 机器学习是数据分析与挖掘的一种手段  机器学习是什么？  利用经验改善系统自身的性能  关于T和P，程序对E进行学习  Looking for a function  机器学习发展史  人工智能三阶段：推理期、知识期、学习期  深度学习∈机器学习∈人工智能  机器学习基本术语  回归、分类；模型、学习器；样本、样例……  模型选择：奥卡姆剃刀？NFL？

▪ 3.1 并行程序开发方法 ▪ 3.1.1 并行层次与代码粒度 ▪ 3.1.2 并行程序开发策略 ▪ 3.1.3 并行编程模式 ▪ 3.1.4 并行应用编程过程 ▪ 3.2 并行程序设计模型 ▪ 3.2.1 计算π样本程序 ▪ 3.2.2 数据并行模型 ▪ 3.2.3 消息传递模型 ▪ 3.2.4 共享变量模型 ▪ 3.3 并行编程语言和环境概述 ▪ 3.3.1 早期并行编程语言 ▪ 3.3.2 近代并行编程语言与环境 ▪ 3.3.3 并行说明性语言环境 ▪ 3.4 循环程序并行化的一般方法 ▪ 3.4.1 数据相关分析 ▪ 3.4.2 .数据划分与处理器指派 ▪ 3.4.3 循环重构

【机器学习】多视图主动学习的多样性样本选择方法研究

【机器学习】对抗样本三元组约束的度量学习算法

【人工智能基础】基于因素空间的人工智能样本选择策略

【机器感知与模式识别】面向一致性样本的属性约简

【机器感知与模式识别】基于孪生变分自编码器的小样本图像分类方法

机器学习：支持向量机的多观测样本二分类算法

【脑认知基础】脑电信号的小波变换和样本熵特征提取方法

第一节 样本空间、随机事件 第二节 概率、古典概型 第三节 条件概率、全概率公式 第四节 独立性