统计学习是关于计算机基于数据构建概率统计模型并运用模型对数据进行分析与预测的一门学科。统计学习以计算机和网络为平台，以数据为研究对象，以各种各样的统计学习方法为中心，处于概率论、统计学、计算机科学、信号处理、信息论、最优化理论等多个学科的前沿交叉领域，理论性和实用性都很强。 
本课程面向信息和计算机学科的研究生及高年级本科生，介绍统计学习的基本方法和基础理论，是统计学习学科的入门课程。通过本课程的学习，学生应了解这一学科的核心问题、主要方法、发展趋势，并能够根据实际需要，运用合适的统计学习方法来解决实际问题。

课程介绍

本课程是中国科学技术大学信息学院电子工程与信息科学系为研究生开设的一门专业选修课程，选课同学主要来自信息学院一年级研究生，学习过高等数学特别是概率统计，具有一定的计算机程序设计能力，了解信息学科的主要应用领域和主要问题。 
课程采用的所有教学资料均为英文，课堂讲授中英文结合，作业、项目报告及考试均需要使用英文完成。 
课程主页：http://staff.ustc.edu.cn/~dongeliu/statlearn.html

课程内容

1. 引论
2. 数据分析
3. 监督学习理论-上
4. 监督学习理论-下
5. 线性回归
6. 基本线性分类器
7. 贝叶斯方法
8. 组合模型
9. 神经网络
10. 支持向量机
11. 稀疏模型
12. 非监督学习

背景要求

学习过概率论与数理统计、计算机程序设计。如学习过信息论、最优化理论或方法等，对本课程部分内容更容易理解。

参考书

• Pattern Recognition and Machine Learning (PRML) by C. M. Bishop
• The Elements of Statistical Learning (ESL) by T. Hastie, R. Tibshirani, J. Friedman
• 统计学习方法，李航著

课程形式

每周3课时讲授，共12周。课后需完成作业。期末有一次习题课。 
有4个项目需要自己编程完成并按时提交项目报告，项目工作量合计约20小时。 
期末开卷考试。 
总成绩由作业15%、项目报告35%、考试50%三部分加权求和。

常见问题

1. 该课程与《机器学习》、《数据挖掘》、《人工智能》之类的课程有何联系和区别？ 
   笼统而言，这些课程都属于“人工智能”（让计算机具有与人类匹敌的智能）这个范畴。一般认为人工智能有若干种途径，“机器学习”（让计算机通过学习来提高其智能）是其中一种途径。而由于大数据时代的到来，通过“数据挖掘”（对数据进行各种处理、分析，试图从中找出规律）来进行“机器学习”最终达到“人工智能”的这条途径越来越被看好。这条途径就是统计学习。
2. 本课程着重数学基础还是计算机编程？ 
   都很重要。可以说，统计学习是把实际问题转化为数学问题，利用数学理论设计统计学习方法，再把这些方法转化为计算机算法，最后用设计出的程序来解决问题。从事统计学习研究的人往往过于强调数学和理论的优美，或者过于强调算法和程序的高效，我个人没有这种偏好。
3. 为什么需要全英文？ 
   本课程主要面向研究生。通过本课程学习，我们希望同学们能够在自己的研究中实际运用统计学习方法，为此，同学们必须具备阅读英文文献、撰写英文报告和论文的能力。希望大家从本课程开始锻炼。

本课程简介由 刘东 老师提供，供同学们参考，感谢他对评课社区的支持。