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
- 预测方法:线性、树/森林、深度网络
- 模型评估:CV、校准、conformal prediction
- 优化:凸优化、SGD、自适应方法
- 生成模型:语言模型、diffusion、VAE
- 高维与正则:lasso、稀疏性
- 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).