【課程內容】
bat工業應用
(01)機器學習與相關數學初步
(02)數理統計與參數估計
(03)矩陣分析與應用
(04)凸優化初步
(05)回歸分析與工程應用
(06)特征工程
(07)工作流程與模型調優
(08)最大熵模型與EM算法
(09)推薦系統與應用
(10)聚類算法與應用
(11)決策樹隨機森林和adaboost
(12)SVM
(13)貝葉斯方法
(14)主題模型
(15)貝葉斯推理采樣與變分
(16)人工神經網絡
(17)卷積神經網絡
(18)循環神經網絡與LSTM
(19)Caffe&Tensor Flow&MxNet 簡介
(20)貝葉斯網絡和HMM
(額外補充)詞嵌入word embedding
july算法教程
1.管窺算法
2.字符串
3.數組
4.樹
5.鏈表遞歸棧
6.查找排序
7.圖論（上）
8.圖論下
9.貪心法和動態規劃
10.概率分治和機器學習
國防科技大學蔡宣平模式識別
01.概述
02.特征矢量及特征空間、隨機矢量、正態分布特性
03.聚類分析的概念、相似性測度
04.相似性測度（二）
05.類間距離、準則函數
06.聚類算法：簡單聚類算法、譜系聚類算法
07.聚類算法：動態聚類算法——C均值聚類算法
08.聚類算法：動態聚類算法——近鄰函數算法
09.聚類算法實驗
10.判別域界面方程分類的概念、線性判別函數
11.判別函數值的鑒別意義、權空間及解空間、fisher線性判別
12.線性可分條件下判別函數權矢量算法
13.一般情況下的判別函數權矢量算法
14.非線性判別函數
15.最近鄰方法
16.感知器算法實驗
17.最小誤判概率準則
18.正態分布的最小誤判概率、最小損失準則判決
19.含拒絕判決的最小損失準則、最小最大損失準則
20.Neyman—Pearson判決、實例
21.概述、矩法估計、最大似然估計
22.貝葉斯估計
23.貝葉斯學習
24.概密的窗函數估計方法
25.有限項正交函數級數逼近法
26.錯誤率估計
27.小結
28.實驗3-4-5 Bayes分類器-kNN分類器-視頻動目標檢測
29.概述、類別可分性判據（一）
30.類別可分性判據（二）
31.基于可分性判據的特征提取
32.離散KL變換與特征提取
33.離散KL變換在特征提取與選擇中的應用
34.特征選擇中的直接挑選法
35.綜合實驗-圖像中的字符識別
煉數成金機器學習
第1課 機器學習概論
第2課 線性回歸與Logistic。案例：電子商務業績預測
第3課 嶺回歸，Lasso，變量選擇技術。從一團亂麻中識別有用維度的技巧
第4課 降維技術。案例：業績綜合指標設計
第5課 線性分類器，Knn算法，樸素貝葉斯分類器，文本挖掘，案例：智能判斷垃圾短信，通過文本挖掘給用戶加標簽，評論自動分析，用戶流失預警
第6課 決策樹，組合提升算法，bagging和adaboost，隨機森林。案例：運營商用戶分析
第7課 支持向量機，為什么能理解SVM的人鳳毛麟角
第8課 人工神經網絡，單層感知器，線性神經網絡，BP神經網絡，基于梯度下降的學習算法，圖像壓縮和銀行用戶信用評估
第9課 通用逼近器徑向基函數神經網絡，在新觀點下審視PDA和SVM。Hopfield聯想記憶型神經網絡。案例：字符識別，人臉識別
第10課 概率神經網絡和信念貝葉斯分類器
第11課 聚類，孤立點判別。案例：推薦系統，自動品酒器，作弊識別，社會系統團體識別
交大張志華統計機器學習
01、基本概念
02、隨機向量
03、隨機向量性質
04、多元高斯分布
05、分布性質
06、條件期望
07、多項式分布
08、多元高斯分布及應用
09、漸進性質
10、核定義
11、正定核性質
12、正定核應用
13、核主元分析
14、主元分析
15、主坐標分析
16、期望最大算法
17、概率PCA
18、最大似然估計方法
19、EM算法收斂性
20、MDS方法
21、MDS中加點方法
22、矩陣次導數
23、T矩陣范數
24、次導數
25、spectral clustering
26、K-means algorithm
27、Matrix Completion
28、Fisher判別分析
29、譜聚類
30、Computational Methods
31、Fisher Discriminant Analysis
32、Kernel FDA
33、Linear classification
34、Naive Bayes方法
35、Support Vector Machines
36、SUM
37、Boosting
