统计学习：监督学习和无监督学习、建模数据、多元正态模型、正态线性模型、贝叶斯学习Statistical Learning.Topics in this week cover supervised and unsupervised learning,modeling data,multivariate normal models,normal linear models,and Bayesian learning.
回归理论：线性回归、线性模型分析、模型选择与预测、非线性回归、线性模型Regression.Topics in this week are about linear regression,analysis of linear models,model selection and prediction,nonlinear regression,and linear models in Python.
核与正则化方法:正则化、表示定理、高斯回归、核主成分分析Regularization and Kernel methods.Topics in this week cover regularization,re-presenter theorem,Gaussian process regression,and Kernel principal component analysis.
机器学习优化方法Optimization for machine learning
分类、决策树和集成方法:支持向量机、决策树、随机森林Classification,decision trees and ensemble methods.Topics in this week include support vector machine,decision trees,and random forests.
项目回顾与成果展示Program review and presentation
论文辅导和发表Project deliverables tutoring
模拟博士申请面试Mock interview for PhD application
适合人群
大学生
希望申请人工智能，数据科学，统计学等相关领域博士的学生学生需要具备微积分、线性代数、概率论基础，至少会使用一门编程语言实现如KNN等经典机器学习算法
项目模式
10课时的主导师Lecture
名校教研体系深度浸泡
6课时1对1 Office Hour
扫除你上课时积累的所有疑难知识点
12课时的Mentor Session
指导小组完成实战项目
2课时的成果汇报Presentation
将你所学知识呈献给导师及所有学员，获得导师点拨和反馈
24小时内答疑回复
24小时内答疑，时间解决遗留问题
全程助教辅助模式
项目期间配双语助教全程辅助教学过程，不让任何一位学生落下进度
班主任跟踪监督模式
不让懒惰拖延成为你成功路上的绊脚石
师生比例1比4
小班教学，人人都能与大佬沟通熟悉，打通人脉
