本章主要介绍规则学习，包括似然率统计量、FOIL增益、逻辑操作（吸收、辨识、内构/互构）以及归结与合一等核心内容
本章主要介绍概率图模型，包括马尔可夫随机场、条件独立性、信念传播、马尔可夫链蒙特卡洛方法以及变分推断等核心内容
本章主要介绍半监督学习，包括高斯混合模型、EM算法在半监督学习中的应用、基于图的半监督学习以及标签传播等核心内容
本课程深入讲解神经网络的基础概念与实现。通过前向传播和反向传播算法，帮助理解如何构建多层神经网络模型。
本章主要介绍计算学习理论，包括PAC学习框架、VC维与增长函数、Rademacher复杂度以及稳定性与泛化性等核心理论内容
本章主要讲解特征选择与稀疏表示，包括信息增益、L1/L2正则化、LASSO回归以及稀疏编码与字典学习等核心内容
本章主要讲解降维方法，包括主成分分析（PCA）、核主成分分析（Kernel PCA）以及局部线性嵌入（LLE）等经典降维算法
本章主要讲解聚类评估指标和高斯混合模型，包括外部指标（JC、FMI、RI）、内部指标（簇内平均距离）以及高斯混合模型的参数估计方法
本章详细讲解了集成学习方法，包括Boosting算法（如AdaBoost）、Bagging与随机森林、误差-分歧分解等核心内容
本章详细讲解了贝叶斯分类器相关算法，包括贝叶斯决策论、朴素贝叶斯分类器、半朴素贝叶斯分类器、贝叶斯网等核心内容
