课程提供了机器学习的总体介绍,旨在让所有参与者保持相同的学习进度,掌握概念定义和基本知识背景。在简要地概述各种机器学习问题后,我们讨论线性回归,它的目标函数和闭合解。我们讨论偏差-方差权衡( bias-variance trade-off )和过度拟合( overfitting )问题(以及恰当使用交叉验证法去客观衡量它们的表现)。我们讨论从概率论上将误差平方和( sum-squared error )视作在对数据生成过程的特定假设下最大化可能性,而且将 L2 和 L1 正则化方法视作贝叶斯分析法中的优先方法。我们简明地讨论贝叶斯方法论,方便你们学习。最后,我们讲解逻辑回归、交叉熵优化准则及其以第一和第二阶方法来求解的方案。
教学视频:http://videolectures.net/deeplearning2016_precup_machine_learning/