• 课题背景

​机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。

• 课题内容

​本课程的目的给学生介绍一些机器学习的主要研究方向。该课程将包括一些概率、统计和计算方面的基础知识和必要的背景。我们将讨论几种监督式学习方法, 基于一些观察值重点学习其中一个广义模型。我们还将讨论这些方法的集合体和无监督式学习的方法。学生将通过习题使用各种机器学习方法来获得动手实践经验。还会利用一个项目给学生提供机会使用在课堂上讨论的几个方法来解决现实世界的问题。

• 适合人群
• 对计算机、数据分析、机器学习专业感兴趣的高中生，本科生
• 修读数学、计算机、信息科学等专业，以及未来希望在计算机科学、大数据分析、计算机算法等领域从业的学生
• 具备统计、概率、计算和编程方面的背景的学生优先

• 教授介绍

​
Ziv Bar-Joseph
卡耐基梅隆大学计算机系终身教授
1)卡耐基梅隆计算机系 FORE Systems 实验室主席
2)论文总引用数超过 12900 次，H index 个人学术影响力超清华 AI 全学院总和
3)人工智能和深度学习领域 MIT 同行评测全球前三的 Overton Prize( 计算生物学届终身大奖 ) 得主
4)美国国家科学基金会 (NSF) 终生成就奖得主
5)RECOMB 最佳学术研究论文奖得主

• 拓展资料

​Ziv Bar-Joseph-教授简历

机器学习在计算生物与实验数据等领域的应用-课纲