入组基础
以下是课题组日常研究所需的一些基础知识：
机器学习基础
教材：周志华. 机器学习. 北京: 清华大学出版社, 2016.
教辅：谢文睿, 秦州, 贾彬彬. 机器学习公式详解（第2版）. 北京: 人民邮电出版社, 2023.
备注：除课程内容以外，须额外关注第10.5节（流行学习）和第13章（半监督学习，尤其是第13.4节）
参考：《Machine Learning Foundations》（哔哩哔哩链接）+《Machine Learning Techniques》（哔哩哔哩链接）
深度学习基础
教材：阿斯顿·张，李沐等. 动手学深度学习 PyTorch版. 北京: 人民邮电出版社, 2023.
课程：《动手学深度学习 PyTorch版》（哔哩哔哩链接）
备注：一边学习课程内容，一边学习Python编程，内容很重要，编程也很重要
参考：《Machine Learning》（哔哩哔哩链接、教辅资料）
研究领域现状
多维分类（Multi-dimensional classification）：文献列表（Paper List）、公开数据集（MDC Datasets）、综述论文（B.-B. Jia, M.-L. Zhang. Multi-dimensional classification: paradigm, algorithms and beyond. Vicinagearth, 2024, 1: article 3）
多标记学习（Multi-label learning）：中文综述（张敏灵, 周志华. 多标记学习. 见: 周志华,杨强 主编, 机器学习及其应用:2011, 北京: 清华大学出版社, 2011, 179-199.）、综述论文1（M.-L. Zhang, Z.-H. Zhou. A review on multi-label learning algorithms. IEEE Transactions on Knowledge and Data Engineering, 2014, 26(8): 1819-1837.）、综述论文2（E. Gibaja, S. Ventura. A tutorial on multilabel learning. ACM Computing Surveys, 2015, 47(3): article 52.）、综述论文3（W. Liu, et al. The emerging trends of multi-label learning. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2022, 44(11): 7955-7974.）
偏标记学习（Partial label learning）：文献列表（Paper List）、公开数据集（PLL Datasets）
偏多标记学习（Partial multi-label learning）：文献列表（Paper List）、公开数据集（PML Datasets）
补充说明
课题组需要持续编程实现自己的想法，推荐使用Python或Matlab（二选一，都会更好）
可以把我主页的公开代码下载下来跑一跑，建议边跑程序边学编程，在看别人代码的过程中逐渐掌握编程
编程时可以使用大模型作为工具，但自己要能看懂大模型的生成结果，你需要能够给我讲明白你的代码
刚开始学习起来可能比较吃力，这非常正常，看不懂就多看几遍，刷上五遍、十遍……
研究现状了解大概即可，可以等我指定具体研究方向再深入学习
本页内容的学习是一个长期过程（虽然本页名为“入组基础”），并不是要求几周内或入学前必须完全掌握，但要确定自己不讨厌学习这些内容，你懂得越多，路就走得越宽
犹豫自己是否适合本课题组，可以尝试学习几节课程内容自行判断一下
确定入组的话，这些内容就是以后的饭碗，学习时请端正态度，不能仍抱着那种混学分的想法，我不希望平常讨论时给你提一些基本概念你都不知道（e.g., overfitting/underfitting、ten-fold cross validation、accuracy/F1、SVM、KNN、K-means、PCA、softmax、ResNet、ImageNet、self-attention, etc.）