Data Mining 2022 Fall

— A Course for Graduates in HZAU.

Syllabus:

14,Sep	▩ Preface ▩ Introduction to This Course ▩ 入手数据挖掘算法，朴素贝叶斯
19,Sep	▩ 最优化的语言体系——《最优化理论与算法之 1，引言》
21,Sep	▩ (Quiz 1) ▩ 最优化的语言体系——《最优化理论与算法之 1，引言》
26,Sep	▩ 典型的经典最优化方法——线性回归，LOSS 函数与范数 ▩ 最优化的语言体系——《最优化理论与算法之 7，最优性条件》（详）
28,Sep	▩ 最优化的语言体系——《最优化理论与算法之 7，最优性条件》（详） ▩ 【专题】：《线性回归优化目标和参数迭代的几何视角》 ▩ 【专题】：《DM的数学基础和自学路径》
5, Oct	▩ 最优化的语言体系——《最优化理论与算法之 7，最优性条件》（详） ▩ 典型的经典最优化算法——SVM，超平面上的咏唱（略）
10, Oct	▩ 高维数据下的优化算法观点，从 SVD 到 PCA
12, Oct	▩ (Quiz 2) ▩ 【专题】：《PCA观点下的维度约减和数据重构》 ▩ 典型的经典最优化算法——SVM，超平面上的咏唱（略）
17, Oct	▩ 隐变量和贝叶斯推断，EM 算法——硬/软聚类，单高斯模型（详）
19, Oct	▩ 隐变量和贝叶斯推断，EM 算法——混合高斯模型和隐变量的引入（详）
24 Oct	▩ 隐变量和贝叶斯推断，EM 算法——期望计算和迭代推导（详） ▩ 隐变量和贝叶斯推断，EM 算法——一个轻量级的混合高斯模型实例（详）(Course Note Chapter 12. 《EM算法》Download)
26, Oct	▩ 【专题】：《基于隐变量的一般贝叶斯方法和EM算法的实质》 ▩ 【专题】：《若干与贝叶斯推断有关的概率统计基础》 ▩ 隐变量和贝叶斯推断，隐变量模型——LDA主题模型（详）
31, Oct	▩ (Quiz 3) ▩ 隐变量和贝叶斯推断，隐变量模型——LDA主题模型和变分推断 VI （详）
2, Nov	▩ 隐变量和贝叶斯推断，隐变量模型——LDA主题模型和变分推断 VI （详）
7, Nov	▩ 神经网络，从传统到摩登（略） ▩ 漫谈流行，神经网络、强化学习、VAE 和 GAN (详) (Course Note Chapter 16. 《VAE算法》Download)
14,Nov	▩ 漫谈流行，神经网络、强化学习、VAE 和 GAN (详) ▩ (Term Exam)