科学研究中的机器学习方法

课程编码：180086081202PX003H 英文名称：Machine Learning for Scientific Research 课时：40 学分：1.00 课程属性：公共选修课 主讲教师：杨智勇

本课程为非计算机专业研究生的公共选修课。机器学习方法是科学研究的重要手段，特别是近几年深度学习技术的发展，为不同学科的研究提供了有利的支撑。本课程将讲述机器学习的基本概念、基本理论和方法，重点介绍最新的深度学习的相关技术。通过理论讲授与应用案例分析相结合，为相关学科研究生今后从事科学研究工作打下坚实的理论基础并提供实践指导。要求学生切实掌握本课程的基本理论和方法，并在解决实际问题时灵活应用。

高等数学、线性代数，概率论与数理统计，编程（Python、C）

第一章 概论 杨智勇
第1节 机器学习的基本概念和发展简史 2.0学时
第2节 机器学习的基本方法 2.0学时
第3节 深度学习的基本概念和方法 2.0学时
第4节 相关数学准备 2.0学时
第二章 传统机器学习 杨智勇
第1节 贝叶斯优化方法和应用 1.0学时
第2节 概率密度函数的参数估计 1.0学时
第3节 感知器算法 1.0学时
第4节 决策树简介 1.0学时
第5节 特征选择和提取 1.0学时
第6节 过拟合与正则化 1.0学时
第7节 偏差方差分解 1.0学时
第8节 线性回归的基本概念 1.0学时
第9节 正则化的线性回归 1.0学时
第10节 梯度下降 1.0学时
第11节 回归模型性能评价指标 1.0学时
第12节 逻辑回归模型 1.0学时
第13节 支持向量机 1.0学时
第14节 集成学习 1.0学时
第15节 无监督学习方法及其典型应用 1.0学时
第16节 半监督学习方法及其典型应用 1.0学时
第三章 深度学习及应用 杨智勇
第1节 人工神经网络的生物原型 1.0学时
第2节 全连接神经网络结构 2.0学时
第3节 卷积神经网络 2.0学时
第4节 循环神经网络 2.0学时
第5节 反向传播（BP）算法介绍 2.0学时
第6节 深度模型训练技巧 2.0学时
第7节 无监督深度模型 2.0学时
第8节 深度学习模型应用 2.0学时
第9节 深度学习未来发展趋势 1.0学时

杨智勇博士，主要聚焦机器学习方法及理论，在CCF-A类期刊及会议共发表论文50余篇，其中TPAMI/ICML/NeurIPS 20余篇（TPAMI 一作 5篇）。担任机器学习领域顶级会议NeurIPS领域主席（2024）及人工智能领域顶级会议IJCAI SPC（2021）。先后获得： 首届百度AI全球华人新星百强（机器学习领域 top25）、百度奖学金全球20强、中国计算机学会CCF优博论文（全国每年10人）、中国图象图形学学会（CSIG）自然科学奖一等奖、吴文俊人工智能科技进步二等奖、Asian Trustworthy Machine Learning (ATML) Fellowship、中国科学院百篇优博论文、NeurIPS Top-10%审稿人等荣誉。