MA6630
统计学习导论 (Introduction to Statistical Learning)
📘 简介
统计学习是一个新兴的跨学科领域，广泛应用于模式识别、信号处理、数据挖掘、生物信息学和金融工程等领域。本课程涵盖统计学习的前沿技术和算法，包括线性与非线性分类与回归、支持向量机、核方法、模型平均、增强学习及高维数据分析，为学生提供现代统计学习方法的基本概念和直觉。
🔗 相关链接
🎯 学习目标
完成课程后，学生将能够：
✔️ 理解统计学习的基本概念及经典算法；
✔️ 解释学习算法背后的原理，并推广至各种新应用；
✔️ 编写计算机程序实现统计学习方法并应用于实际问题；
✔️ 推导课程算法的数学表达式。
📊 评估方式
| 评估项目 | 权重 | 具体描述 |
|---|---|---|
| 📂 作业 | 20% | 涉及统计学习模型和算法的作业，评估问题解决能力。 |
| 📂 项目 | 20% | 使用 R 或 Python 分析真实数据，展示统计学习模型的应用能力。 |
| 📝 期末考试 | 60% | 为时两小时的考试，涵盖所有课程内容，需获得至少 30% 的分数方可通过。 |
💬 课程评价
✨ 精选评价
✏️ 您也可以通过以下方式分享您的学习体验和建议：
-
1️⃣ 课程页面底部评论 💬 在课程页面底部直接提交您的评论，我们会审核后将其收录到网站中。
-
2️⃣ GitHub 提交 🌐 如果您希望更全面地分享课程评价，或希望修改或新增课程页面，欢迎参考 Contributing 页面，通过 GitHub 提交您的贡献。
💡 加入讨论
在下方评论分享您的评价、问题或经验👇
“期待你的评价。”
—— CityU