图宾根大学最新《统计机器学习》教程

来源：专知
本文为课程，建议阅读5分钟我们将介绍许多标准算法，并了解构建良好机器学习算法的一般原理和理论结果。

该课程主要面向机器学习、计算机科学或相关学位的硕士学生，但也可能吸引其他学科的学生，如数学、物理、语言学、经济学等。如果有疑问，请参加第一堂课并与我们交谈。

该报告的重点是机器学习的算法和理论两个方面。我们将介绍许多标准算法，并了解构建良好机器学习算法的一般原理和理论结果。主题范围从已经确立的结果到最近的结果。

• 贝叶斯决策理论，没有免费的午餐定理。

• 监督学习问题(回归，分类): 简单基线(最近邻，随机森林);线性方法;正则化; 支持向量机，非线性核方法及其背后的理论

• 无监督学习问题:PCA降维到流形方法从k-means到谱聚类和谱图理论，从MDS到t-SNE的嵌入算法

• 统计学习理论:一致性和泛化界限

• 社会背景下的机器学习:公平、可解释性等

• 低秩矩阵完成，压缩感知

• 排序

https://www.tml.cs.uni-tuebingen.de/teaching/2022_statistical_learning/index.php