《机器学习（machinelearning）》教学大纲学分-5学时-90开课单位-软件学院.docxVIP

《机器学习（Machine Learning）》教学大纲 学分：5 学时：90 开课单位：软件学院 任课教师及职称（学位）：汪浩教授、龙浩副教授、李第平博士 教学内容及要求 1、课程简介：世界的本质是数据（参见维克托·迈尔·舍恩伯格《大数据时代》），数据挖掘的任务是从大量数据中发现隐藏的、未知的和潜在的知识或模式的过程。机器学习(Machine Learning, ML)是数据挖掘的基础，为数据挖掘提供了基本工具，是大数据时代重要的课程。机器学习涉及概率论、统计学、最优化理论、算法复杂性理论等多门课程，本课程将讨论机器学习方法背后的基本数学原理，机器学习方法的基本数学模型，以及机器学习的基本方法和算法。 2、教学目的与要求：了解和掌握回归分析、分类、聚类、降维等机器学习的基本算法，同时掌握这些方法背后的数学原理，学习这些算法的基本原理，并能利用对应的软件包进行数据分析和挖掘。 3、主要内容 引言（10课时） 教学目的和基本要求：了解机器学习的基本内容，机器学习的分类，机器学习的三要素，机器学习的模型评估和选择。 教学重点、难点：机器学习三要素，机器学习模型评估与选择 教学基本内容： 什么是机器学习 机器学习分类 有监督学习 无监督学习 半监督学习 机器学习三要素 模型 策略 算法 机器学习模型评估与选择 训练误差与测试误差 过拟合与模型选择 回归分析（12课时） 教学目的和基本要求：了解回归分析的作用，掌握回归分析的基本方法。 教学重点、难点：最小二乘法、最大似然法。 教学基本内容： 线性建模：最小二乘法 回归分析用于预测 正则化最小二乘法 线性建模：最大似然法 机器学习的贝叶斯方法（12课时） 教学目的和基本要求：学习掌握共轭模型和非共轭模型等两种贝叶斯推理的基本方法。 教学重点、难点：图模型、共轭模型、最大后验估计MAP，拉普拉斯近似等。 教学基本内容： 3.1 图模型 3.2 贝叶斯估计的共轭模型 硬币游戏 后验概率 三个场景 边缘似然估计 3.3 贝叶斯计的非共轭模型 非共轭模型 二值响应 最大后验估计MAP 拉普拉斯近似 抽样技术 分类（12课时） 教学目的和基本要求：了解什么是分类，学习机器分类概率分类器和非概率分类器。 教学重点、难点：贝叶斯分类器，SVM及核方法 教学基本内容： 4.1 概率分类器 贝叶斯分类器 逻辑回归 4.2 非概率分类器 K紧邻法 SVM及核方法 聚类分析（12课时） 教学目的和基本要求：了解什么是聚类，及其与分类的区别，学习聚类的两种基本方法 教学重点、难点：混合模型及EM算法。 教学基本内容： 5.1 K均值聚类 5.2 混合模型及EM算法 主成分分析与隐变量（12课时） 教学目的和基本要求：了解主成分分析的作用和目标，学习主成分分析、隐变量模型的基本内容。 教学重点、难点：主成分分析、隐变量模型、变分贝叶斯。 教学基本内容： 6.1 主成分分析 6.2 隐变量模型 6.3 变分贝叶斯 6.4 主成分分析的概率模型 教材及参考书目 1. SimonRogers, Mark Girolami. A First Course in Machine Leaening. CRC Press 2012. (中译本：郭茂祖，王春宇，刘杨，刘晓燕.机器学习基础教程机械工业出版社，2013) 李航. 统计学习方法. 清华大学出版社，2012.