清华大学无导师学习：人工神经网络的统计特性与基本模型

无导师学习是人工神经网络课程中的一个重要概念，它在未标注数据的背景下进行学习，即在没有预先给出明确答案或标签的情况下，网络通过分析样本集中的统计规律，自动调整神经元之间的连接权重，以发现潜在的模式和结构。在清华大学的人工神经网络课程中，无导师学习被作为入门课程的一部分，让学生理解人工智能系统的基础模型，如单层网络、多层网络和循环网络，这些网络的结构、工作原理、训练算法以及软件实现方法。 教师蒋宗礼教授推荐了《人工神经网络导论》作为教材，这本书由高等教育出版社出版，便于学生们深入学习理论知识。此外，课程还强调了对相关研究思想的理解，如Perceptron、BP（反向传播）、CPN（竞赛型神经网络）、统计方法（如Hopfield网和BAM，即玻尔兹曼机）、ART（自组织特征映射）等，这些都是构建和训练神经网络的重要组成部分。 学习目标不仅限于理论知识，还包括通过实验实践来感受不同模型的性能，培养解决问题的能力。学生们被鼓励结合参考书籍，如Philip D. Wasserman的《神经计算：理论与实践》，以及国内如胡守仁等人编著的《神经网络导论》，以深化对人工神经网络的理解，并将其应用于未来的研究项目。 通过这门课程，学生将能够理解智能系统的基本模型，掌握人工神经网络的基本概念，并学会如何将理论知识转化为实际应用，为他们在人工智能领域的发展打下坚实的基础。