课程介绍
内容
-
课程大纲
华东师范大学专业学位研究生课程大纲
▇课程名称: 统计学习II
▇英文名称: Statistical Learning
▇课时学分: 36课时,2学分
▇适用专业: 应用统计硕士
▇先修课程: 应用回归分析,实用多元分析,统计计算与软件,数据挖掘或统计学习基础
▇课程简介: 本课程讲授较为高级的统计学习方法,包括深度学习和图模型等,可用于分析传统结构化数据、图像数据和语音数据等。涵盖了各种方法的基本原理、算法实现、性能评价及其软件实现。
▇教学目标:
(一)教学目的:通过本课程的学习,使学生从理论和实务两个层面掌握统计学习方法的基本理论和应用方法,熟悉相关模型的基本思路、步骤和环节,并且具有一定关于统计学习方法的创新能力。
(二)能力目标:通过本课程的系统学习,学生能够熟练掌握常用的统计学习方法,熟悉相关的模型特征、应用条件、建模方法、预测方法及软件实现,并且能够灵活运用方法解决实际问题(特别是图像、语音、文本等领域的分析问题)。
▇教学方式: 结合大量的现实数据案例进行讲授;从理论和案例中对多种方法进行比较和解读;结合Python等,实现理论方法在现实数据上的应用;每位学生要利用现实数据进行案例分析。
▇考核方式:平时成绩占60%,采用作业、课堂表现、小论文等形式进行;期末闭卷考试,成绩占40%。
▇教材及参考文献:
1、 邱锡鹏: 《神经网络与深度学习》(资源链接https://nndl.github.io/),2020.
2、 Zhang A., Li M., Zachary C. Lipton Z. C., Smola A. J.: 《动手学深度学习》, 人民邮电出版社,2019. (代码链接https://github.com/ShusenTang/Dive-into-DL- PyTorch)
3、 Goodfellow I., Bengio Y., Courville A.:《Deep Learning》, The MIT Press, 2016.
4、 Koller D., Friedman N.著, 王飞跃, 韩素青译: 《概率图模型原理与技术》, 清华大学出版社, 2015.
5、 赵悦: 《概率图模型学习理论及其应用》, 清华大学出版社, 2012.
6、Raschka S., Mirjalili V.著, 陈斌译:《Python机器学习(原书第2版)》, 机械工业出版社, 2019.
▇任课教师: 吴贤毅、李艳
▇主要章节内容:
第1章 深度学习
1.1 前馈神经网络
1.2 卷积神经网络
1.3 循环神经网络
1.4 网络优化与正则化
第2章 图模型
2.1 表示
2.2 推断
2.3 学习
第3章 案例分析与讨论
3.1 案例导读
3.2 案例分析与课堂展示
▇大纲撰写人:李艳