《機(jī)器學(xué)習(xí)》教學(xué)大綱課程編號：課程名稱：機(jī)器學(xué)習(xí)英文名稱：MachineLearning先修課程：高等數(shù)學(xué)（數(shù)學(xué)分析）、線性代數(shù)（高等代數(shù)）、概率論與數(shù)理記錄、程序設(shè)計(jì)基礎(chǔ)總課時(shí)數(shù)：54課時(shí)一、教學(xué)目的本課程可作為計(jì)算機(jī)科學(xué)與技術(shù)、智能科學(xué)與技術(shù)有關(guān)本科專業(yè)的必修課，也可作為其他本科專業(yè)的選修課，或者其他專業(yè)低年級碩士的選修課。本課程的教學(xué)目的是使學(xué)生理解機(jī)器學(xué)習(xí)的基本問題和基本算法，掌握它們的實(shí)踐措施，為學(xué)生此后從事有關(guān)領(lǐng)域的研究工作或項(xiàng)目開發(fā)工作奠定堅(jiān)實(shí)的基礎(chǔ)。詳細(xì)來講，要使學(xué)生理解聚類、回歸、分類、標(biāo)注有關(guān)算法并掌握它們的應(yīng)用措施；理解概率類模型并掌握它們的應(yīng)用措施；理解神經(jīng)網(wǎng)絡(luò)類模型并掌握它們的應(yīng)用措施；理解深度學(xué)習(xí)模型并掌握它們的應(yīng)用措施；理解距離度量、模型評價(jià)、過擬合、最優(yōu)化等機(jī)器學(xué)習(xí)基礎(chǔ)知識；掌握特性工程、降維與超參數(shù)調(diào)優(yōu)等機(jī)器學(xué)習(xí)工程應(yīng)用措施。二、教學(xué)規(guī)定總體上，本課程的教學(xué)應(yīng)本著理論與實(shí)踐相結(jié)合的原則，深入淺出，突出重點(diǎn)，在重視基礎(chǔ)理論的同步，注意培養(yǎng)學(xué)生獨(dú)立思索和動手能力。在內(nèi)容設(shè)計(jì)上，應(yīng)以示例入手，逐漸推進(jìn)，詳盡剖析算法思想與基本原理。在實(shí)行措施上，應(yīng)采用啟發(fā)式教學(xué)措施，在簡要簡介算法思想和流程的基礎(chǔ)上，引導(dǎo)學(xué)生自行運(yùn)行并分析實(shí)現(xiàn)代碼。在教學(xué)手段上，應(yīng)結(jié)合板書、多媒體、網(wǎng)絡(luò)資源等多種傳授措施，提高學(xué)生愛好。在試驗(yàn)教學(xué)上，應(yīng)增進(jìn)學(xué)生對講授知識的理解，開拓眼界，提高實(shí)踐能力。三、教學(xué)內(nèi)容本課程內(nèi)容共分為八章。（一）緒論（1課時(shí)）【內(nèi)容】機(jī)器學(xué)習(xí)的基本概念，機(jī)器學(xué)習(xí)算法及其分類，課程內(nèi)容簡介，編程環(huán)境及工具包。【重點(diǎn)】機(jī)器學(xué)習(xí)的基本概念，機(jī)器學(xué)習(xí)算法分類。（二）聚類（11課時(shí)，含4課時(shí)試驗(yàn)課）【內(nèi)容】K均值聚類及其改善算法，聚類的任務(wù)，樣本點(diǎn)常用距離度量，聚類算法評價(jià)指標(biāo)，聚類算法分類，DBSCAN算法及其派生算法，AGNES算法?！局攸c(diǎn)】距離度量，聚類算法評價(jià)指標(biāo)，K均值算法，DBSCAN算法。【難點(diǎn)】聚類算法評價(jià)指標(biāo)，DBSCAN算法。（三）回歸（8課時(shí)）【內(nèi)容】回歸任務(wù)與評價(jià)措施，線性回歸模型，全局最優(yōu)、凸優(yōu)化等機(jī)器學(xué)習(xí)中的最優(yōu)化理論，迭代法、梯度下降法、牛頓法等最優(yōu)化措施，多項(xiàng)式回歸，過擬合與泛化，向量有關(guān)性與嶺回歸，局部回歸。【重點(diǎn)】線性回歸模型，梯度下降法，多項(xiàng)式回歸，過擬合與泛化，向量有關(guān)性與嶺回歸?！倦y點(diǎn)】最小二乘法求解線性回歸模型，嶺回歸算法。（四）分類（10課時(shí)，含2課時(shí)案例討論課）【內(nèi)容】回歸任務(wù)與評價(jià)措施，線性回歸模型，全局最優(yōu)、凸優(yōu)化等機(jī)器學(xué)習(xí)中的最優(yōu)化理論，迭代法、梯度下降法、牛頓法等最優(yōu)化措施，多項(xiàng)式回歸，過擬合與泛化，向量有關(guān)性與嶺回歸，局部回歸?！局攸c(diǎn)】線性回歸模型，梯度下降法，多項(xiàng)式回歸，過擬合與泛化，向量有關(guān)性與嶺回歸?！倦y點(diǎn)】最小二乘法求解線性回歸模型，嶺回歸算法。（五）特性工程、降維與超參數(shù)調(diào)優(yōu)（4課時(shí)）【內(nèi)容】特性工程，數(shù)據(jù)總體分析，數(shù)據(jù)可視化，數(shù)據(jù)預(yù)處理，奇異值分解降維措施，主成分分析降維措施，網(wǎng)格搜索超參數(shù)調(diào)優(yōu)措施，隨機(jī)搜索超參數(shù)調(diào)優(yōu)措施?！局攸c(diǎn)】數(shù)據(jù)預(yù)處理措施，主成分分析降維措施，網(wǎng)格搜索超參數(shù)調(diào)優(yōu)措施?！倦y點(diǎn)】數(shù)據(jù)預(yù)處理措施，主成分分析降維措施。（六）概率模型與標(biāo)注（8課時(shí)）【內(nèi)容】分類、聚類和標(biāo)注任務(wù)的概率模型，生成模型和鑒別模型，概率模型的簡化假定，邏輯回歸模型的概率分析，樸素貝葉斯分類，EM算法與高斯混合聚類，隱馬爾可夫模型，條件隨機(jī)場模型。【重點(diǎn)】樸素貝葉斯分類，EM算法，隱馬爾可夫模型?！倦y點(diǎn)】EM算法，隱馬爾可夫模型。（七）神經(jīng)網(wǎng)絡(luò)（8課時(shí)）【內(nèi)容】神經(jīng)元，神經(jīng)網(wǎng)絡(luò)，分類、聚類、回歸、標(biāo)注任務(wù)的神經(jīng)網(wǎng)絡(luò)模型，誤差反向傳播學(xué)習(xí)算法，多層神經(jīng)網(wǎng)絡(luò)常用損失函數(shù)，多層神經(jīng)網(wǎng)絡(luò)常用優(yōu)化算法，多層神經(jīng)網(wǎng)絡(luò)中過擬合的克制，競爭學(xué)習(xí)，自組織特性映射網(wǎng)絡(luò)的構(gòu)造與學(xué)習(xí)。【重點(diǎn)】神經(jīng)元模型，神經(jīng)網(wǎng)絡(luò)的構(gòu)造，誤差反向傳播學(xué)習(xí)算法，多層神經(jīng)網(wǎng)絡(luò)常用損失函數(shù)，多層神經(jīng)網(wǎng)絡(luò)常用優(yōu)化算法，多層神經(jīng)網(wǎng)絡(luò)中過擬合的克制?！倦y點(diǎn)】誤差反向傳播學(xué)習(xí)算法，結(jié)合動量優(yōu)化和步長優(yōu)化的算法。（八）深度學(xué)習(xí)（4課時(shí)）【內(nèi)容】卷積層，池化層，F(xiàn)latten層，批原則化層，經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)的基本構(gòu)造、網(wǎng)絡(luò)構(gòu)造，長短時(shí)記憶網(wǎng)