UniMate AI

MATH3856

数据与机器学习导论

6 学分难度

MATH3856 从数学和统计学视角解析机器学习。不同于 CS 侧重的算法实现,本课程更关注模型的统计推断基础。涵盖线性回归进阶、逻辑回归、惩罚估计(Lasso/Ridge)、决策树、集成学习以及神经网络的数学构造。学生将学习如何评估模型的泛化误差,并理解不同算法在数学层面的连接。

Syllabus

每周大纲

  1. 1

    统计学习概论

    预测 vs 推断,训练与测试误差权衡

  2. 2

    线性回归深潜

    最小二乘法统计性质,残差分析

  3. 3

    模型选择与收缩

    岭回归 (Ridge), Lasso 与特征选择

  4. 4

    分类理论

    逻辑回归,LDA, 判定边界数学分析

  5. 5

    重采样方法

    交叉验证 (Cross-validation), Bootstrap 理论

  6. 6

    灵活性周 (Flex Week)

    无新内容

  7. 7

    非线性模型

    多项式回归,样条函数 (Splines)

  8. 8

    基于树的方法

    决策树,Bagging, 随机森林数学原理

  9. 9

    支持向量机与神经网络

    最大间隔分类器,反向传播数学推导

  10. 10

    前沿话题与复习

    模型可解释性,总结

Assessment

考核结构

Lab Assignments

使用 R 或 Python 进行的统计分析实验

25%

Week 10

Term Project

针对特定数据集的统计建模与报告

25%

Week 9

Final Exam

综合推导与应用笔试

50%

Week 11

Assignments

作业详情

Term Project

选取一个实际领域的复杂数据集,应用正则化技术和集成模型进行预测,并对比不同统计指标下的表现

要求:报告需包含对模型背后数学假设的验证

⏱ 预计 35 小时

From Seniors

学长留下的

基础信息谁都查得到,真正值钱的是过来人的经验。

学姐说

比你早一年的学长留下的真实经验 —— ChatGPT 给不了。

这门课还没有学长经验,你可以是第一个 —— 注册后在课内分享。

往年考点 / 踩坑

这门课暂无往年考点记录。

毕业生去向(整体)

下面是匠人学院毕业生整体去过的公司分布(来自脱敏校友证言)。这是全平台的总体去向,不代表选这门课的人一定去这些公司。

统计自 313 份脱敏校友证言

Deloitte

6 位校友

岗位:Graduate Program · Graduate Consulting · Platform Engineer · Web developer · Platform engineer

Zerologix

4 位校友

岗位:Frontend Dev · junior frontend developer · Front-end Developer · Full Stack Developer

Servian

4 位校友

岗位:Full-stack Developer · Data Engineer · Consultant

关于这块数据,我们说实话

雇主墙来自脱敏毕业生证言(testimonials)的整体分布,无法关联到具体学员或其所选课程;仅作为毕业生去向的总体社会证明展示。

我们没有"某位学长选了这门课、后来进了哪家公司"这种可查询的个人去向档案 —— 校友证言是脱敏的,无法关联到具体的人或他选过的课。所以这里只给整体分布,不给个人路径,不编。