机器学习-吕宗磊课程教学大纲.docVIP

PAGE9

《机器学习》课程教学大纲

课程英文名称

MachineLearning

开课院系

计算机科学与技术学院

课程类别

选修课

授课对象

1.学术型2.专业学位

授课方式

1.讲授类

课程总学时

36

课程总学分

2

开课学期

2

适用专业

计算机科学与技术、计算机技术

预修课程

人工智能、离散数学

主讲教师1

吕宗磊

职称

副教授

主讲教师2

徐涛

职称

教授

课程简介（500字以内）：

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习这门学科所关注的问题是：计算机程序如何随着经验积累自动提高性能。近年来，机器学习被成功的应用与很多领域，同时，这个学科的基础理论和算法也有了重大发展。本课程的目的是讲授机器学习中核心的算法和理论，既可以为相关研究方向的研究生提供研究所需的理论知识，也可以作为拓展其他方向研究生视野的课程。

课程教学目标与基本要求：

培养学生在机器学习基本理论、方法学习的基础上，重点掌握近年来刚刚发展起来一些方法。同时，要求学生通过查阅国内外文献，了解机器学习的最新研究动向，积极开展创新性研究并撰写相关论文。

课程考核方式和成绩计算评定：

1．考核方式：考试（）；考查（√）

2．成绩评定：

总评成绩构成：平时考核（40）％；中期考核（0）％；期末考核（60）％

平时成绩构成：考勤考纪（25）％；作业（75）％；读书报告（0）％

实践环节（0）％；其他（0）％

课程内容及详细教学计划：

授课内容（细化到章、节、目）

教学目标

授课模式（指传统讲授、讨论、多媒体教学等）

绪论：学习问题的标准描述、学习系统的组成、机器学习的一些观点和问题

了解机器学习的基本概念，理解机器学习的相关观点和问题

传统讲授

概念学习和从一般到特殊序：概念学习的任务、作为搜索的概念学习、寻找极大特殊假设、变形空间和候选消除法、归纳偏置

重点掌握假设空间、一般到特殊序的概念、作用、性质

传统讲授

决策树学习：决策树表示法、决策树学习的适用问题、基本的决策树学习算法、决策树学习中的假设空间搜索、决策树学习的归纳偏置、决策树学习的常见问题

重点掌握决策树学习模型的构建与优化方法

传统讲授

人工神经网络：神经网络表示、适合神经网络学习的问题、感知器、多层网络和反向传播算法、人脸识别

重点掌握人工神经网络模型的构建方法，通过人脸识别实例了解人工神经网络的应用

传统讲授

假设评估：估计假设精度、采样理论基础、推导置信区间的一般方法、两个假设错误率间的差异、学习算法比较

了解假设评价的基本理论、方法

传统讲授

贝叶斯学习：贝叶斯法则、贝叶斯法则和概念学习、极大似然和最小平方假设、用于预测概率的极大似然假设、最小描述长度准则、贝叶斯最优分类器、GIBBS算法、朴素贝叶斯分类器、文本分类、贝叶斯信念网、EM算法

重点掌握贝叶斯分类器的构建方法，通过文本分类实例了解贝叶斯分类器的应用

传统讲授

计算学习理论：可能学习近似正确的假设、有限假设空间的样本复杂度、无限假设空间的样本复杂度、学习的出错界限模型

了解计算学习理论的基本原理和性质

传统讲授

基于实例的学习：k-近邻算法、局部加权回归、径向基函数、基于案例的推理、对消极学习和积极学习的评论

重点掌握基于案例的推理方法及其应用

传统讲授

学习规则集合：序列覆盖算法、学习规则集、学习一阶规则、FOIL、作为逆演绎的归纳、逆归纳

重点掌握一阶规则学习方法及其应用

传统讲授

增强学习：学习任务、Q学习、非确定性回报和动作、时间差分学习、从样例中泛化、与动态规划的联系

了解增强学习的概念、性质、方法

传统讲授

教材及教学参考资料

教材

序号

教材名称

编著者

出版单位

出版时间

1

数据挖掘——实用机器学习技术

IanH.Witten

机械工业出版社

2014年

参考资料

序号

参考资料名称

编著者

出版单位

出版时间

1

机器学习

T.M.Mitchell

机械工业出版社

2003年

注：1.课程类别参考培养方案，学位课明细到公共必修课、学科基础课和学科必修课；

2.主讲教师1和授课教师2两栏必填。