一、考试内容: 

1、统计决策方法

最小错误率贝叶斯决策、最小风险贝叶斯决策、neyman-pearson决策。

2、非监督学习

动态聚类算法、模糊聚类方法、层次聚类方法、性能度量、距离计算。

3、探索性分析与特征工程

关联分析、因果分析、可视化；特征的评价准则、特征选择的最优算法、主成分分析、因子分析。

4、分类方法

判别函数、决策树、神经网络、支持向量机、近邻法、逻辑回归、XGBOOST、GBDT、LGBM。

5、自然语言处理及应用

自然语言概念与方法、N-gram模型、Word2Vec模型、BERT模型、命名实体识别、实体关系识别、句法分析、情感分析、舆情分析。

6、深度学习

深度学习算法原理、RNN、LSTM、CNN、Transformer、网络优化策略。

7、强化学习

贝尔曼方程、马尔可夫决策过程与价值函数、基于价值的方法、基于策略的方法、actor-critic。

8、群体智能计算

群体智能计算基本概念、演化策略(ES)、差异演化(DE)、遗传算法(GA)、粒子群优化(PSO)算法、人工蜂群优化算法（ABC）。

9、集成学习

个体与集成、Boosting、Bagging、集成策略、多样性。

10、模型评估与选择

经验误差与过拟合、评估方法、性能度量、比较检验、偏差与方差、统计检验。

11、大数据与机器学习方法的应用

经济领域、能源领域、金融领域、大宗商品领域；知识图谱、边缘计算、数据隐私、算法偏见；搜索引擎、地理位置服务、流数据和实时数据分析、社交媒体分析、金融科技。

12、大数据系统建设

    关系数据库、NoSQL数据库、数据仓库、数据立方体、大规模并行处理技术、数据中台、MapReduce计算模型、Hadoop平台、Spark平台。

二、主要参考书目：

1. 机器学习方法，李航，清华大学出版社，2022年。

2. 数据商务分析， 叶强 方斌 张紫琼，高等教育出版社，2022年。

3. 机器学习，周志华，清华大学出版社，2016年。

 

注：因博士考试属于选拔性考试，试题内容不限于大纲公布的范围，本大纲及推荐书目仅供参考。