机器学习 监督学习、非监督学习及强化学习

如果我的分享对您有用,可以点击下面链接支持一下我的劳动成果
我分享了300元学费红包给你,快来学Google、亚马逊、Facebook官方的机器学习、数据分析、前端开发课程。在这领取:
https://cn.udacity.com/referral-invitation/?referral_recipient_amount_off=300&referral_recipient_coupon_code=E54FD818


课程概述
本课程作为佐治亚理工学院的 CS7641 推出,是 在线硕士学位 (OMS) 的一部分。学习此处的这门课程不会获得与 OMS 学位有关的学分。
机器学习是一门涵盖人工智能领域的研究生层次课程,该领域涉及运用经验修改和提供自身性能的计算机程序。
该课程的第1部分包括监督学习,这是一项机器学习任务,可以使你的手机识别你的声音、你的邮件过滤垃圾邮件,使电脑学习很多其他很酷的东西。
在第2部分中,你将了解非监督学习。有没有想过 Netflix 如何能够预测你会喜欢什么样的电影?或者亚马逊在你购买之前知道你想买什么呢?在这一节中可以找到这些答案!
最后,我们是否能够编制程序,使机器像人类一样学习?该强化学习部分将讲授一种算法,设计像我们一样的自学代理人程序!
喜欢这门课程?加入“机器学习工程师”纳米学位。

** 为什么学习这门课程?
你将学习和实践各种监督、非监督和强化学习方法。
从制止信用卡诈骗、在相机图像中寻找面孔到识别语言,监督学习是所有类型技术的一个重要组成部分,我们的目标是为你提供所需技能,去了解这些技术,解读它们的结果,这是解决一系列数据科学问题的重要方面。以及经得起一场机器人叛乱。
非监督学习与模式识别密切相关,是关于分析数据和寻找模式。这是一种极其强大的识别数据结构工具。本部分将重点介绍如何使用非监督学习方法,包括随机优化、聚集、特征选择和转换-找到无标记数据的结构。
强化学习是机器学习的一个方面,涉及以实现回报最大化为目的,软件代理程序在特定环境中应该采取的行动。你可以将强化学习应用到机器人控制、国际象棋、西洋双陆棋、跳棋以及软件代理程序可以学习的其他活动。强化学习以实现回报最大化为目的使用行为心理学。本部分还包括重要的强化学习方法,如马尔可夫决策流程和游戏理论。

** 先修要求
学生必须精通概率论、线性代数和统计学。了解《统计学导论》,特别是第8、9、10课的内容,将有所帮助。
学生也应当具备一些编程方面的经验(可能通过《CS 简介》),了解神经网络(包含在《人工智能导论》中)。
查看使用优达学城的技术要求。

** 学习计划
监督学习
前言:机器学习是 ROX
第1课:决策树
第2课:回归与分类
第3课:神经网络
第4课:实例学习
第5课:总体 B&B
第6课:核方法与支持向量机 (SVMs)
第7课:计算学习理论
第8课:VC 维数
第9课:贝叶斯学习
第10课:贝叶斯推理

非监督学习
第1课:随机优化
第2课:聚集
第3课:功能选择
第4课:功能转化
第5课:信息理论

强化学习
第1课:马尔可夫决策流程
第2课:强化学习
第3课:游戏理论
第4课:游戏理论(续)

讲师与合作伙伴

[图片上传中。。。(1)]
** Michael Littman

Michael Littman 是布朗大学计算机科学教授。他也讲授优达学城在处理社交网络的算法课程(CS215)。在2012年加入布朗大学之前,他于2009年-2012年期间担任罗格斯大学计算机科学系主任,领导了罗格斯实验室实际强化学习(RL3)项目。他是美国人工智能协会 (AAAI) 研究员,曾担任 AAAI 2013年会议及2009年机器学习国际会议的程序主席,并获得了杜克大学和罗格斯大学的校级教学奖。Charles Isbell 曾教授他对回力网球、举重和极限飞盘,但是他并不擅长其中的任何一项。不过他却非常擅长歌唱和杂技。

[图片上传中。。。(2)]
** Charles Isbell

Charles Isbell 是佐治亚理工学院交互式计算学院的教授和高级副院长。他热衷于研究人工智能,特别是在创建必须与大量其他智能代理程序(一些程序可能是人类)共存与互动的自动代理程序方面。最近,他的精力转向了自适应建模,尤其是在活动发现(不同于活动识别)、可扩展协作、支持自适应代理程序快速原型设计的开发环境方面。他正在开发适应性编程语言,试图理解向非专业作家,设计师和开发人员提供机器学习工具的意义。他有时也参与回力网球、举重和极限飞盘活动。

[图片上传中。。。(3)]
** Pushkar Kolhe

Pushkar Kolhe 前正在佐治亚理工学院攻读计算机科学博士学位。他认为机器学习将帮助他创建获得奇点的人工智能。除了致力于这个问题外,他也参与攀爬、跳跃或滑雪活动。


如果我的分享对您有用,可以点击下面链接支持一下我的劳动成果
我分享了300元学费红包给你,快来学Google、亚马逊、Facebook官方的机器学习、数据分析、前端开发课程。在这领取:
https://cn.udacity.com/referral-invitation/?referral_recipient_amount_off=300&referral_recipient_coupon_code=E54FD818

你可能感兴趣的:(机器学习 监督学习、非监督学习及强化学习)