• 什么是Graphical Model • 定义、示例 • Representation、Inference、Learning • 主题模型与分类 • LSA (Latent Semantic Analysis), 1990 • pLSA (probabilistic Latent Semantic Analysis), 1999 • LDA(Latent Dirichlet Allocation), 2003 • Hierarchical Bayesian model • 主题模型的R语言实现示例

• 聚类概述 • 什么是聚类？在IR中如何用聚类？聚类的几个术语 • K-均值聚类算法 • K-均值聚类中的基本准则 • K-均值算法中簇的个数 • 聚类评价 • purity、NMI（Normalized Mutual Information，)、RI（Rand Index)、F measure • 基于模型的聚类 • 层次聚类简介 • 层次聚类的簇相似度计算 • 四种HAC算法：单连接、全连接 、组平均、质心法

应用与背景 语言模型 主题模型-隐语义分析与矩阵分解  Latent Semantic Indexing (LSA), SVD and MF 主题模型-概率隐语义分析  Probabilistic Latent Semantic Indexing (pLSA) 多项式分布、狄利克雷分布与共轭  Conjugate Prior, Dirichlet Distribution and Conjugate 主题模型-隐狄利克雷分布  Latent Dirichlet Allocation (LDA)

 背景、示例与应用  推荐系统要素  常用推荐方法 基于内容的推荐方法 基于标签的推荐方法 基于网络的推荐方法 基于上下文的推荐方法  推荐方法测试

文本分类（Text Classification）  示例、定义与范畴  文档表示与特征选择  中文文本类别与层次分类结构（人工）  文本分类方法 分类流程 基于划分的方法（e.g., K近邻） 基于模型的方法（不细讲）  分类效果评估

•从文本分类图像分类 • 如何从图像中获取全局特征？ • 颜色特征、纹理特征、形状特征 • 如何从图像中获取局部特征？ • SIFT: Scale-invariant feature transform •图像分类的几个发展阶段 • Low-level Modelling • Semantic Modelling • Sparse Coding • Deep Learning

语义网（Semantic Web）  语义网提出的背景  语义网概念与体系结构  XML与RDF格式 标记语言 可扩展标记语言（XML）  本体  语义网应用

文本聚类（Text Clustering）  一般性聚类任务 聚类任务引出；应用背景；相似性度量；学科栈  文本聚类任务 聚类对象与文本特征 基于划分的方法（e.g., K-Means） 基于层次的方法 基于密度的方法（e.g., DBScan）  聚类效果评估

• 支持向量机 • 二元线性SVM • SVM用于非线性分类 • 机器学习方法 • 人工神经网络（Artificial Neural Network, ANN） • 深度学习（Deep Learning）现状 • 经典的深度学习模型/算法 • 卷积神经网络 Convolutional Neural Networks (CNN) • 多层反馈网络 Recurrent neural Network(RNN) • 自动编码器 AutoEncoder • 受限玻尔兹曼机 Restricted Boltzmann Machine, RBM • 深度置信网络 (Deep Belief Nets，DBN）

 6.1 域名系统 DNS  6.1.1 域名系统概述  6.1.2 因特网的域名结构  6.1.3 域名服务器  6.2 万维网WWW  6.2.1 概述  6.2.2 统一资源定位符 URL  6.2.3 超文本传送协议 HTTP  6.2.4 万维网的文档  6.2.5 万维网的信息检索系统  6.3 流媒体  6.3.1 流媒体的概述  6.3.2 存储式流媒体  6.1.3 交互式流媒体  6.4 改进“尽最大努力交付”的服务  6.4.1 使因特网提供服务质量  6.4.2 调度和管制机制  6.4.3 综合服务 IntServ 与资源预留协议 RSVP  6.4.4 区分服务 DiffServ