COMP9417

机器学习与数据挖掘

课程定位 COMP9417 是 UNSW 计算机硕士专业在‘人工智能与算法研究’维度的绝对核心课。它解决了统治这个时代的最本质命题：如何让机器从经验（数据）中自动提取规律？如何通过数学优化实现预测？它是通往顶级大厂算法工程师、数据科学家、及 AI 研究员岗位的必经第一站。它将经典的统计学习理论、凸优化算法与现代 Python 实战深度整合，是培养‘具备底层推导能力的算法架构师’的必修课。 技术栈与学习内容 课程围绕‘学习范式与泛化理论’展开。核心技术栈包括：Python、NumPy、Scikit-learn 以及梯度下降优化器。学习内容涵盖：线性回归与感知机、回归分析进阶（Lasso/Ridge）、决策树与集成学习（Random Forest, AdaBoost, Gradient Boosting）、支持向量机 (SVM) 与核方法、以及最具算法美感的‘概率图形模型与聚类分析’。此外，课程引入了神经网络初步与强化学习基础。课程强调‘偏误-方差权衡 (Bias-Variance Trade-off) 与算法的收敛性证明’。 课程结构 10 周理论高强度输出与两个极具挑战的算法项目结合。评估体系完全对接 AI 工业界：包含针对代价函数梯度推导的期中机考、一个要求解决真实‘Kaggle 风格’竞赛挑战的项目（Major Project，涉及特征工程与模型集成）、以及一场强调数学证明、决策边界判定与对偶空间变换能力的期末综合大考。该课极其强调‘手推公式’的数理功底。 适合人群 计算机硕士、或打算转行机器学习的理工科生。必须具备扎实的线性代数、微积分与概率论基础。如果你想搞清楚‘为什么 SVM 能找到最大间隔’、或者渴望在未来的 AGI 浪潮中建立核心理论壁垒，这门课是你的神功。建议每周投入 25 小时以上进行算法复现。