发布时间：2023-11-16 11:13
机器学习和人工智能的一个主要组成部分是提取数据背后的有用信息，特别是高维数据。深度学习最近的成功也归功于有效的数据表示。作为机器学习的新兴领域，表示学习可以从原始数据中提取特征，发现数据背后变异的解释因素，解决高维数据带来的棘手问题。表示学习已成功应用于计算机视觉、音频/语音信息处理、自然语言处理/理解、机器人技术和各种医学应用等许多领域。
1.课程学习内容
在本课程中，学校将考虑如何开发表示学习的核心算法，并从理论和实证的角度深入了解这些算法。教授将演示如何系统地开发基本算法，以及如何通过使用示例和现实世界问题来应用重要算法。教授将在这个高级机器学习课程单元中介绍机器学习、统计学和深度神经网络的相关关键方法。
2.课程学习目标
本课程单元旨在向学生介绍经典和最先进的表征学习方法，并提供文献综述和研究论文自学等研究经验。本课程单元特别强调了对原创研究至关重要的可转移知识/技能
3.学习成果
成功完成COMP61021课程后，学生将能够：
了解表示学习的一般动机和主要思想。
描述维数灾难及其在不同学习范式中的含义。
了解课程单元中研究的学习算法的优点和缺点，并决定哪种算法适合特定应用。
从头开始推导线性表示学习算法。
将课程单元中研究的学习算法应用于简单数据集，以进行特征提取相关应用和高维数据可视化。
实现课程单元中研究的核心学习算法并将其应用于现实世界的数据集。
评估课程单元中研究的核心学习算法的性能以及这种学习算法是否适合特定问题。
理解并欣赏最先进的表示学习算法的主要思想。
在表示学习和机器学习的其他相关领域之间建立联系。
1.什么是线性模型?
线性模型是一种数学模型，试图将自然现象转化为可理解的、重复出现的参数。应用线性模型(例如，在回归分析中)的先决条件是至少一个 自变量 和一个因 变量之间存在线性相互依赖性。例如：如果身高增加，体重也会增加。
2.主成分分析(PCA)
PCA 通过学习线性变换将数据投影到另一个空间，投影向量由数据的方差决定。通过将维度限制在占数据集大部分变异性的少量成分上，可以实现降维。
3.自动编码器
自动编码器是一种神经网络，它能叠加多种非线性变换，将输入数据缩减到低维的潜在空间(层)中。它们使用编码器-解码器系统。编码器将输入转换为潜在空间，而解码器则对其进行重构。为了获得准确的输入重构，它们使用反向传播进行训练。当潜在空间的维度少于输入时，自动编码器可用于降低维度。由于自动编码器可以重构输入，因此这些低维潜在变量应能直观地保留最重要的特征。
4.PCA 与自动编码器区别
(1)PCA 本质上是一种线性变换，而自动编码器可以描述复杂的非线性过程。
(2)PCA 特征是正交投影的，因此不存在线性相关，而自动编码特征仅针对正确重建进行训练，因此它们可能具有相关性。
(3)与自动编码器相比，PCA 的计算速度更快，成本更低。
(4)PCA 与线性激活的单层自编码器非常相似。
(5)由于参数较多，自编码器容易出现过度拟合的情况，但通过规范化和适当的规划就可以避免这种情况的发生。
海马课堂专业课程辅导
①3500+海外硕博导师,Highmark承诺导师真实教育背景，假一赔三!
③根据学生情况进行1V1专属备课，辅导不满意随心退!
②试听课全面升级!让留学生听得安心!
④课程辅导产品升级赠送考前检验。
⑤中英双语详细讲解课程中的考点、难点问题，提供多方位的课后辅导!
如果你对此还有疑问,或者有更多关于学业辅导方面需求的话,可以添加微信号：hmkt131联系海马课堂的Joye老师哦。
