《《機(jī)器學(xué)習(xí)》課程教學(xué)大綱》由會員分享，可在線閱讀，更多相關(guān)《《機(jī)器學(xué)習(xí)》課程教學(xué)大綱（2頁珍藏版）》請?jiān)谘b配圖網(wǎng)上搜索。

1、 《機(jī)器學(xué)習(xí) 》課程教學(xué)大綱 課程中文名稱：機(jī)器學(xué)習(xí) 課程英文名稱： Machine Learning 適用專業(yè)： 計(jì)算機(jī)應(yīng)用技術(shù)，管理科學(xué)與工程 總學(xué)時： 36 （講課： 28 ，實(shí)驗(yàn)： 8 ） 學(xué)分： 2 大綱撰寫人： 大綱審核人： 編寫日期： 一、 課程性質(zhì)及教學(xué)目的： 本課程是面向計(jì)算機(jī)與信息工程學(xué)院研究生開設(shè)的專業(yè)基礎(chǔ)課。 其教學(xué)重點(diǎn)是使學(xué)生掌 握常見機(jī)器學(xué)習(xí)算法， 包括算法的主要思想和基本步驟， 并通過編程練習(xí)和典型應(yīng)用實(shí)例加 深了解

2、；同時對機(jī)器學(xué)習(xí)的一般理論，如假設(shè)空間、采樣理論、計(jì)算學(xué)習(xí)理論，以及無監(jiān)督 學(xué)習(xí)和強(qiáng)化學(xué)習(xí)有所了解。 二、對選課學(xué)生的要求： 要求選課學(xué)生事先受過基本編程訓(xùn)練，熟悉 C/C++ 或 Matlab 編程語言，具有多元微積 分、高等代數(shù)和概率統(tǒng)計(jì)方面基本知識。 三、課程教學(xué)內(nèi)容和要求 （ 200 字左右的概述， 然后給出各 “章”“節(jié)” 目錄及內(nèi)容簡介 ） 1. 決策論與信息論基礎(chǔ)： a) 損失函數(shù)、錯分率的最小化、期望損失的最小化等 b) 相對熵、互信息 2. 概率分布： a) 高斯分布、混合高斯分布、 Dirich

3、let 分布、 beta 分布等 b) 指數(shù)分布族：最大似然估計(jì)、充分統(tǒng)計(jì)量、共軛先驗(yàn)、無信息先驗(yàn)等 c) 非參數(shù)方法：核密度估計(jì)、近鄰法 3. 回歸的線性模型： a) 線性基函數(shù)模型 b) 貝葉斯線性回歸 c) 貝葉斯模型比較 4. 分類的線性模型： a) 判別函數(shù)：二分類和多分類的 Fisher 線性判別 b) 概率生成模型：連續(xù)輸入、離散特征 5. 核方法： a) 對偶表示 b) 構(gòu)造核函數(shù) c) 徑向基函數(shù)網(wǎng)絡(luò)： Nadaraya-Watson 模型 d) 高斯過程：高斯過程模

4、型用于回歸和分類、 Laplace 逼近、與神經(jīng)網(wǎng)絡(luò)的聯(lián)系 6. 支持向量機(jī)： a) 最大邊緣分類器：歷史回顧 b) 用于多分類和回歸的支持向量機(jī)：幾何背景、各種變種 c) 統(tǒng)計(jì)學(xué)習(xí)理論簡介： Vapnik 等人的工作 7. 圖模型： a) 貝葉斯網(wǎng)絡(luò) b) Markov 隨機(jī)場：條件獨(dú)立、因子分解 c) 圖模型中的推斷 8. 混合模型和期望最大化（ Expectation Maximization ， EM）算法（ 3 學(xué)時）： a) 高斯混合模型的參數(shù)估計(jì)：最大似然估計(jì)、 EM 算法 b) EM 一般算法及其應(yīng)用：

5、貝葉斯線性回歸 9. 隱 Markov 模型和條件隨機(jī)場模型（ 3 學(xué)時）： a) 隱 Markov 模型：向前 -向后算法、 Viterbi 算法、 Baum-Welch 算法等 b) 條件隨機(jī)場及其應(yīng)用 四、 課程教學(xué)環(huán)節(jié)的學(xué)時安排和基本要求 1. 決策論與信息論基礎(chǔ)（ 2 學(xué)時）：了解并掌握統(tǒng)計(jì)決策理論和信息論的基礎(chǔ)知識。 2. 概率分布（ 3 學(xué)時）：熟悉常見的分布，熟練掌握最大似然估計(jì)方法，學(xué)會利用無信息先驗(yàn)和共軛先驗(yàn)簡化計(jì)算，了解一些常用的非參數(shù)方法。 3. 回歸的線性模型（ 3 學(xué)時）：掌握線性回歸的一般方法，學(xué)會使用

6、 R 中有關(guān)回歸的程序 包，并能將之用于解決實(shí)際問題。 4. 分類的線性模型（ 3 學(xué)時）：對分類問題有一個全面的了解，掌握一些常用的分類方法。 5. 核方法（ 3 學(xué)時）：了解核方法的最新進(jìn)展，熟練掌握核函數(shù)參數(shù)估計(jì)的常用方法。 6. 支持向量機(jī) （ 4 學(xué)時）：掌握支持向量機(jī)的基本原理， 面對各自研究領(lǐng)域中的具體問題學(xué) 會使用支持向量機(jī)，粗略了解統(tǒng)計(jì)學(xué)習(xí)理論。 7. 圖模型（ 4 學(xué)時）：從建模到算法實(shí)現(xiàn)。 8. 混合模型和期望最大化（ Expectation Maximization ， EM ）算法（ 3 學(xué)時）：掌握 EM 算

7、 法的基本理論，學(xué)會使用 EM 算法。 9. 隱 Markov 模型和條件隨機(jī)場模型（ 3 學(xué)時）：掌握隱 Markov 模型的幾個經(jīng)典算法，學(xué)會利用隱 Markov 模型和條件隨機(jī)場模型解決具體問題，如自然語言處理中的詞性標(biāo)注 等。 五、教材及參考文獻(xiàn)： 1. Bishop, C. M. (2006) Pattern Recognition and Machine Learning, Spring Science + Business Media, LLC 2. Mitchell, T. M. (1997) Machine Learning, The McGraw-Hill Companies, Inc. 六、必要的說明