课程简介
《机器学习与模式识别》面向人工智能、自动化、计算机、工业智能等本科专业一年级以上学生或具有先验课程基础的学生，主要讲授如何利用机器学习技术解决模式识别任务的原理与方法。本课程以优化思想贯串始终，以“过拟合与泛化”主题挖掘算法共性，重点讲授贝叶斯决策论、线性模型、支持向量机、决策树、集成学习、计算学习理论、模型评估、特征学习与选择、人工神经网络基础、深度学习引论等机器学习与模式识别交叉领域的核心方法。通过本课程的学习，学生能够掌握机器学习的基本原理与方法，能够理解经典学习算法的技术细节与内涵，能够运用多种算法解决典型的模式识别问题，能够为深度学习、强化学习及其他高级机器学习方法的理解与领悟奠定扎实的基础。
课程大纲
第一章 绪论
1.1课程背景
1.2 模式识别基本任务
1.3 机器学习基础
第一单元检测题
第二章 贝叶斯决策论
2.1贝叶斯决策论基础
2.2贝叶斯分类器
2.3参数概率模型基础
2.4概率模型参数估计
2.5GMM模型
2.6EM算法
2.7从EM到K-means
2.8概率模型无参估计算法
2.9无参概率估计算法分析
2.10高维特征概率估计
第二单元测试
第三章 线性模型
3.1线性模型基础
3.2感知器
3.3线性回归
3.4理解线性回归
3.5逻辑回归
第三单元测试
第四章 支持向量机
4.1SVM数学模型
4.2凸优化数学基础
4.3凸优化数学基础-例题
4.4线性SVM求解
4.5软间隔SVM
4.6非线性SVM求解
第四单元检测
第五章 决策树
5.1决策树基础
5.2节点分裂(一)
5.3节点分裂(二)
5.4终止与剪枝
5.5决策树算法
5.6 决策树-例题
第五单元测试
第六章 集成学习
6.1集成学习基础
6.2提升法boosting
6.3Adaboost算法
6.4Adaboost例题
6.5bagging方法
第六章测试
第七章 模型评估
7.1 模型评估基础
7.2 PAC学习框架
7.3 有限假设下的泛化界
7.4 无限假设下的泛化界
7.5 模型训练策略
7.6 性能度量
第七章测试
第八章 特征选择与学习
8.1特征概述
8.2特征学习
8.3PCA(一)
8.4PCA(二)
8.5稀疏编码
第八单元检测
第九章 神经网络与深度学习
9.1神经网络基础
9.2神经网络模型
9.3反向传播算法(一)
9.4反向传播算法(二)
9.5反向传播算法(三)
9.6深度学习引论(一)
9.7深度学习引论(二)
9.8深度学习引论(三)
第九单元测试