不可错过！CMU《机器学习导论》2021课程，ML祖师爷Tom Mitchell带队主讲

机器学习涉及的是通过经验自动提高其性能的计算机程序(例如，学习人脸识别，推荐音乐和电影，以及驱动自主机器人的程序)。本课程从多种角度涵盖了机器学习的理论和实际算法。我们涵盖了贝叶斯网络、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等主题。课程涵盖的理论概念如归纳偏差，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。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所需要的方法论、技术、数学和算法的全面基础知识。

学习成果: 课程结束时，学生应能够:

实现并分析现有的学习算法，包括为分类、回归、结构预测、聚类和表示学习而充分研究的方法 将实际机器学习的多个方面集成到一个系统中:数据预处理、学习、正则化和模型选择 描述学习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范式(监督的、非监督的，等等) 设计实验评估和比较不同的机器学习技术在现实世界的问题 运用概率论、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 给出一种ML技术的描述，分析它，确定(1)形式主义的表达能力;(2)算法中隐含的归纳偏差;(3)搜索空间

参考书籍：

Machine Learning, Tom Mitchell. Machine Learning: a Probabilistic Perspective, Kevin Murphy. Full online access is free through CMU’s library – for the second link, you must be on CMU’s network or VPN. A Course in Machine Learning, Hal Daumé III. Online only.

目录内容： Classification & Regression Linear Models 深度学习 强化学习 生成模型 概率图模型 学习理论 学习方式