都柏林大学研究生机器学习课程的目标是让学生熟悉机器学习的基本理论概念，并指导学生应用机器学习算法的实践方面。课程涵盖了监督机器学习中的关键技术，例如使用决策树和最近邻算法的分类，以及回归分析。课程特别强调对这些算法性能的评估。无监督机器学习部分，课程将详细介绍一些流行的聚类算法。还将介绍机器学习的进一步主题和应用。这门课需要很强的数学能力，因为一些算法需要对线性代数和统计概念有所了解。同学如果想预习这门课，可以先了解一下课程的主要内容摘要。

一、主要内容摘要

1、分类技术：kNN、决策树、朴素贝叶斯和SVM

2、回归

3、梯度下降和神经网络

4、Ensembles

5、评估方法和措施

6、强化学习

7、无监督学习技术：降维、划分和层次聚类

8、使用python/Scikit-learn运行机器学习任务

二、课程评估策略

1、Assignment 1：在一些简化的实际应用程序中运用ML技术。

2、Multiple Choice Questionnaire：一系列测试学生对理论和应用概念的理解能力的测验。此外，这还涉及提交教程练习和参与教程。

3、Assignment 2：在一些简化的实际应用程序中运用ML技术。

4、Examination：测试对机器学习概念的理论理解的期末考试。

三、课程预习目标

1、区分不同类别的机器学习算法；

2、为给定的应用或任务识别合适的机器学习算法；

3、使用各种评估度量运行和评估一系列算法的性能；

4、使用python和scikit-learn进行使用真实数据集的机器学习任务。

以上就是都柏林大学研究生机器学习课程摘要，希望能够为同学的预习准备带来帮助。