模式识别与机器学习

课程编码：180086085404P2003H-1 英文名称：Pattern Recognition and Machine Learning 课时：60 学分：3.00 课程属性：专业核心课 主讲教师：卿来云等

本课程为计算机应用技术专业硕士研究生的专业核心课，同时也可作为计算机其它专业及电子、自动化等学科研究生的专业普及课。模式识别是研究用机器代替人去识别、辨识客观事物的学科,而机器学习则研究如何构造算法从数据中学习或对数据做出预测。二者均具有系统的理论和方法,并有着千丝万缕的联系，也都在近年来得到了广泛的应用，成为人工智能领域最热门的学科方向之一。本课程将讲述模式识别与机器学习的基本概念、基本理论和方法、关键算法原理以及典型应用情况。预期通过理论讲授与应用案例分析，为本学科研究生今后从事相关方向的深入研究打下坚实的理论基础，为其他学科的研究生应用相关方法和技术提供理论和实践指导。要求学生不仅能够切实掌握本课程的基本理论和方法，并能在解决实际问题时灵活应用所学知识。

高等数学，线性代数，概率论与数理统计

第一章 概述
第1节 课程简介 0.5学时 黄庆明
第2节 模式识别和机器学习的基本概念 0.5学时 黄庆明
第3节 模式识别和机器学习发展简史 0.5学时 黄庆明
第4节 模式识别和机器学习方法 0.5学时 黄庆明
第5节 模式识别和机器学习系统 0.5学时 黄庆明
第6节 模式识别和机器学习应用 0.5学时 黄庆明
第二章 机器学习开发环境
第1节 机器学习开发环境配置 0.5学时 卿来云
第2节 Numpy简介 0.5学时 卿来云
第3节 Pandas简介 1学时 卿来云
第4节 数据探索性分析 1学时 卿来云
第三章 生成式分类器
第1节 贝叶斯判别准则 0.5学时 卿来云
第2节 最小风险判别 0.5学时 卿来云
第3节 朴素贝叶斯分类器 0.5学时 卿来云
第4节 概率分布参数估计（极大似然估计和贝叶斯估计） 0.5学时 卿来云
第5节 正态分布模式的贝叶斯分类器 0.5学时 卿来云
第6节 正态分布参数估计（均值和协方差矩阵） 0.5学时 卿来云
第四章 判别式分类器
第1节 判别式分类器 vs. 生成式分类器 0.5学时 卿来云
第2节 线性判别函数 1学时 卿来云
第3节 广义线性判别函数 0.5学时 卿来云
第4节 分段线性判别函数 0.5学时 卿来云
第5节 Fisher线性判别 1学时 卿来云
第6节 感知器算法 1学时 卿来云
第7节 决策树 1.5学时 卿来云
第五章 特征工程
第1节 特征变换 1学时 卿来云
第2节 特征构建 0.5学时 卿来云
第3节 特征选择 1.5学时 卿来云
第六章 统计学习理论基础
第1节 统计学习框架 0.5学时 卿来云
第2节 经验风险与期望风险 0.5学时 卿来云
第3节 测试误差估计 0.5学时 卿来云
第4节 正则化方法 0.5学时 卿来云
第5节 偏差—方差分析 0.5学时 卿来云
第6节 统计学习理论 0.5学时 卿来云
第七章 线性模型
第1节 线性回归模型 1学时 卿来云
第2节 回归模型性能评价指标 0.5学时 卿来云
第3节 逻辑回归模型 0.5学时 卿来云
第4节 分类模型性能评价指标 0.5学时 卿来云
第5节 样本不均衡的分类任务 0.5学时 卿来云
第八章 支持向量机
第1节 线性支持向量机 0.5学时 卿来云
第2节 软间隔的支持向量机 0.5学时 卿来云
第3节 核方法支持向量机 1学时 卿来云
第4节 支持向量回归 1学时 卿来云
第九章 聚类
第1节 无监督学习与有监督学习对比 0.5学时 卿来云
第2节 距离计算 0.5学时 卿来云
第3节 聚类算法的评价方法 0.5学时 卿来云
第4节 经典聚类方法 1.5学时 卿来云
第十章 降维
第1节 线性降维技术 1学时 卿来云
第2节 全局结构保持降维方法 1学时 卿来云
第3节 局部结构保持降维方法 1学时 卿来云
第十一章 半监督学习
第1节 自我训练 0.5学时 卿来云
第2节 多视角学习 0.5学时 卿来云
第3节 生成模型 0.5学时 卿来云
第4节 S3VMs 0.5学时 卿来云
第5节 基于图的算法 0.5学时 卿来云
第6节 半监督聚类 0.5学时 卿来云
第十二章 集成学习
第1节 Bagging和随机森林 2学时 卿来云
第2节 Boosting和GBDT 3学时 卿来云
第3节 Stacking 1学时 卿来云
第十三章 深度学习及应用
第1节 人工神经网络的生物原型 1学时 卿来云
第2节 生物视觉系统简介 1学时 卿来云
第3节 卷积神经网络CNN源起与概述 1学时 卿来云
第4节 典型卷积神经网络结构 1学时 卿来云
第5节 循环神经网络 1学时 卿来云
第6节 反向传播算法介绍 1学时 卿来云
第7节 深度模型训练技巧 2学时 卿来云
第8节 深度模型应用 2学时 卿来云
第9节 深度学习新进展 2学时 卿来云
第十四章 课程复习
第1节 课程复习 3学时 卿来云
第十五章 期末考试
第1节 期末考试 3学时 卿来云

黄庆明，中国科学院大学计算机科学与技术学院副院长、网络空间安全学院副院长（兼），教授（二级）、博士生导师，中国科学院计算技术研究所客座研究员、博士生导师，中国科学院信息工程研究所客座研究员、博士生导师。国家杰出青年科学基金获得者，百千万人才工程国家级人选并被授予“有突出贡献中青年专家”荣誉称号，享受国务院政府特殊津贴。现为IEEE Fellow，IEEE CASS北京分会主席，CCF理事，CCF会士，CCF多媒体技术专业委员会副主任，中国图象图形学学会常务理事，北京图象图形学学会副理事长。 主要研究方向为模式识别、多媒体计算、图像与视频分析、计算机视觉、机器学习等，主持承担了国家科技创新2030-”新一代人工智能“重大项目、国家自然科学基金重点项目和重点国际合作项目、863课题、973课题等国家和省部级项目的研究工作，在国内外权威期刊和重要国际会议上发表学术论文500余篇，申请国内外发明专利50余项，相关研究成果多次获得省部级奖励。自2004年起先后讲授了“模式识别”、“模式识别在图像与视频分析中的应用”、“模式识别与机器学习”、“视觉信息学习与分析”等课程。
卿来云， 中国科学院大学计算机科学与技术学院，教授，博士生导师。2005年7月在中国科学院研究生院获计算机软件与理论博士学位，自2005年起先后讲授了“机器学习”、“机器学习及案例分析”、“数据压缩”、“图像处理与计算机视觉”以及“模式识别与机器学习”等研究生专业课程。主要研究方向是机器学习、计算机视觉、图像/视频分析与理解，承担多个国家自然科学基金项目和国家863项目，共在包括IEEE Transactions、CVPR、ICCV在内的国内外刊物和会议上发表论文70多篇。