机器学习

课程编码：180206081100P1002H 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：赫然等

通过本课程的学习，希望学生能了解机器学习基本原理，掌握机器学习的基本思想和关键算法，了解机器学习最新研究成果和前沿研究动态，培养学生在相关方向上的研究兴趣和解决实际问题的能力。
了解机器学习基本原理，掌握机器学习的基本算法和关键思想，学会动手实现机器学习中设计到的基本的算法，了解机器学习的研究方向与热点，培养在机器学习上提出问题并解决问题的能力。

模式识别、计算机视觉、图像处理

第一章 第一章 绪论 3学时 赫然
第1节 什么是机器学习
第2节 机器学习发展历程
第3节 机器学习应用现状
第4节 机器学习问题与方法分类
第5节 模型评估与选择
第二章 线性模型 3学时 赫然
第1节 基本形式
第2节 线性回归
第3节 对数几率回归
第4节 Softmax回归
第5节 线性判别分析
第6节 多类分类学习
第7节 类别不平衡问题
第三章 神经网络 4学时 赫然
第1节 神经元模型
第2节 误差反向传播算法
第3节 卷积神经网络
第4节 反馈神经网络
第四章 统计学习理论 2学时 赫然
第1节 经验风险与结构风险
第2节 一致性与一致收敛
第3节 VC维理论
第4节 可能近似正确（PAC）学习
第五章 支持向量机 2学时 赫然
第1节 间隔与支持向量
第2节 对偶问题
第3节 软间隔与正则化
第4节 核方法
第六章 降维与度量学习 4学时 赫然
第1节 主成分分析
第2节 多维缩放方法
第3节 流形学习方法　
第4节 度量学习
第5节 特征选择
第6节 稀疏学习与字典学习
第7节 压缩感知
第七章 聚类 3学时 赫然
第1节 聚类与无监督学习
第2节 评价指标
第3节 原型聚类
第4节 密度聚类
第5节 层次聚类
第6节 高斯混合聚类与EM算法
第7节 谱聚类
第8节 子空间聚类
第八章 集成学习 3学时 赫然
第1节 个体与集成
第2节 Boosting
第3节 Bagging与随机森林
第4节 结合策略
第5节 多样性
第九章 半监督学习 3学时 梁坚
第1节 半监督学习问题
第2节 生成式方法
第3节 图上的半监督学习方法
第4节 基于分歧的方法
第5节 半监督聚类
第十章 自监督学习 3学时 梁坚
第1节 自监督学习问题
第2节 代理任务和下游任务
第3节 几何变换
第4节 对比学习
第十一章 概率图模型 6学时 梁坚
第1节 隐马尔可夫模型
第2节 马尔可夫随机场
第3节 条件随机场
第4节 学习与推断
第十二章 生成模型 6学时 梁坚
第1节 深度受限玻尔兹曼机
第2节 自编码机
第3节 变分自编码机和下界
第4节 对抗生成模型
第5节 表示学习、隐变量解耦
第6节 最大互信息模型、自监督模型
第7节 计算两分布间的距离的方法
第8节 生成模型和迁移学习
第十三章 强化学习 5学时 梁坚
第1节 任务与奖赏
第2节 有模型学习
第3节 免模型学习
第4节 值函数近似
第5节 模仿学习
第十四章 图卷积神经网络 5学时 梁坚
第1节 图模型的典型问题
第2节 顶点嵌入、图嵌入方法
第3节 消息传递神经网络
第4节 图上的注意力模型、层次化图模型
第5节 图上的生成模型
第十五章 可信机器学习 5学时 梁坚
第1节 机器学习可信性
第2节 公平性
第3节 鲁棒性
第4节 隐私性
第5节 可解释性
第十六章 考试 3学时 赫然
第1节 考试+答疑

赫然，中科院自动化所研究员，中国科学院大学岗位教授，中科院优秀导师，国际模式识别学会会士(IAPR Fellow)。从事模式识别应用基础理论研究，并应用到计算机视觉、生物特征识别和人工智能安全。出版信息理论学习专著1部, 在本领域国际主流期刊IEEE T-PAMI和IJCV上发表论文20篇，获IEEE信号处理协会最佳青年论文奖(2020)、ICPR最佳科学论文奖(2020)、CSIG自然科学一等奖(2021)、北京市科技进步二等奖(2021)，中国科学院“朱李月华优秀教师”奖(2020)。承担了国家优秀青年科学基金、北京杰出青年科学基金、国自然联合重点基金和中科院青年促进会优秀会员等项目。他是IEEE T-IP、Patten Recognition和自动化学报等多个国内外期刊编委。