Daming Zhang 教授系列讲座(三)

　　题目：Supervised Learning: Linear regression

　　时间：2018年6月12日 14:00-16:00

　　地点：理学院 104教室

　　主办：理学院

　　主讲内容：监督式学习是机器学习领域中一种主要的学习方式。需要通过已有的数据训练出一个最优的模型，能够表示这些已有的模型并预测新的数据。线性回归模型是最简单的监督式学习模型，给定一些训练数据，发现数据中的规律，找到存在最优方程以拟合训练数据，再遇到新数据时，就可以用训练好的回归模型来对新数据作出预测。本报告主要介绍监督式学习中的线性回归。

Daming Zhang 教授系列讲座(四)

　　题目：Supervised Learning: Logistic regression,Support vector machines

　　时间：2018年6月13日 14:00-16:00

　　地点：理学院 104教室

　　主办：理学院

　　主讲内容：监督式学习是机器学习领域中一种主要的学习方式。需要通过已有的数据训练出一个最优的模型，能够表示这些已有的模型并对新的数据进行预测。逻辑回归和支持向量机是监督式学习中比较常见的算法。本报告则是对监督式学习中的逻辑回归以及支持向量机进行详细介绍。

Daming Zhang 教授系列讲座(五)

　　题目：Supervised Learning: k-NN, Decision tree, Random forest

　　时间：2018年6月14日 10:00-12:00

　　地点：理学院 104教室

　　主办：理学院

　　主讲内容：监督式学习是机器学习领域中一种主要的学习方式。需要通过已有的数据训练出一个最优的模型，能够表示这些已有的模型并对新的数据进行预测。决策树算法是监督式学习中的一种算法，根据数据的属性采用树状结构建立决策模型，决策树模型常常用来解决分类和回归问题。随机森林是一个包含多个决策树的分类器，是过去几年来新兴的机器学习技术，它是基于非线性的决策树模型，通常能够提供准确的结果。本报告将详细介绍决策树以及随机森林算法。

Daming Zhang 教授系列讲座(六)

　　题目：Unsupervised Learning: k-means clustering, Hierarchical clustering

　　时间：2018年6月15日 10:00-12:00

　　地点：理学院 104教室

　　主办：理学院

　　主讲内容：非监督式学习是机器学习领域中一种主要的学习方式。在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括k-均值聚类和分层聚类。本报告主要介绍非监督式学习以及非监督式学习中常见的算法均值聚类以及分层聚类。

Daming Zhang 教授系列讲座(七)

　　题目：Neural networks and Deep learning 1

　　时间：2018年6月16日 10:00-12:00

　　地点：理学院 104教室

　　主办：理学院

　　主讲内容：神经网络是机器学习中最奇妙的算法模型，通过模拟人的神经系统进行高阶非线性，所以神经网络算法需要的计算量很大。神经网络在以前一直不温不火，原因是计算机硬件不足以支撑神经网络的计算量，现在随着大数据和计算机技术的发展，让神经网络迎来了春天。深度学习属于人工智能中机器学习技术的一个发展分支，应用层数很多的神经网络，可以简单理解为能够求解更高阶非线性方程的神经网络。人脸识别、交通领域的车牌识别技术都是深度学习的应用，无人驾驶汽车属于深度学习的典型应用。本报告着重介绍神经网络和深度学习的数学模型及其相关应用。

Daming Zhang 教授系列讲座(八)

　　题目：Neural networks and Deep learning 2

　　时间：2018年6月16日 16:00-18:00

　　地点：理学院 104教室

　　主办：理学院

　　主讲内容：神经网络是机器学习中最奇妙的算法模型，通过模拟人的神经系统进行高阶非线性，所以神经网络算法需要的计算量很大。神经网络在以前一直不温不火，原因是计算机硬件不足以支撑神经网络的计算量，现在随着大数据和计算机技术的发展，让神经网络迎来了春天。深度学习属于人工智能中机器学习技术的一个发展分支，应用层数很多的神经网络，可以简单理解为能够求解更高阶非线性方程的神经网络。人脸识别、交通领域的车牌识别技术都是深度学习的应用，无人驾驶汽车属于深度学习的典型应用。本报告着重介绍神经网络和深度学习的数学模型及其相关应用。

Daming Zhang 教授系列讲座(九)

　　题目：Reinforcement learning of Machine learning

　　时间：2018年6月22日 8:00-10:00

　　地点：理学院 104教室

　　主办：理学院

　　主讲内容：强化学习（Reinforcement learning，简称RL）是机器学习中最重要和最新的领域之一，强调如何基于“环境”而行动，以取得最大化的预期利益。在机器学习中，环境通常被规范为马尔可夫决策过程（MDP），所以许多强化学习算法使用动态规划技巧。这个方法具有普适性，因此在其他许多领域都有研究，例如博弈论、控制论、运筹学、信息论、仿真优化、多主体系统学习、群体智能、统计学以及遗传算法。在运筹学和控制理论研究的语境下，强化学习被称作“近似动态规划”（ADP）。在最优控制理论中也有研究这个问题。在经济学和博弈论中，强化学习被用来解释在有限理性的条件下如何出现平衡。本报告将对强化学习进行深入的介绍。

Daming Zhang 教授系列讲座(十)

　　题目：Future topics and Projects of Machine learning

　　时间：2018年6月22日 16:00-18:00

　　地点：理学院 104教室

　　主办：理学院

　　主讲内容：基于前期对机器学习和人工智能相关知识的学习，对该领域已经有一定的了解。本报告将对机器学习和人工智能的未来主题和项目进行展望，以启发学生思维并对数学模型在人工智能中的应用有一个更深刻的认识，从而更加坚定决心学好数学，以成为当代科技最新领域研究的中流砥柱，为祖国科技事业的腾飞贡献力量。

　　主讲简介：Daming Zhang, 加州州立大学弗雷斯诺分校教授，于1997年获爱荷华州立大学工程力学博士。他的研究兴趣包括发动机技术和整车开发、绿色能源和替代燃料，噪声的估计和抑制。张教授拥有超过12年的行业工作经验，在FEV发动机技术有限公司任发动机NVH部高级工程师，在莱克斯勒汽车公司和福特汽车公司做咨询高级工程师。张博士在韦恩州立大学机械工程系和西北工业大学航空航天工程系有10年的教学经验。2010年以来发表论文30余篇，其中多篇影响因子大于4。  

　　欢迎广大师生参加！