该模块旨在为学生提供统计建模和无监督学习技术的深入介绍。它涵盖了建模的概率方法，以及这些方法与编码理论和贝叶斯统计的关系。课程将涵盖各种潜在变量模型，包括混合模型（用于聚类）、降维方法、时间序列模型（如隐藏的马尔可夫模型，用于语音识别和生物信息学）、独立组件分析、层次结构模型和非线性模型。此外，课程还将介绍概率图形模型（如贝叶斯网络和马尔可夫网络）的基础，作为无监督建模的总体框架。学生将了解马尔可夫链蒙特卡洛采样方法和推理的变异近似值。如果时间允许，学生还将了解概率（或贝叶斯）机器学习中的其他主题。
通过本课程，学生将能够：
1. 理解无监督学习系统的理论。
2. 深入了解无监督学习中使用的主要模型，并了解概率模型中精确和近似推断的方法。
3. 识别哪些模型适用于机器学习方法的不同现实应用。
成功完成该模块后，学生将能够：
1. 理解贝叶斯学习和回归的基础。
2. 熟悉潜在变量模型，包括混合模型和因子模型。
3. 掌握期望最大化（EM）算法的运用。
4. 理解时间序列模型，包括隐藏的马尔可夫模型和状态空间模型。
5. 掌握光谱学习的基本原理。
6. 熟悉概率模型的图形表示，信念传播和信息传递等技术。
7. 掌握模型选择、超参数优化和高斯过程回归等相关技术。
- 贝叶斯学习和回归基础
- 潜在变量模型：混合模型和因子模型
- 期望最大化（EM）算法
- 时间序列模型：隐藏的马尔可夫模型和状态空间模型
- 光谱学习
- 概率模型的图形表示
- 信念传播、交界树和信息传递
- 模型选择、超参数优化和高斯过程回归
为了有资格选择此模块作为可选或选修课，学生必须满足以下条件：
1. 在计划和年度学习年份中注册该模块。
2. 具有统计学、微积分、线性代数和计算机科学方面的良好背景。
3. 具有良好的MATLAB或OCTAVE技能，或愿意在这些方面进行学习。
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！
