在深度学习流行的今天，经典算法仍有重要价值。本讲介绍机器学习中两个经典算法Boosting 与SVM。介绍算法思想的起源与发展。并探讨在应用中如何选择合适的算法。

现实生活中的许多数据都可以用图的结构来表示，因此图表示学习目前受到了广泛关注的应用，包括推荐系统，社会网络分析，药物发现等等。本报告从多个角度研究图表示学习，包括节点嵌入的谱理论，基于谱理论的大规模节点嵌入的算法，图神经网络的自监督学习算法和图表示学习的应用等，探讨图结构数据的理解、分析和推理。

迁移学习一直是机器学习领域的难点问题，其目标是在数据分布变化的条件下实现强泛化能 力。经过长期探索，逐步缩小了迁移学习的泛化理论与学习算法之间的鸿沟，获得了更紧致的泛化界和 更优的学习器。本讲按照发展历程介绍迁移学习的代表性泛化理论及学习算法，重点介绍间隔泛化理论及其对抗学习算法、迁移推理中的概率校准和无监督迁移学习算法。最后，介绍开源的迁移学习算法库，为推动迁移学习的规范发展和应用落地提供支撑。

脉冲神经网络被称为第三代人工神经网络，人脑的神经网络主要通过脉冲发放来传递信息，脉冲之间的时间间隔编码了很多有用的信息，现有主流的人工神经网络没有考虑这些信息。相比传统神经网络，脉冲神经网络具有低功耗、鲁棒和时序特性的优势，可以通过更少的神经元达到传统神经网络相同的计算能力。本讲介绍脉冲神经网络的学习理论与方法，希望为研究者们提供未来发展方向的理论参考。

量子机器学习作为量子计算与人工智能的前沿交叉领域，其融合创新备受业内关注，有望推动两个重点前沿领域的发展。参数化量子电路作为量子神经网络的基本组件，是量子机器学习研究的核心方向之一。本讲深入探讨以量子神经网络在函数逼近、量子态学习、数据编码等量子机器学习关键任务中的表现。同时，将介绍量子神经网络在设计量子算法和推动量子信息理论研究方面的前沿进展，并展望未来发展方向。

符号主义和链接主义是人工智能的两大方法论，分别模拟演绎推理和归纳学习两种认知过程。神经符号AI期望将两者融合起来，取长补短，建立具有更加高效、鲁棒、可解释的智能系统，是当前人工智能研究的一个热点。本讲从分析语言大模型的推理能力入手，介绍神经符号AI的基本原理，关键技术，代表方法，以及在视觉推理、网络故障诊断等领域的应用案例。