COMP9418

统计机器学习高级课题

课程定位 COMP9418 是 UNSW 计算机硕士专业在‘概率推理与图形模型’维度的顶尖算法课。它解决了机器学习中最本质的‘不确定性’问题：除了预测，我们如何进行因果推断？如何在高维变量间建立概率依赖？它是通往顶级 AI 实验室、资深数据科学家、及自动驾驶决策系统架构师岗位的‘大神级’通行证。它将经典的贝叶斯网络、马尔可夫随机场与现代的变分推理深度整合，是培养‘具备概率架构能力的机器学习专家’的必修课。 技术栈与学习内容 课程围绕‘概率图形模型 (PGM)’展开。核心技术栈包括：Python、NumPy、以及 PGM 建模库（如 pgmpy）。学习内容涵盖：贝叶斯网络 (Bayesian Networks) 的图结构、马尔可夫属性与条件独立性判定 (d-separation)、最为核心的‘精确推理算法（变量消除法、连接树算法）’、以及近似推理（采样法、变分推理）。进阶模块涵盖：参数学习与结构学习、EM 算法在复杂 PGM 中的应用、以及因果推断初步。课程强调‘概率分布在大规模图形中的紧凑表示与计算优化’。 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 研究标准：包含针对变量消除时序手算的期中 Quiz、一个要求实现复杂‘知识追踪或疾病诊断’PGM 系统的大型项目（Major Project）、以及一场强调概率恒等式证明、图结构转换与近似推理收敛性判定的期末综合大考。该课极其强调‘逻辑链条的数学严密性’。 适合人群 计算机硕士、或打算从事机器学习底层研究的理工科生。必须具备极其扎实的 COMP9417 (机器学习) 和概率论基础。如果你想搞清楚‘如何让机器进行逻辑与概率的联合推断’、或者渴望在未来的因果 AI 领域建立核心壁垒，这门课是你的神功。建议每周投入 25 小时以上进行公式推演与模型实验。