教练:
Shayan Srinivasa Garani，
[星期四、五下午六时至七时三十分，LH9]
课程大纲:
- 神经网络简介:神经元模型由生物学、反馈和其他网络架构、知识表示和人工智能驱动。
- 学习过程:基于记忆的学习，基于纠错的学习，Hebbian学习，竞争学习，玻尔兹曼学习，监督和无监督学习方法，记忆和适应，学习过程的统计性质。
- 多层感知器:感知器，感知器收敛定理，反向传播算法及其应用，异或问题，函数逼近和维数诅咒。
- 径向基函数网络:模式可分性的盖斯定理，正则化理论和网络，rbf的近似性质，核回归和学习策略，应用。
- 支持向量机:线性可分离模式和不可分离模式的最优超平面，支持向量机或模式识别，不敏感损失函数，支持向量机或非线性回归，应用。
- 委员会的机器:联想高斯混合模型，层次混合专家模型，EM算法，EM算法在HME中的应用。
- 主成分分析:特征结构的主成分分析，基于Hebbian的最大特征滤波器，基于Hebbian的自适应主成分分析(APEX)，基于神经网络的主成分分析:重估计和解相关算法，核主成分分析应用。
参考书籍:
- 神经网络:一个全面的基础，西蒙海金，普伦蒂斯霍尔的印度。(必需)
- 机器学习:概率视角。凯文·墨菲，麻省理工学院出版社。(可选)
- 课堂笔记
分级策略:
作业:50%
项目:25%
期末考试:25%
作业:
考试:
项目:
课程公告
- 项目报告截止日期:2017年5月7日。
- 项目演示:2017年5月9日。
- 期末考试:2017年5月11日。