必-113-1-5721004-机器学习原理
上课期间：从 即日起 到 无限期
LINE分享功能只支援行动装置
需登入帳號密碼，才可以進入課程
课程介绍
课程安排
-
课程简介与要求
-
介绍机器学习与其相关领域
-
介绍机器学习问题与Occam剃刀原理
-
介绍机器学习模型框架
-
可学习理论(1): 可能大概正确(PAC)学习理论观念
-
可学习理论(2): 统计学习理论
-
VC维度理论观念
-
广义误差
-
期中
-
计算(算法)学习理论与弱/强可学习观念(I)
-
计算(算法)学习理论与弱/强可学习观念(II)
-
学习一致性: 一致大数法则(ULLN)与经验过程理论
-
机器学习模型的推广度与交叉验证
-
集成整合学习模型(I)-Boosting与AdaBoost
-
集成整合学习模型(II)-Bagging与Random (Decision) Forests
-
评估准则: 逼近, 推广, 稳定, 收敛性
-
机器学习於医疗领域之应用
-
期末
-
课程简介与要求
-
介绍机器学习与其相关领域
-
介绍机器学习问题与Occam剃刀原理
-
介绍机器学习模型框架
-
可学习理论(1): 可能大概正确(PAC)学习理论观念
-
可学习理论(2): 统计学习理论
-
VC维度理论观念
-
广义误差
-
期中
-
计算(算法)学习理论与弱/强可学习观念(I)
-
计算(算法)学习理论与弱/强可学习观念(II)
-
学习一致性: 一致大数法则(ULLN)与经验过程理论
-
机器学习模型的推广度与交叉验证
-
集成整合学习模型(I)-Boosting与AdaBoost
-
集成整合学习模型(II)-Bagging与Random (Decision) Forests
-
评估准则: 逼近, 推广, 稳定, 收敛性
-
机器学习於医疗领域之应用
-
期末
-
课程简介与要求
-
介绍机器学习与其相关领域
-
介绍机器学习问题与Occam剃刀原理
-
介绍机器学习模型框架
-
可学习理论(1): 可能大概正确(PAC)学习理论观念
-
可学习理论(2): 统计学习理论
-
VC维度理论观念
-
广义误差
-
期中
-
计算(算法)学习理论与弱/强可学习观念(I)
-
计算(算法)学习理论与弱/强可学习观念(II)
-
学习一致性: 一致大数法则(ULLN)与经验过程理论
-
机器学习模型的推广度与交叉验证
-
集成整合学习模型(I)-Boosting与AdaBoost
-
集成整合学习模型(II)-Bagging与Random (Decision) Forests
-
评估准则: 逼近, 推广, 稳定, 收敛性
-
机器学习於医疗领域之应用
-
期末
-
课程简介与要求
-
介绍机器学习与其相关领域
-
介绍机器学习问题与Occam剃刀原理
-
介绍机器学习模型框架
-
可学习理论(1): 可能大概正确(PAC)学习理论观念
-
可学习理论(2): 统计学习理论
-
VC维度理论观念
-
广义误差
-
期中
-
计算(算法)学习理论与弱/强可学习观念(I)
-
计算(算法)学习理论与弱/强可学习观念(II)
-
学习一致性: 一致大数法则(ULLN)与经验过程理论
-
机器学习模型的推广度与交叉验证
-
集成整合学习模型(I)-Boosting与AdaBoost
-
集成整合学习模型(II)-Bagging与Random (Decision) Forests
-
评估准则: 逼近, 推广, 稳定, 收敛性
-
机器学习於医疗领域之应用
-
期末
教师 / 鮑永誠
相关课程
|
|
||||||
|
|
|
||||||
|
|
|
||||||
|
|
|
||||||
|