第一周:
什么是机器学习、监督学习、无监督学习、单变量线性回归、代价函数
梯度下降、矩阵的运算、矩阵性质、多元线性回归、计算代价函数Python代码示例、特征缩放、正规方程、梯度下降与正规方程的比较
Programming Exercise 1:Linear Regression、实验结论、梯度下降算法推导<矩阵>
第二周:
代价函数、反向传播、梯度检验、随机初始化、使用神经网络的步骤
评估模型假设、交叉验证集、偏差方差诊断、解决高偏差/高方差、误差分析.
多元分类和神经网络实验内容、多元分类和神经网络Matlab实现、决策树基本流程、属性划分、剪枝处理、连续与缺失值、多变量决策树
第三周:
感知机和多层网络、误差逆传播算法、全局最小与局部最小、CNN
间隔与支持向量、SVM对偶问题、对偶问题、核函数、软间隔与正则化
贝叶斯决策论、极大似然估计、朴素贝叶斯分类器、半朴素贝叶斯分类器、贝叶斯网
第四周:
监督学习和无监督学习、聚类任务、K-means算法、学习向量量化
特征选择、过滤式选择、包裹式选择、稀疏表示与字典学习、压缩感知
第五周:
PAC学习、有限假设空间、VC维、Rademacher复杂度和稳定性