阿德莱德大学COMP SCI 3314这门课应该怎么学？

阿德莱德大学COMP SCI 3314这门课关注的是通过“学习”自动提高性能的算法。例如，学习在图像/视频中检测人类的计算机程序；预测股市，网页排名。统计机器学习主要来自计算机科学和人工智能，并与包括统计学、应用数学和模式分析在内的各种相关学科有联系。应用包括图像和音频信号分析、数据挖掘、生物信息学和自然科学与工程中的探索性数据分析。同学在学习这门课的时候，可以参考以下信息。

一、课程主题

这是一门关于统计机器学习的介绍性课程，概述了统计机器学习中的许多基本概念、流行技术和算法。课程涵盖的基本主题涉及：降维，线性分类和回归，以及最近的集成学习/推进，支持向量机，核方法和流形学习。课程旨在为同学提供现代统计机器学习方法背后的基本思想和直觉。通过课程，同学应该能了解机器学习如何、为什么以及何时解决实际问题。

二、学习目标

1、解释机器学习的基本概念，以及支持向量机、神经网络、深度学习等经典算法。

2、解释机器学习的基本原理和理论，这可能会指导同学在未来发明自己的算法。

3、能够对课程中的算法进行编程。

4、能够对课程中的算法进行数学推导。

三、推荐资源

1、Pattern Recognition and Machine Learning by Bishop, Christopher M.

2、Kernel Methods for Pattern Analysis by John Shawe-Taylor, Nello Cristianini.

3、Convex Optimization by Stephen Boyd and Lieven Vandenberghe.

第一本书是关于机器学习的。第二本书集中于带伪代码的内核方法和一些理论分析。第三本书介绍了(凸)优化。

四、外部课程

1、Learning from the data by Yaser Abu-Mostafa in Caltech.

2、Machine Learning by Andrew Ng in Stanford.

3、Machine Learning (or related courses) by Nando de Freitas in UBC.

阿德莱德大学COMP SCI 3314课程主要通过两项活动展开，即课堂和作业。课堂主要介绍和激发了每个主题的基本概念。重要的讨论和双向交流也会在课堂上丰富同学的学习经验。作业通过知识在解决问题中的应用来强化概念，通过编程工作和数学推导来完成。课堂和作业中涉及的所有内容都是可评估的，因此同学一定要认真对待。