Machine Learning

大神解析：

机器学习是人工智能的一个分支，涉及使用示例数据或先前经验来解决给定问题的自适应算法的开发和应用。 这个课上课没有ppt，老师手写slides，而且是传统机器学习方法，还是用MATLAB，不过还是可以学一下的。热门课程，理论较难，作业考试难度适中。想要考试考分，多刷往年试卷总没错的（by Jade）。

考点：学习问题（例如回归，分类，无监督，强化）和理论，神经网络，统计和概率模型，聚类，集合，实施问题，应用（例如生物信息学，认知科学，预测，机器人，信号和图像处理）。

作业形式：1个每周的作业，1个考试，(COMP7703有一个额外考试)

作业信息取自：2019年第一学期

• 有1个每周的作业：一共占比总成绩的 55% (COMP7703为 50%)每周的作业占比相同分数，每周到期(学期期间提交10-12份)作业是机器学习理论，模型，算法，实施和实验分析中的问题解决练习的简短集合，基于讲座和课程相应周的实践内容。 该任务将在学生Contact之外的时间内完成。

• 一个期末考试，占比总成绩 45% (COMP7703为 40%)。持续时间：120分钟。格式：多项选择，解决问题

• COMP7703额外考试：Take Home考试，占比总成绩 10%，学生将会有一个简短的测验，题目取材于本课程所涵盖的材料。学生可以在课外参加考试，而不是在课堂上进行期中考试。测试的发放将预先发出警告(例如：一周或更少)。有些问题可能需要编程或使用计算机。

• E. Alpaydin.  Introduction to Machine Learning (third edition).  MIT Press, 2014.
• C. M Bishop.  Pattern Recognition and Machine Learning. Springer. 2006
• R. Duda, P. Hart and D. Stork.  Pattern Classification, Second edition.  Wiley, 2001.
• D. Hand, H. Mannila and P. Smyth, Principles of Data Mining, MIT Press, 2001.
• T. Hastie, R. Tibshirani and J. Friedman.  The Elements of Statistical Learning: Data Mining, Inference, and Prediction (second edition).  Springer. 2009.
• S. Marsland. Machine Learning: An Algorithmic Perspective (2nd edition). 2015
• K. P. Murphy. Machine Learning: A Probabilistic Perspective. 2012
• B. D. Ripley. Pattern Recognition and Neural Networks. 1996.
• S. Theodoridis. Machine Learning: a Bayesian and Optimization Prespective. 2015.