Stanford AI 课程地图 EN GitHub ↗
← 返回课程地图
Stanford · 2026—27 STATS 315A 统计与优化 ★★★★☆

核心课程 · 统计与优化

现代应用统计:学习

Modern Applied Statistics: Learning

现代应用统计学习:预测方法、模型评估、优化、生成模型。

3 学分 2027 冬 Letter or Credit/No Credit ★★★★☆
统计学习生成模型评估

课程定位

STATS 315A 是统计系研究生级别的 ML 课程,覆盖预测方法(线性模型、树/森林、深度网络)、模型评估(交叉验证、校准、conformal prediction)、优化(凸性、随机方法)和生成模型(语言模型、扩散、VAE)。它兼顾统计严谨性和现代方法。

主要内容

  1. 预测方法:线性、树/森林、深度网络
  2. 模型评估:CV、校准、conformal prediction
  3. 优化:凸优化、SGD、自适应方法
  4. 生成模型:语言模型、diffusion、VAE
  5. 高维与正则:lasso、稀疏性
  6. 项目/论文讨论

先修

概率统计、线性代数、ML 基础(STATS 202/CS 229 级)。

考核与工作量

作业 + 项目/考试。具体以当季官网为准。

适合谁

统计/ML 研究生;想做严谨的预测建模和不确定性量化的人。

学习建议

先修 STATS 202 或 CS 229。conformal prediction 部分很值得深入。

相关课程

官方课程描述(英文原文)

This course covers statistical techniques underlying modern machine learning. Topics include prediction methods (linear models, trees and forests, deep neural networks), model evaluation (cross-validation, calibration, conformal prediction), optimization (convexity, stochastic methods, adaptive metrics), and generative models (language models, diffusion models, variational autoencoders).