不可错过！CMU最新《机器学习》2021课程，26讲从线性模型到强化学习

机器学习是指通过经验自动提高性能的计算机程序(例如，学习识别人脸、推荐音乐和电影，以及驾驶自动机器人的程序)。本课程从不同的角度涵盖了机器学习的理论和实际算法。我们涵盖的主题如贝叶斯网络，决策树学习，支持向量机，统计学习方法，无监督学习和强化学习。本课程涵盖了归纳偏差、PAC学习框架、贝叶斯学习方法、基于边际的学习和奥卡姆剃刀等理论概念。编程作业包括各种学习算法的动手实验。本课程旨在为研究生提供机器学习研究人员目前所需要的方法学、技术、数学和算法的全面基础知识。

通过学习这门课程，能够获取：

实现和分析现有的学习算法，包括学习良好的分类、回归、结构化预测、聚类和表示学习方法 将实际机器学习的多个方面整合到一个系统中:数据预处理、学习、正则化和模型选择 描述用于学习的模型和算法的形式属性，并解释这些结果的实际含义 比较和对比不同的学习模式(有监督的，无监督的，等等) 设计实验来评估和比较现实问题中不同的机器学习技术 运用概率、统计学、微积分、线性代数和最优化来开发新的预测模型或学习方法 给出ML技术的描述，分析它以确定(1)形式主义的表达能力;(2)算法隐含的归纳偏差;(3)搜索空间的大小和复杂度;(5)关于终止、收敛、正确性、准确性或泛化能力的任何保证(或缺乏保证)。

课程地址：

http://www.cs.cmu.edu/~mgormley/courses/10601/