西北工业大学，计算机学院
支持团队: 机器与人类学习科学(Machine and People Learning Science, Maple)
研究领域：机器学习、大数据科学与技术、学习科学
个人主页： https://teacher.nwpu.edu.cn/ypzhang.html
联系邮箱: ypzhaang [@] nwpu [DOT] edu [DOT] cn
团队招募：机器学习与学习科学研究团队常年招募高年级本科生工程、毕设项目。

Upenn Slides: An Introduction to ML

P. Shevchenko: List of Distributions

UCI iris Dataset: Data Download

作业一：概率密度分布学习（5'）

思考：大数定理与中心极限定理

第二章：贝叶斯统计决策理论

概率类型及贝叶斯法则

正态分布的统计决策

Tom Slides: Joint_MLE_MAP

Bayesian Slides: Bayesian_Estimation

作业二：最简单的作业（3'）

开放工程一：性别分类（10'）

思考：训练误差和泛化误差

第三章：概率密度的参数估计

最大似然估计法

贝叶斯估计法

非参数估计法

Columbia University: EM Algorithm

Harvard University: Nonparameter Estimation

思考：EM算法与最大最小优化算法

第四章：线性分类和回归模型

线性判别函数和决策面

广义线性判别函数

最小平方误差判别

线性回归模型

脊回归和拉索回归

Stanford University: linear-classify

Ridge and Lasso: Regularization

作业三：利用贝叶斯理论和最大似然估计
推导最小二乘平方损失函数（3’）

思考：过渡拟合有必要观察到吗？

第五章：分类方法介绍

最近临分类器

logistic回归

Logistic Regression: LR

Ensemble Learning: CMU_EL NY_EL Boosting

开放工程二：利用至少4种方法（必须包含近邻法、 决策树、logistic回归）预测学生表现（10’）

UCI数据集： 学生表现数据

思考：没有免费的午餐

第六章：无监督学习介绍

聚类任务和度量

row 2, cell 2, cell 1

开放工程三：使KMeans和DBSCAN算法进行聚类分析（10’）

MNIST数据集： 手写图像数据集

思考：如何选择聚类的簇数量？

第七章：支持向量机

间隔与支持向量

软间隔与正则化

支持向量回归

row 2, cell 2, cell 1 row 1, cell 2, cell 2

第八章：特征提取与选择

特征提取与变换

类可分依据

PCA与LDA

特征选择方法

row 2, cell 2, cell 1

思考：特征变换的基地向量代表什么含义？

第九章：神经网络与深度学习

神经网络发展历史

神经元、感知机与多层网络

全局最小与局部最小

其他常见神经网络

row 2, cell 2, cell 1 row 1, cell 2, cell 2