《《機器學習》課程教學大綱》由會員分享，可在線閱讀，更多相關《《機器學習》課程教學大綱（2頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、 《機器學習 》課程教學大綱 課程中文名稱：機器學習 課程英文名稱： Machine Learning 適用專業(yè)： 計算機應用技術，管理科學與工程 總學時： 36 （講課： 28 ，實驗： 8 ） 學分： 2 大綱撰寫人： 大綱審核人： 編寫日期： 一、 課程性質及教學目的： 本課程是面向計算機與信息工程學院研究生開設的專業(yè)基礎課。 其教學重點是使學生掌 握常見機器學習算法， 包括算法的主要思想和基本步驟， 并通過編程練習和典型應用實例加 深了解

2、；同時對機器學習的一般理論，如假設空間、采樣理論、計算學習理論，以及無監(jiān)督 學習和強化學習有所了解。 二、對選課學生的要求： 要求選課學生事先受過基本編程訓練，熟悉 C/C++ 或 Matlab 編程語言，具有多元微積 分、高等代數(shù)和概率統(tǒng)計方面基本知識。 三、課程教學內容和要求 （ 200 字左右的概述， 然后給出各 “章”“節(jié)” 目錄及內容簡介 ） 1. 決策論與信息論基礎： a) 損失函數(shù)、錯分率的最小化、期望損失的最小化等 b) 相對熵、互信息 2. 概率分布： a) 高斯分布、混合高斯分布、 Dirich

3、let 分布、 beta 分布等 b) 指數(shù)分布族：最大似然估計、充分統(tǒng)計量、共軛先驗、無信息先驗等 c) 非參數(shù)方法：核密度估計、近鄰法 3. 回歸的線性模型： a) 線性基函數(shù)模型 b) 貝葉斯線性回歸 c) 貝葉斯模型比較 4. 分類的線性模型： a) 判別函數(shù)：二分類和多分類的 Fisher 線性判別 b) 概率生成模型：連續(xù)輸入、離散特征 5. 核方法： a) 對偶表示 b) 構造核函數(shù) c) 徑向基函數(shù)網(wǎng)絡： Nadaraya-Watson 模型 d) 高斯過程：高斯過程模

4、型用于回歸和分類、 Laplace 逼近、與神經(jīng)網(wǎng)絡的聯(lián)系 6. 支持向量機： a) 最大邊緣分類器：歷史回顧 b) 用于多分類和回歸的支持向量機：幾何背景、各種變種 c) 統(tǒng)計學習理論簡介： Vapnik 等人的工作 7. 圖模型： a) 貝葉斯網(wǎng)絡 b) Markov 隨機場：條件獨立、因子分解 c) 圖模型中的推斷 8. 混合模型和期望最大化（ Expectation Maximization ， EM）算法（ 3 學時）： a) 高斯混合模型的參數(shù)估計：最大似然估計、 EM 算法 b) EM 一般算法及其應用：

5、貝葉斯線性回歸 9. 隱 Markov 模型和條件隨機場模型（ 3 學時）： a) 隱 Markov 模型：向前 -向后算法、 Viterbi 算法、 Baum-Welch 算法等 b) 條件隨機場及其應用 四、 課程教學環(huán)節(jié)的學時安排和基本要求 1. 決策論與信息論基礎（ 2 學時）：了解并掌握統(tǒng)計決策理論和信息論的基礎知識。 2. 概率分布（ 3 學時）：熟悉常見的分布，熟練掌握最大似然估計方法，學會利用無信息先驗和共軛先驗簡化計算，了解一些常用的非參數(shù)方法。 3. 回歸的線性模型（ 3 學時）：掌握線性回歸的一般方法，學會使用

6、 R 中有關回歸的程序 包，并能將之用于解決實際問題。 4. 分類的線性模型（ 3 學時）：對分類問題有一個全面的了解，掌握一些常用的分類方法。 5. 核方法（ 3 學時）：了解核方法的最新進展，熟練掌握核函數(shù)參數(shù)估計的常用方法。 6. 支持向量機 （ 4 學時）：掌握支持向量機的基本原理， 面對各自研究領域中的具體問題學 會使用支持向量機，粗略了解統(tǒng)計學習理論。 7. 圖模型（ 4 學時）：從建模到算法實現(xiàn)。 8. 混合模型和期望最大化（ Expectation Maximization ， EM ）算法（ 3 學時）：掌握 EM 算

7、 法的基本理論，學會使用 EM 算法。 9. 隱 Markov 模型和條件隨機場模型（ 3 學時）：掌握隱 Markov 模型的幾個經(jīng)典算法，學會利用隱 Markov 模型和條件隨機場模型解決具體問題，如自然語言處理中的詞性標注 等。 五、教材及參考文獻： 1. Bishop, C. M. (2006) Pattern Recognition and Machine Learning, Spring Science + Business Media, LLC 2. Mitchell, T. M. (1997) Machine Learning, The McGraw-Hill Companies, Inc. 六、必要的說明