课程情况top
- 本课程为研究生一年级选修课，40学时。
- 旨在为模式识别与机器学习相关方向打下扎实基础
- Course information
参考资料top
- 李航. 统计学习方法(第二版). 清华大学出版社，2019.
- 李航. 机器学习方法. 清华大学出版社，2022.
- 阿斯顿·张（Aston Zhang）, 李沐（Mu Li）, 扎卡里·C. 立顿（Zachary C. Lipton）, 亚历山大·J. 斯莫拉（Alexander J. Smola）, 动手学深度学习（PyTorch版）,人民邮电出版社,2023.
- 斋藤康毅. 深度学习入门：基于Python的理论与实现. 人民邮电出版社. 2018.
-
课程选用开发语言Python
-
课程内容top
Homework
-
其它 top
- 关于编程工具
统计学习方法
| Content | others | |
|---|---|---|
| 统计学习方法第二版附ppt 统计学习方法第二版 学习笔记、代码实现、课后习题 lihang_book_algorithm | ||
| 00 | python简介 | |
| 01 | 机器学习和统计学习 | |
| 02 | 感知机 | |
| 03 | k近邻算法 | |
| 04 | 贝叶斯分类器 | |
| 06 | Logistic回归与最大熵模型 | |
| 07 | SVM及核函数 | |
| 08 | 提升方法 | |
| 09 | EM算法极其推广, EM算法推导ELBO, EM算法推导ELBO+Jensen | |
| 13 | 无监督学习概论 | |
| 14 | 聚类方法 | |
| 15 | 奇异值分解, 线性代数基础 | |
| 16 | 主成分分析 | |
| 附录 | 分布度量 |
【ppt参考了动手学深度学习在线课程】
| Content | others | |
|---|---|---|
| 动手学深度学习（第二版） | ||
| 01 | 概述、线性代数和NDArray | |
| 03 | 导数、逆向传播和复杂度 | |
| 04 | 线性方法、基础优化和层序回归 | |
| 05 | 最大似然估计和逻辑回归 | |
| 06 | 多层感知机 | |
| 08 | 数值稳定性，激活函数和硬件 | |
| 11 | 卷积和汇聚层 | |
| 12 | LeNet, AlexNet, VGG和NiN | |
| 13 | Inception, 批量归一化和残差网络 | |
| 15 | 图像增广,微调和样式迁移 | |
| 16 | 目标检测,计算机视觉训练技巧 | |
| 18 | 序列模型 | |
| 19 | 循环神经网络 | |
| 20 | 高级循环神经网络 | |
| 24 | 注意力机制 | |
| 24 | ViT | |
| 25 | 优化问题 |
语言模型
| Content | others | |
|---|---|---|
| 语言模型 | 语言模型概述 | |
| 01 | 文本预处理 | |
| 02 | 统计语言模型 | |
| 03 | 词嵌入 (Word Embeddings) | |
| 04 | Seq2seq模型 | |
| 05 | 预训练模型 |
生成模型
| Content | others | |
|---|---|---|
| 00 | 预备知识 | |
| 01 | AE | |
| 02 | EM | |
| 03 | VAE | |
| 04 | GAN | |
| 05 | Diffusion Model |
三维重建
| Content | others | |
|---|---|---|
| 01 | Ray tracing volume densities | |
| 02 | EWA Volume Splatting | |
| 03 | NeRF | |
| 04 | 3D GS |
| 内容 | 截止时间 | |
|---|---|---|
|
|
||
|
|
||
|
|
||
|
|
matlab