多伦多大学2020春季CSC311课程「机器学习导论」，学习ML基础知识

【导读】2020新年伊始，多伦多大学Amir-massoud Farahmand和Emad A. M. Andrews博士开设了机器学习导论课程，介绍了机器学习的主要概念和思想，并概述了许多常用的机器学习算法。它还可以作为更高级的ML课程的基础。

课程地址：

https://amfarahmand.github.io/csc311/

机器学习(ML)是一组技术，它允许计算机从数据和经验中学习，而不需要人工指定所需的行为。ML在人工智能作为一个学术领域和工业领域都变得越来越重要。本课程介绍了机器学习的主要概念和思想，并概述了许多常用的机器学习算法。它还可以作为更高级的ML课程的基础。

本课程结束时，学生将学习(大致分类)

• 机器学习问题:监督(回归和分类)，非监督(聚类，降维)，强化学习

• 模型:线性和非线性(基扩展和神经网络)

• 损失函数:平方损失、交叉熵、铰链、指数等。

• Regularizers: l1和l2

• 概率观点:最大似然估计，最大后验，贝叶斯推理

• 偏差和方差的权衡

• 集成方法:Bagging 和 Boosting

• ML中的优化技术: 梯度下降法和随机梯度下降法

课程目录：

参考资料：

(ESL) Trevor Hastie, Robert Tibshirani, and Jerome Friedman, The Elements of Statistical Learning, 2009.

(PRML) Christopher M. Bishop, Pattern Recognition and Machine Learning, 2006.

(RL) Richard S. Sutton and Andrew G. Barto Reinforcement Learning: An Introduction, 2018.

(DL) Ian Goodfellow, Yoshua Bengio and Aaron Courville (2016), Deep Learning

(MLPP) Kevin P. Murphy, Machine Learning: A Probabilistic Perspective, 2013.

(ISL) Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani, Introduction to Statistical Learning, 2017.

() Shai Shalev-Shwartz and Shai Ben-David Understanding Machine Learning: From Theory to Algorithms, 2014.

(ITIL) David MacKay, Information Theory, Inference, and Learning Algorithms, 2003.