bgplus背提科研进阶 | 牛津大学 | 计算机、机器学习、深度学习：概率机器学习

课题名称

= 概率机器学习 =

项目介绍

英国皇家学会会士，Uber首席科学家Zoubin Ghahramani教授曾下结论：在深度学习革命之后，下一个前进的方向会是概率机器学习。

在机器学习中，模型描述了从某个系统能观察到的所有数据；但当我们需要预测那些没观察到的数据以及它们之间的不确定性时，我们就需要用到数学中的 概率论描述这种不确定性并完成模型的构建。因此，概率论提供了一个原则基础，使模型能够对不确定性进行推理。即使在观察到的数据很有限的情况下，概率机器学习也可以允许我们在充分理解了现有数据背后机理的情况下，构建性能良好的机器学习算法。除了了解基本的概率论知识外，Python 中功能强大的 概率编程库 也可以帮助我们实现模型的构建。

本课程将为学生提供对基本概率论的良好理解，以及应用概率编程解决现实世界机器学习和数据分析任务的技能和实战经验。

每个学生小组将完成一个科研小课题，用来将课程所学运用于现实中的机器学习和数据分析任务。

课程将通过Zoom进行全程线上直播教学。

导师介绍

●教授介绍

牛津大学终身教授

自主智能机器与系统博士培养中心联合主任

Joulo公司联合创始人

适用人群

●大学及以上同学

●计划在计算机、机器学习、深度学习、数学等专业深造的同学

●有申请海外名校，需要通过顶尖教授私人推荐信和论文作品提升升学竞争力

●科研作品（小程序，论文作品等）助力保研申请

● 希望快速找到自己感兴趣的专业领域，提前了解心仪专业内容

项目收获

●顶尖教授官方邮箱个性化推荐信

●原创学术课题作品：程序/论文

●顶尖教授亲自签署的学术评估表

●由顶尖教授颁发的项目证书

●收获高含金量的科研实践经历

●密集互动，高效套磁，优秀者可获得博士直招机会

时间安排

●2021.11.7开课

课程目标

本课程将涵盖概率机器学习中最重要的原则性基础，这些原则基础可以使模型能够推理实际工作中的不确定性。通过学习本课程，学生将：

●了解概率论、贝叶斯规则和贝叶斯推理的基本原理

●了解如何使用基于Python的强大概率编程框架PyMC3构建概率模型

●积累应用这些模型来解决实际机器学习和数据分析任务的经验

课程安排

●Session1: 概率论导论

介绍概率论的基础知识，包括条件概率和联合概率、贝叶斯规则以及频率论和贝叶斯对概率的解释之间的区别。

●Session2: 概率分布和贝叶斯推理

继续讨论概率论，包括更进阶的知识点——常见的离散和连续概率分布、贝叶斯推理和共轭先验。

●Session3: Python 编程和 PyMC3 介绍

简要概述 Python 编程，并将展示如何使用 PyMC3 的概率编程库，以重现先前理论课程的结果。

●Session4: 用概率规划解决实操中的问题

着眼于如何使用 PyMC3 来构建复杂的概率模型，以及如何解决现实世界的机器学习和数据分析任务。

●Oral Presentation

课题成果展示