模式识别与机器学习

课程性质：考试课

学分：3

分数构成 = 40% 实验分 + 60% 期末考试（2021级-2023秋）

关于课程

1. 总体介绍

这门课由原来的模式识别与深度学习、机器学习两门课合并，2023秋第一次开课，作为人工智能专业的第二门专业考试课，学分少，任务重。主要课程内容分为两部分：

  • 机器学习（信息增益、 MLE和MAP、朴素贝叶斯、逻辑回归、聚类算法）

  • 深度学习（多层感知机MLP、卷积神经网络CNN、深度生成模型VAE、循环神经网络RNN和LSTM、机器翻译模型Transformer）

但是后续可能有变动，请以当年老师大纲为准。如果以后有志于从事人工智能相关职业和研究的同学，本门课应该作为长期学习的基础，并加强实操能力

2. 关于授课

  • ly
  • 全英文课件，老师对课程内容很熟练，尤其注重概率计算，对于各种模型侧重于原理思路和具体推导，内容较为深入，但是课程总体逻辑很清晰，不同部分的过渡较为平滑
  • 课堂不点名，无小测，但还是建议不轻易翘课
  • 老师人很好，第一节课会给大家发很多电子书，上课也会经常问大家的情况，最后也会有统一答疑，不懂的也可以去办公室问
  • lyc
  • 中文课件，讲他自己写的书，在淘宝上可以买到，或者可以和上过这门课的学长借
  • 课堂会点名，会要求学生上课认真听课，往前排坐
  • 课堂上会有小测，是在长江雨课堂上完成，但不计分数

3. 关于实验

共有四次实验课，主要包括五个实验，除最后一个实验外，不能够使用Pytorch之类的自动微分工具，需要在实验前对内容有较为完备的推导。时间较为充裕，基本是一周一个实验，做好实验课验收就行，需要交代码文件和实验报告，验收也很轻松，最后也基本得到大部分的分数，可能会扣1\~2分，扣分因素可能比较随机hhh\~

  • 实验一：多项式拟合正弦函数实验
  • 实验二：逻辑回归
  • 实验三：实现k-means聚类方法和混合高斯模型
  • 实验四：多层感知机实验
  • 实验五：卷积神经网络实验

4. 关于考试

（2021级-2022秋）

考试题型为选择、判断、大题，范围很小，很简单，没有推导题，给分也比较高，基本都在90+

一些可能有用的资源

学习经验

  • 考试很简单，和平时上课完全是两个难度，但是是第一年开课，不知道后续如何~

参考书目

  • [1]李航. 机器学习方法. 清华大学出版社, 2022.
  • [2]周志华. 机器学习. 清华大学出版社, 2016.
  • [3]Bishop C .Pattern Recognition and Machine Learning. 2006.

资源列表