英国UCL研究生Machine Learning选修课有哪些？

英国伦敦大学学院Machine Learning MSc课程涵盖了机器学习的计算、数学和商业观点。同学将了解该领域新技术开发和应用的基本原则，同时了解并有能力分析可用算法和方法的范围，并为新问题和应用设计、开发和评估适当的算法和方法。该学位仅监督学习和理学硕士机器学习项目为必修，其余课程均要求同学根据自身需求来选择。为了方便同学选课，我们总结了该学位提供的选修课，具体内容如下。

1、图形模型

本课程介绍了涉及广泛理论领域的概率建模。内容涵盖：贝叶斯推理；贝叶斯网络；有向和无向图形模型；隐马尔可夫模型；连接树算法；不确定情况下的决策；马尔可夫决策过程；用缺失数据学习；使用抽样的近似推断。

2、应用机器学习

本课程详细研究了与大规模机器学习的有效实施相关的主题，重点关注线性和非线性机器学习模型的优化。学生还将通过解决在线机器学习挑战来获得解决现实世界问题的经验。一个关键的目标是学生理解优化的挑战和各种方法的相关时间和空间复杂性。

3、机器学习高级主题

本课程旨在向学生介绍机器学习中一些更高级和技术上更具挑战性的主题，通常涵盖核方法的理论和应用，以及为给定年份选择的另一个主题(如凸优化、统计学习理论、迁移学习、元学习、在线学习)。

4、概率模型中的近似推理和学习

本课程将介绍概率图形模型(如贝叶斯网络和马尔可夫网络)中近似推理和学习的基础，特别关注由条件指数族分布组成的模型。随机(蒙特卡罗)方法和确定性近似都会介绍到。这些方法将结合机器学习中真实世界推理的实际问题进行讨论，涵盖跟踪和学习中的问题。

5、概率和无监督学习

本课程为学生提供了统计建模和无监督学习技术的深入介绍。提出了建模的概率方法及其与编码理论和贝叶斯统计的关系。涵盖了各种潜在变量模型，例如混合模型(用于聚类)、降维方法、时间序列模型(如用于语音识别和生物信息学的隐马尔可夫模型)。

6、统计自然语言处理

本课程介绍了统计自然语言处理(NLP)的基础知识和与NLP相关的机器学习技术。内容涵盖：语言模型；机器翻译；文本分类；序列标签；选区解析；依存解析；信息提取；机器理解；编码器/解码器架构；特征工程；深度神经网络；RNNs，CNNs。

7、强化学习

本课程旨在向学生介绍强化学习的基础，并使学生具备成功实施、应用和测试相关学习算法的能力。

8、计算机视觉

本课程介绍了自动计算机视觉的算法。专注于建立图像和物体的数学模型，并使用这些模型进行推理。学生将学习如何使用这些模型来自动查找、分割和跟踪场景中的对象，执行对象识别并从图像中构建三维模型。

9、机器学习研讨会

本课程的总体目标是向学生介绍机器学习的最新研究。这对计划攻读博士学位或从事工业研究的学生尤其有价值。

10、贝叶斯深度学习

本课程的目的是让学生熟悉深度学习的贝叶斯方法，这是目前非常活跃的研究领域。内容涉及深度学习的贝叶斯方法的各种主题，涵盖理论和应用。侧重于理解不确定性在监督和非监督设置下的深度学习模型中的作用。

11、统计学习理论

本课程的目的是向学生介绍统计学习理论背后的关键思想和概念。主题涵盖：偏差-方差权衡；拉德马赫复杂性；VC维度；稳定性和通用性；双重下降效应；迁移学习；元学习。

12、应用深度学习

本课程旨在让学生了解深度学习方法，并通过现代开发工具获得深度学习应用的实践经验。内容涉及：深度神经网络体系结构及其训练策略；用于设计卷积神经网络和递归神经网络的详细方法；开发、调整和评估基于神经网络的应用的方法等。

英国伦敦大学学院Machine Learning MSc要求同学修读总计180学分的课程，顺利完成后可以获得机器学习硕士学位。