《机器学习》教学大纲
课程代码 | 045102721 |
课程名称 | 机器学习 |
英文名称 | Machine Learning |
课程类别 | 选修课 |
课程性质 | 选修 |
学时 | 总学时:32 上机学时:0实验学时:0实践学时:0 |
学分 | 2 |
开课学期 | |
开课单位 | 计算机科学与工程学院 |
适用专业 | 计算机科学与技术,网络工程,信息安全,软件工程 |
授课语言 | 中文 |
先修课程 | 微积分,概率与统计,线性代数,Python编程 |
毕业要求(专业培养能力) | 研究: 培养学生具备计算机系统相关知识并对计算机工程复杂问题进行研究,具有计算机系统研发基本能力、具备问题分析和建模的能力,具有系统级的认知能力和实践能力,掌握自底向上和自顶向下的问题分析方法。 使用现代工具:能够针对计算机工程复杂问题,开发、选择与使用恰当的技术、资源、现代工程工具和信息技术工具。 工程与社会:能够基于计算机工程相关背景知识进行合理分析,评价计算机工程实践中的复杂问题解决方案对社会、健康、安全、法律以及文化的影响,并理解应承担的责任。 |
课程培养学生的能力(教学目标) | 本课程教学是使学生掌握机器学习的基础知识和一些常见的机器学习算法,并通过典型应用实例和实践加深理解;对机器学习的前沿技术和最新应用有所了解,具有将机器学习应用于工程实践或深入开展机器学习理论和应用研究的能力。 |
课程简介 | 本课程是面向计算机科学与工程学院本科生开设的专业课。课程内容包括机器学习的基本知识,机器学习的常用算法,如:回归分析、决策树、人工神经网络、支持向量机、贝叶斯分类器、集成学习,聚类等算法的主要思想和基本步骤,机器学习的降维方法、特征选择、模型评估等方法和机器学习的前沿技术和最新应用。 |
教学内容与学时分配 | 1、机器学习概述2学时 (1)什么是机器学习:基本术语,假设空间,归纳偏好 (2)基本分类:有监督学习,无监督学习,强化学习 (3)机器学习的典型应用 2、 线性模型 2学时 (1)线性回归 (2)Logistic回归 3 、广义线性模型 2学时 (1)加权最小二乘法 (2)牛顿法 (3)指数分布族 (4)广义线性模型 4、 判别模型 2学时 (1)高斯判别模型 (2)朴素贝叶斯与拉普拉斯平滑 5 、支持向量机与核技巧5学时 (1)最大间隔分类器 (2)核函数 (3)软间隔与正则化 (4)支持向量回归模型 (5)核技巧 6、神经网络与深度学习 4学时 (1)神经元模型 (2)感知机和多层网络 (3)误差反向传播算法 (4)其他常见神经网络 (5)深度学习 7、 计算学习理论与模型选择 2学时 (1)偏差/方差分解 (2)VC维 (3)规则化与模型选择 8、 贝叶斯分类器 4学时 (1)贝叶斯决策论 (2)极大似然估计 (3)朴素贝叶斯分类器 (4)贝叶斯网络 9、无监督学习基础 4学时 (1)K-means (2)高斯混合模型 (3)期望最大化算法 10、常用无监督学习方法 5学时 (1)低维嵌入 (2)主成分分析 (3)流形学习 (4)度量学习 11、特征选择与稀疏学习 2学时 (1)子集搜索与评价 (2)特征选择方法 (3)稀疏表示与字典学习 |
实验教学(包括上机学时、实验学时、实践学时) | 6个上机学时。 |
教学方法 | 课堂教学、实验报告、专题研讨等共同实施。 |
考核方式 | 平时作业和课堂表现:40% 期末考试(闭卷):60% |
教材及参考书 | 教材:
参考书:
|
制定人及制定时间 | 蔡宏民,2019年4月14日 |