机器学习

课程编码：180203083900P1002H-1 英文名称：Machine Learning 课时：60 学分：3.00 课程属性：学科核心课 主讲教师：周晓飞

本课程为网络空间信息安全的专业核心课。重点讲授统计机器学习的基础理论、方法和技术,内容包括贝叶斯决策学习、分类学习、回归分析、特征表示、概率图模型、知识图谱和深度学习等。课程目的及任务是：使学生通过本课程的学习,了解机器学习的基本研究问题,掌握各种学习模型的原理、设计方法和解决途径,并具备基本的数据分析能力,为开展信息安全和人工智能相关研究方向奠定理论基础。

概率统计、线性代数

第一章 绪论 3.0学时 周晓飞
第1节 机器学习研究背景
第2节 机器学习研究的问题
第3节 课程主要内容
第4节 课程安排
第二章 贝叶斯方法 6.0学时 周晓飞
第1节 概述
第2节 贝叶斯决策论
第3节 贝叶斯分类器
第4节 贝叶斯学习与参数估计问题
第三章 线性分类 9.0学时 周晓飞
第1节 概述
第2节 基础知识
第3节 感知机
第4节 Fisher鉴别
第5节 Logistic回归
第四章 非线性分类 9.0学时 周晓飞
第1节 概述
第2节 决策树
第3节 集成学习
第4节 最近邻方法
第5节 支持向量机与核函数
第五章 回归分析 3.0学时 周晓飞
第1节 概述
第2节 最小二乘估计
第3节 最大似然估计
第4节 扩展的非线性模型
第5节 误差分析
第六章 聚类分析 3.0学时 周晓飞
第1节 概述
第2节 序贯方法
第3节 层次聚类
第4节 K均值聚类
第七章 特征降维 6.0学时 周晓飞
第1节 概述
第2节 特征选择
第3节 特征降维
第八章 信息论模型 3.0学时 周晓飞
第1节 概述
第2节 熵、最大熵
第3节 互信息
第4节 信息论优化模型
第九章 概率图模型 6.0学时 周晓飞
第1节 概述
第2节 有向图模型：贝叶斯网络
第3节 无向图模型：马尔可夫随机场
第4节 学习与推断
第5节 隐马尔可夫模型
第十章 神经网络与深度学习 12.0学时 周晓飞
第1节 前馈网络
第2节 卷积网络
第3节 Recurrent网络
第4节 神经网络与深度学习前沿概述

周晓飞是中国科学院信息工程研究所研究员、博士生导师，中国科学院大学网络空间安全学院岗位教授、中国科学院大学朱李月华优秀教师。研究方向为机器学习、自然语言处理、多模态智能；在国际刊物和顶级会议TKDE、AAAI、IJCAI、CIKM、WWW、ICDM等上发表学术论文50余篇。在中国科学院大学主讲智能信息处理领域课程，包括《机器学习》、《强化学习及其应用》、《神经网络与深度学习》、《人工智能及其应用》等，深受学生欢迎，荣获2019年中国科学院大学校级优秀课程奖《机器学习》奖。