跳转至

统计计算

24Fall DATA630014,统计计算概论,周渊

这门课虽然叫统计计算,但实际上的内容主要是统计视角下的传统机器学习方法(Machine Learning: A Probabilistic Perspective)。和本科时候我选修的统计计算有很大区别,那门课主要聚焦在计算,涉及了较多的最优化、数值计算内容。

课程主要从两个方面展开:

其一是建模方法,针对不同类别的数据(图片、文本、时间序列、图等),我们需要建立不同的模型(线性模型、HMM、状态空间模型、MRF、Boltzmann机等)。

其二是模型推断方法,因为很多时候我们的模型过于复杂,往往无法直接给出MLE等优良的估计,需要使用近似算法(EM、MCMC、Variational Inference)。

主要内容

  • Bayesian Statistics
    • Prior
    • LGS
    • Exp family
    • Model Selection
    • BIC
    • Bayesian Linear Regression
    • Bayesian Logistic Regression
  • Graph Theroy
    • Directed Graphical Models
      • d-separation
      • Mixture Models
      • EM Algorithm
    • Undirected Graphical Models
      • MRF
      • MRF Learning
  • Gaussian Process
    • Kernels
    • Conditional of a Gaussian
    • Gaussian Process
  • Markov Process
    • Markov Models
    • Hidden Markov Models
    • HMM Learning
  • State Space Models
    • Kalman Filtering
    • Kalman Smoothing
  • Varitional Inference
    • Mean-field Method
    • Expectation Propagation
  • Sampling
    • Sampling From Gaussian
    • Rejection Sampling
    • Importance Sampling
    • MCMC
      • Gibbs Sampling
      • Collapsed Gibbs Sampling
      • Metropolis Hastings Algorithm
      • Haliltonian Dynamics
      • Thompson Sampling
      • Bayesian Optimization

参考书

MLAPP(Machine Learning: A Probabilistic Perspective) by Kevin P. Murphy

体会

内容全面,听起来很爽的课。难度较大,推导需要一些的数学技巧。

如果周老师讲话能更有力量一点就好了,他的low voice真的有些催眠😭


最后更新: 2025-03-04 21:59:01
创建日期: 2025-02-13 20:38:21

评论