史
 
　　第六章神經(jīng)網(wǎng)絡
 
　　6.1神經(jīng)網(wǎng)絡模型
 
　　6.2萬有逼近能力
 
　　6.3緩解過擬合
 
　　6.4神經(jīng)網(wǎng)絡簡史
 
　　6.5深度神經(jīng)網(wǎng)絡的發(fā)展
 
　　第七章貝葉斯分類器
 
　　7.1貝葉斯決策論
 
　　7.2生成式和判別式模型
 
　　7.3貝葉斯定理
 
　　7.4極大似然估計
 
　　7.5樸素貝葉斯分類器
 
　　7.6拉普拉斯修正
 
　　第八章集成學習
 
　　8.1集成學習
 
　　8.2好而不同
 
　　8.3兩類常用集成學習方法
 
　　8.4Boosting
 
　　8.5Bagging
 
　　第九章聚類
 
　　9.1聚類
 
　　9.2聚類性能度量
 
　　9.3距離計算
 
　　9.4聚類方法概述
 
　　上下滑動查看課程大綱
 
　　02
 
　　結合案例，讓理論更生動
 
　　結合西瓜分類等案例分析，講解機器學習的原理和過程，讓理論知識更加通俗易懂。
 
　　以“西瓜分類”為例，講解典型的機器學習過程
 
　　0
 
　　3
 
　　巧用類比教學方法，通過類比性質相似的簡單事物來解釋復雜深奧的知識，直觀易懂，讓學生能夠輕松理解。
 
　　通過類比樹葉識別，講解過擬合和欠擬合概念
 
　　“機器學習進步”
 
　　課程亮點
 
　　01
 
　　梳理學科簡史，領悟算法思想
 
　　通過回顧機器學習領域的發(fā)展歷程，介紹不同的流派，幫助學生更好地理解不同方法的性能和效果，體會根據(jù)實際問題選擇合適方法的基本思想。
 
　　通過介紹機器學習流派，領悟不同算法的特色
 
　　02
 
　　深化知識主題，構建由淺入深的認知體系
 
　　“進步”延續(xù)了“初步”課程的核心主題，并進一步深入深化。例如，“線性模型”一章，在“初步”課程里介紹了線性回歸、對數(shù)幾率回歸等基本概念，“進步”課程里則介紹了線性判別分析模型，構建了從基礎到高階的認知體系。
 
　　承接基礎知識，進一步介紹線性判別分析模型，更具專業(yè)性
 
　　第一章緒論
 
　　1.1假設空間
 
　　1.2NFL定理推導
 
　　第二章模型評估與選擇
 
　　2.1PR指標的擴展
 
　　2.2ROC與AUC
 
　　2.3非均等代價
 
　　2.4偏差-方差分解
 
　　第三章線性模型
 
　　3.1對率回歸求解
 
　　3.2線性判別分析
 
　　3.3線性判別分析的多類推廣
 
　　3.4糾錯輸出碼
 
　　3.5類別不平衡
 
　　第四章機器學習的學派
 
　　4.1機器學習的學派
 
　　第五章決策樹
 
　　5.1連續(xù)值的處理
 
　　5.2缺失值的處理
 
　　5.3從“樹”到“規(guī)則”
 
　　5.4多變量決策樹
 
　　第六章支持向量機
 
　　6.1軟間隔SVM
 
　　6.2正則化
 
　　6.3如何使用SVM？
 
　　6.4表示定理
 
　　6.5核方法
 
　　第七章神經(jīng)網(wǎng)絡
 
　　7.1BP算法推導
 
　　7.2標準BP與累積BP
 
　　7.3全局最小和局部極小
 
　　7.4其他常見神經(jīng)網(wǎng)絡模型
 
　　7.5深度神經(jīng)網(wǎng)絡
 
　　7.6深度神經(jīng)網(wǎng)絡的訣竅
 
　　第八章貝葉斯分類器
 
　　8.1貝葉斯分類器與貝葉斯學習
 
　　8.2半樸素貝葉斯分類器
 
　　8.3貝葉斯網(wǎng)
 
　　8.4典型依賴關系
 
　　8.5分析條件獨立性
 
　　8.6結構學習
 
　　8.7推斷
 
　　8.8EM算法
 
　　第九章集成學習
 
　　9.1學習器的結合
 
　　9.2Stacking
 
　　9.3選擇性集成
 
　　9.4多樣性度量
 
　　9.5多樣性增強常用策略
 
　　第十章聚類
 
　　10.1k均值聚類
 
　　10.2學習向量量化
 
　　10.3高斯混合聚類
 
　　10.4DBSCAN
 
　　10.5層次聚類
 
　　上下滑動查看課程大綱
 
　　03
 
　　算法推導嚴謹，注重底層原理
 
　　注重算法的數(shù)學理論，以嚴謹?shù)耐扑氵^程幫助學生更深入地理解機器學習的原理，并關注相似概念的澄清，為學生未來的研究與實踐打下堅實的理論基礎。
 
　　逐步推導講解AUC指標，深化學生對原理的理解
 
　　智啟未來南大先行
 
　　以創(chuàng)新之力賦能AI教育
 
　　以開放之姿擁抱無限可能
 
　　在南大，人人都能學AI
 
　　“機器學習”入門系列課程
 
　　現(xiàn)已上線，歡迎選修！
 
　　從今日課堂出發(fā)
 
　　奔赴我們的智能星海！