| 课程号 |
04835720 |
学分 |
2 |
| 英文名称 |
Continuous-time diffusion processes in machine learning theory |
| 先修课程 |
高等数学(或数学分析)，线性代数(或高等代数)，概率统计，需具备机器学习基础知识。 |
| 中文简介 |
连续时间扩散过程是一类重要的随机过程，在现代机器学习的模型和算法中起着重要作用。本课程聚焦连续时间扩散过程在机器学习中的理论与应用，面向具备概率论基础的本科生、研究生和科研人员。课程以典型问题为切入点，系统讲解核心算法设计与理论基础，延伸至该领域前沿进展。内容涵盖蒙特卡洛采样算法、扩散生成式模型、连续时间强化学习等专题，通过理论教学、文献研讨与课程报告相结合的方式，帮助学生掌握扩散过程的核心理论，了解领域最新动态，并完成基础的科研训练。 |
| 英文简介 |
Continuous-time diffusion processes are a critical class of stochastic processes that play a vital role in modern machine learning models and algorithms. This course focuses on the theory and applications of continuous-time diffusion processes in machine learning, designed for undergraduates, graduates, and researchers with background in probability theory. Starting with typical problem scenarios, the course systematically explores core algorithm design principles and theoretical frameworks, extending to cutting-edge advancements in the field. Key topics include Monte Carlo sampling algorithms, diffusion generative models, and continuous-time reinforcement learning. Through a blend of theoretical instruction, literature studies, and course projects, students will gain a solid understanding of the fundamental theories of diffusion processes, learn about the latest developments in the field, and engage in research training. |
| 开课院系 |
信息科学技术学院 |
| 成绩记载方式 |
|
| 通识课所属系列 |
|
| 授课语言 |
中文 |
| 教材 |
|
| 参考书 |
|
| 教学大纲 |
本课程将介绍机器学习中连续时间扩散过程算法和理论，通过本课程，学生将掌握扩散过程的基础知识，并接触相关机器学习理论中的前沿进展。
本课程介绍机器学习前沿科研中连续时间扩散过程的问题、理论和方法。课程将涵盖采样算法、扩散模型、连续时间强化学习等问题。具体学时分配如下（视教学进度酌情调整）：
1. 背景介绍，布朗运动和扩散过程基础知识（4学时）
2. 朗之万过程的离散时间模拟算法，在蒙特卡洛采样中的应用（6学时）
3. 反向扩散过程，扩散过程生成式模型的算法和理论（6学时）
4. 强化学习基础，连续时间随机控制，哈密顿-雅可比-贝尔曼方程（6学时）
5. 连续时间强化学习算法和理论，在扩散生成模型微调中的应用（7学时）
6. 课程报告展示（3学时）
以课堂讲授为主（约占75%教学内容），辅以课后文献阅读和课程报告展示（约占25%教学内容）
20% 课堂参与，40%课后作业，40%课程报告
|
| 教学评估 |
|
|