机器学习及数学基础

课程编码：480147081100P1010 英文名称：Fundamentals of Machine Learning and Mathematics 课时：40 学分：2.00 课程属性：学科核心课 主讲教师：李帅

本课程的教学目的是使学生理解机器学习的基本问题和基本算法，并掌握它们的实践方法，为学生今后从事相关领域的研究工作或项目开发工作奠定坚实的基础。

高等数学、概率论、线性代数

第一章 向量及线性回归 4.0学时 李帅
第1节 向量 0.6学时
第2节 向量空间 0.6学时
第3节 基和维数 0.6学时
第4节 内积 0.6学时
第5节 距离 0.6学时
第6节 线性回归 1.0学时
第二章 矩阵及人工神经网络 4.0学时 李帅
第1节 矩阵 1.0学时
第2节 线性映射矩阵的逆和转置 0.6学时
第3节 矩阵的秩 0.6学时
第4节 单层神经网络 0.6学时
第5节 多层神经网络 0.6学时
第6节 神经网络的训练 0.6学时
第三章 特征值和特征向量 4.0学时 李帅
第1节 基本概念 0.8学时
第2节 相似矩阵 0.8学时
第3节 正交和投影 0.8学时
第4节 最小二乘法 0.8学时
第5节 最优化方法 0.8学时
第四章 近似与拟合、降维技术 4.0学时 李帅
第1节 投影的意义 0.5学时
第2节 施密特正交化 1.0学时
第3节 对称矩阵 1.0学时
第4节 数据分布的度量 0.5学时
第5节 主成分分析 1.0学时
第五章 logistic回归、决策树、集成学习 4.0学时 李帅
第1节 logistic回归 1.0学时
第2节 熵和信息增益 1.0学时
第3节 构建决策树 0.5学时
第4节 决策树算法的改进 0.5学时
第5节 集成学习 1.0学时
第六章 向量分析、支持向量机 4.0学时 李帅
第1节 向量的代数运算 0.8学时
第2节 向量微分 0.8学时
第3节 线性可分的SVM 0.8学时
第4节 核函数 0.8学时
第5节 软间隔广义最优分类面SVM 0.6学时
第6节 SVM与神经网络 0.2学时
第七章 概率论、贝叶斯分类器 4.0学时 李帅
第1节 概率基本概念 0.6学时
第2节 贝叶斯定理 1.0学时
第3节 随机变量和概率分布 1.0学时
第4节 贝叶斯分类器 1.4学时
第八章 聚类 4.0学时 李帅
第1节 无监督学习 0.4学时
第2节 聚类方法分类 0.2学时
第3节 k-means算法 1.0学时
第4节 k-means++算法 0.8学时
第5节 k-prototype算法 0.8学时
第6节 密度聚类算法 0.8学时
第九章 深度学习 4.0学时 李帅
第1节 深度学习概述 0.8学时
第2节 CNN网络 0.8学时
第3节 RNN网络 0.8学时
第4节 深度强化学习 0.8学时
第5节 深度学习的参数与超参数调优 0.8学时
第十章 课程总结与大作业 4.0学时 李帅
第1节 课程总结 2.0学时
第2节 大作业讲解 2.0学时

中国科学院沈阳自动化研究所研究员