Machine Learning and Deep Learning
【课程列表主页】
- 授课教师：高飞 @ 杭电·计算机
- 授课学期：2021-2022-1学期
- 参考教材：
- 《A Course in Machine Learning》http://ciml.info/
- 《统计学习要素》 https://esl.hohoweiya.xyz/
- 《神经网络与深度学习》，邱锡鹏
- 《动手学深度学习》，李沐 等人
- 《Deep Learning》，Goodfellow et al.
| 内容 | 作业 |
|---|---|
| 绪论part1 、 part2 | 前沿科技资讯 |
| 机器学习基本概念 | |
| K近邻方法 | 基于K近邻的MNIST图像分类 |
| 决策树 | |
| 线性模型 | |
| 模型评估与选择 | |
| 支持向量机与核方法 | |
| 神经网络ANN | 基于ANN的MNIST图像分类 |
| 卷积神经网络基础 | |
| Pytorch编程及实践 | |
| 卷积神经网络进阶 | |
| 卷积神经网络的应用 | 基于CNN的FashionMNIST图像分类 |
| 无监督学习：聚类及降维 | |
| 图像生成模型：VAE、GAN | 注：采用了MIT 6.S191课件 |
| 生成对抗网络GAN的应用 | |
| 深度序列模型、注意力机制 | 注：采用了MIT 6.S191课件 |
| 强化学习 |
可以在课程主页、Coursera、B站、Youtube上观看
- 《机器学习》，吴恩达
- Deep Learning.ai，吴恩达 等
- 斯坦福大学 CS231n: CNNs for Visual Recognition，Feifei Li等人
- 机器学习、深度学习，李宏毅
- 《机器学习》，周志华（中文教材）
- 《机器学习导论》，多伦多大学
- MIT 6.S191 Introduction to Deep Learning
- Programming for Everybody, Charles Severance, University of Michigan @ Coursera （Python编程）
- 《智能计算系统》，中国科学院计算技术研究所
- 课堂讨论 5%
- 讨论积极性/次数
- 回答问题准确性
- 科技资讯 10%
- 指定信息来源（科技类公众号），人均1条
- 口头报告：内容充实性、报告美观性、讲解清晰度
- 编程作业 45%
- 在小数据集上，训练和测试机器学习方法（Python、Matlab等，不限编程语言）
- 可以使用scikit-learn、Pytorch、TensorFlow等框架
- 课程设计 40%
- 形式1：阅读深度学习相关英文论文，并复现
- 形式2：应用机器学习解决实际问题，设计和开发机器学习系统