机器学习01 本课程重点介绍机器学习中的核心算法和理论，使学生通过理论学习掌握机器学习中的经典理论，了解当前最新发展
<iframe width="100%" height="580" frameborder="0" src="https://open.douyin.com/player/video?vid=7684183510877310249" autoplay="0" referrerpolicy="unsafe-url" allowfullscreen></iframe><p>这是浙江大学胡浩基副教授的《机器学习》课程公开课，核心目标是帮助学生掌握经典理论、了解前沿发展并能针对具体问题设计算法，适合具备高数、线代基础及编程能力的学习者（国内学生友好）。
<p>课程内容分五大模块：传统机器学习（含支持向量机 SVM、EM 算法、主成分分析等）、人工神经网络、深度学习（含 CNN/RNN/LSTM、生成对抗网络）、强化学习（含 AlphaGo 案例），穿插理论推导与 PyTorch 实践实验。
<p>开篇通过 Arthur Samuel “非显著式编程” 定义机器学习（从任务 T、经验 E、性能 P 中学习提升），区分监督学习（如垃圾邮件 / 人脸识别，从标注数据学）与强化学习（如机器人冲咖啡 / 无人驾驶，通过交互最大化收益）；教学特色是手写板书拆解公式 “知其所以然”，结合尿沉渣细胞识别等案例，兼顾数学严谨与应用直观，配套《深度学习与神经网络》（蒲公英书）及编程实验。
<p>并学会针对各自学科的具体问题设计机器学习算法。课程内容包括支持向量机、人工神经网络、深度学习、强化学习、传统的机器学习五个模块，用丰富的理论推导和实验案例加深学生的理解。开课教师：胡浩基 #浙江大学
页:
[1]