SharedCourses/docs/postgraduate/计算机科学与技术/学硕_高级机器学习/README.md

title
学硕_高级机器学习

授课教师：赵静

• 作业
• 课件

教师授课 （前 13 周 ） + 学生分享（ 后 4 周 ）

考核：平时成绩 40%+ 最终报告 60%

平时成绩

按小组介绍 2021 年 ICML 、 NeurIPS 、 IJCAI 、 AAAI Tutorial

每 组 45 分钟，每周两组

按 小组打分，学生互评

期末考核：

机器学习 相关的论文

按照正规会议期刊格式撰写，提供模板， 6 页上限

• 综述论文 （ 60-80 分）

• 近 5 年顶会刊算法 复现，需增加原文之外的数据集（ 80-90 分）

• 创新性论文（ 90-100 分）

第一章 简单机器学习算法概览

学时：10

本章节内容概述：回顾模式识别与机器学习基础算法，包括

1.1贝叶斯决策（2学时），

1.2 线性分类与回归模型（2学时），

1.3支持向量机与拉格朗日对偶优化（2学时），

1.4 EM算法与变分推理（2学时），

1.5主成分分析与聚类（2学时）

第二章 高斯过程相关模型²

学时：6

本章节内容概述：介绍高斯过程相关模型原理，包括

2.1高斯过程 （2学时），

2.2高斯过程潜变量模型 （2学时），

2.3深度高斯过程和多视图高斯过程 （2学时），

第三章 概率时序模型²

学时：4

本章节内容概述：介绍概率时序模型，包括

3.1隐马尔科夫模型（2学时），

3.2条件随机场 （2学时）

第四章 深度学习模型²

学时：4

本章节内容概述：介绍神经网络模型原理及典型的生成式神经网络，包括

4.1深度神经网络 （2学时），

4.2变分自编码 （1学时），

4.3生成式对抗网络 （1学时）

第5章 近似推理与优化

学时：4

本章节内容概述：介绍概率模型的近似推理与基于梯度的随机优化算法，包括

5.1采样方法 （2学时），

5.2随机梯度优化（2学时）。

第六章 学生分享展示

学时：8

报告参考范围

1. Unsupervised Learning for RL

2. Natural-XAI: Explainable AI with Natural Language Explanations

3. Self-Attention for Vision

4. A Journey Through the Opportunity of Low Resourced Natural Language Processing — An African Lens

5. Self-Supervised Learning: Self-Prediction and Contrastive Learning

6. The Art of Gaussian Processes: Classical and Contemporary

7. Deep Learning for Recommendations: Fundamentals and Advances

8. Learning with Noisy Supervision

9. Towards Robust Deep Learning Models: Verification, Falsification, and Rectification

10. Continual Learning Dialogue Systems - Learning on the Job after Model Deployment

11. NS4NLP-- Neuro-Symbolic methods for Natural Language Processing

12. MH2: Commonsense Knowledge Acquisition and Representation

13. Dealing with Bias and Fairness in AI/ML/Data Science Systems