机器学习方法与算法设计
课程编码：480139080902D3003
英文名称：Machine Learning and Its Algorithms
课时：60
学分：3.00
课程属性：专业课
主讲教师：韩霄松
教学目的要求
本课程是电子科学与技术学科研究生的专业课。主要针对机器学习这个领域，重点介绍机器学习中的核心算法和理论，具体阐述了多种学习的理论、模型、算法及应用。教学内容本着少而精的原则，突出重点，深入浅出，在重视基础理论的同时，注意培养学生独立思考的能力，同时注意引导学生用学到的理论来解决本领域中的一些实际问题，达到为研究生开设这门课的意义和目的。要求学生对机器学习研究及应用领域的现状和发展有较全面的了解，掌握其中的主流学习方法和模型，并能根据实际问题的需要选择并实现相应的算法。
预修课程
矩阵论、概率论与数理统计
大纲内容
第一章 绪论 2.0学时 韩霄松
第1节 基本术语、假设空间和归纳偏好
第2节 机器学习发展历程和应用现状
第二章 模型评估与选择 3.0学时 韩霄松
第1节 经验误差与过拟合
第2节 评估方法与性能度量
第3节 偏差与方差
第三章 线性模型 3.0学时 韩霄松
第1节 线性回归
第2节 对数几率回归
第3节 多分类学习与类别不平衡问题
第四章 决策树 6.0学时 韩霄松
第1节 基本流程与划分选择
第2节 剪枝处理
第3节 多变量决策树
第五章 人工神经网络 6.0学时 韩霄松
第1节 神经元模型
第2节 感知机与多层网络
第3节 误差反向传播算法
第4节 深度神经网络与深度学习
第六章 支持向量机 6.0学时 韩霄松
第1节 间隔与支持向量
第2节 软间隔与正则化
第3节 支持向量回归
第4节 核方法
第七章 贝叶斯分类器 6.0学时 韩霄松
第1节 贝叶斯决策论
第2节 极大似然估计
第3节 朴素/半朴素贝叶斯分类器
第4节 EM算法
第八章 聚类 6.0学时 韩霄松
第1节 聚类任务
第2节 性能度量与距离计算
第3节 原型聚类
第4节 密度聚类
第5节 层次聚类
第九章 降维 6.0学时 韩霄松
第1节 主成分分析
第2节 核化线性降维
第3节 流行学习
第十章 概率图模型 6.0学时 韩霄松
第1节 隐马尔可夫模型
第2节 马尔可夫随机场
第3节 学习与推断
第十一章 强化学习 4.0学时 韩霄松
第1节 任务与奖赏
第2节 有模型学习和免模型学习
第3节 模仿学习
第十二章 案例设计 6.0学时 韩霄松
第1节 手写汉字识别问题
第2节 目标跟踪问题
教材信息
1、
机器学习
周志华
2016年1月
清华大学出版社
参考书
1、
华章数学译丛：概率论基础教程（原书第9版）
[美] Sheldon M. Ross
2014年1月
机械工业出版社
2、
机器学习基础 [Foundations of Machine Learning]
[美] 梅尔亚·莫里等
2019年5月
机械工业出版社
3、
矩阵论第2版
方保镕
2013年11月
清华大学出版社
课程教师信息
韩霄松教授，博导，2012博士毕业于吉林大学计算机科学与技术学院并留校任教，现为机器学习教研室主任，主要从事机器学习领域理论研究、应用和教学，研究方向为优化计算，智能钻井，生物信息学。