Teaching Information

Hits:

Leader of Teaching Group:夏小超

Course Introduction:数据挖掘与机器学习这门课程为处理和分析大数据提供了许多非常有效的统计学工具，它是统计学理论和方法在数据科学领域的深刻应用与实践，它涉及了概率论、统计学、最优化理论、算法复杂度理论、计算机编程等多门学科。数据挖掘和机器学习的主要任务是挖掘各类数据的潜在价值，对未来数据进行精准预测。该课程主要通过数据科学的相关应用案例来讲授数据挖掘和机器学习的基本原理（理论与算法）。课程内容包括线性模型与广义线性模型、线性判别分类、重抽样方法、模型选择与正则化、非线性模型、决策树、Bagging、提升算法、随机森林、支持向量机、无监督学习、神经网络、深度学习方法简介。课程的目标是通过该课程的学习，让学生了解数据挖掘中的数据科学思维，熟悉机器学习的基本原理和它的应用背景，掌握所讲授的学习算法，并能够结合R软件进行数据建模和统计分析，进一步强化学生的解决问题的能力。

Venue:DZ412

Testing Method:课程论文+presentation

Target Students:统计学学术型硕士

Discipline:Statistics

School Year:2021-2022

Semester:Spring Term

Course number:S06357

Credits:3.0

Course Type:Postgraduate Course:

Top-Quality Courses or Not:no

Required Class Hours:48.0

Courses and reference books:[1] James, G., Witten, D., Hastie, T.J., Tibshirani, R. and Friedman, J. (2013). An Introduction to Statistical Learning with Applications in R, Springer, New York. [2] Hastie, T., Tibshirani, R., and Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd Edition), Springer, New York. [3] 李航，统计学习方法(第二版)，清华大学出版社，北京，2018.