本课程涵盖了监督机器学习方法（ML）。学生将深入了解各种ML方法的功能、性能和差异。这些概念将通过数学结果加以支持和证明。
成功完成该模块后，学生将能够：
- 深入了解各种古典和现代监督学习算法。
- 了解管理学习算法的基本局限性和原则，以及评估和提高其绩效的方法。
学生将熟悉监督学习的基础主题，如最近邻居、线性回归、核方法和正则化，以及一些现代研究领域，如多任务学习和优化方法。
该课程涵盖的主题包括但不限于：
- 最近邻居
- 线性回归
- 核和正则化
- 支持向量机
- 高斯过程
- 决策树
- 集成学习
- 稀疏方法
- 多任务学习
- 近端方法
- 半监督学习
- 神经网络
- 矩阵分解
- 在线学习
- 统计学习理论
为了有资格选择此模块作为可选或选修课，学生必须：
1. 在计划和年度学年中注册该模块。
2. 具备高水平的多变量演算、概率与组合学和线性代数能力，以便理解基本和新颖的结果。
3. 理解该模块本质上是数学导向的，因此大部分内容将涉及正式的定理和证明。
选择DR.D留学生辅导机构，让我们携手开启留学之旅，为您的留学生活增添精彩！
