课程编号Course ID：04711252   开课学期Course Time：1819S1         

总学时Total hours：48          学分Credit：3

课程名称Course Name：机器学习及其应用

英文名称English Name：Machine Learning and Its Applications

教学方式Teaching Style：课堂讲授          

考试方式Examination Method：考试

先修要求Prerequisites：线性代数、统计学，图像处理，语音信号处理等

主讲教师Lecturer：邹月娴                 

辅助教师Teaching Assistant：无

学科领域Field of study：智能信息处理、计算机应用技术、人工智能、图像处理、机器学习、数据分析

大纲执笔人Syllabus author：邹月娴

制定年月Date:2018年4月

成绩评定方法Grading：

课题作业与参与度占20% + 大作业占30% + 开卷笔试占50%

大纲内容简介(300汉字以内)：

Brief introduction of the syllabus(300 words at most)：

机器学习是计算机科学以及信号信息处理领域中重要的热点研究领域。随着移动互联网、物联网等的快速发展，机器学习在多个领域（数据挖掘、大数据分析、视频技术、音频技术、智能机器人技术等）成为关键核心和支撑技术。

本课程为计算机应用技术专业设置的基础课程，为专业必修课程。主要讲授机器学习相关基础理论、主流机器学习思想和方法；介绍深度学习基础，为学生开展相关领域技术开发和科学研究奠定基础。

大纲详细内容(2000汉字以内)：（请按开课单元撰写，注明学时）

Details of the syllabus(2000 words at most)：（according to the units, state the class hours）

1、 课程简介（3学时）：课程目标、课程结构与安排、机器学习基本概念、发展历史、最新进展、重要事件和信息；

2、 应用数学基础（3学时）：线性代数基础、概率论基础、约束优化；

3、 统计学习方法概论（3小时）：监督学习、统计学习三要素、模型评估与模型选择、正则化与交叉验证、模型泛化能力、生成模型与判别模型、分类问题、标注问题、回归问题；

4、 线性分类器（3学时）：线性判别函数与决策超平面、感知器算法、最小二乘法回归算法；

5、 朴素贝叶斯法（3学时）：贝叶斯定理、判别函数与决策面、正态分布的贝叶斯分类、最大似然估计、最大后验估计；

6、 决策树（3小时）：决策树模型与学习、特征选择、决策树生成、决策树剪纸、CART算法；

7、 K-近邻法（3学时）：k近邻算法、k近邻模型、k近邻算法实现；

8、 课程作业讲解（Homework）（3学时）

9、 支持向量机（3学时）：  线性可分支持向量机、非线性支持向量机、核函数支持向量机；

10、提升方法（3学时）:提升方法、AdaBoost 算法、提升树；

11、EM算法及其推广（3学时）：EM算法、EM算法性能、EM算法应用与推广

12、深度学习基础（6学时）：深度学习基本概念、深度学习训练、CNN模型、RNN模型；

13、课程作业汇报与讲评（3学时）；

14、答疑（3学时）；

15、考试（3学时）。

教材Text book：

1、李航，统计学习方法，清华大学出版社，2012

2、周志华，机器学习，清华大学出版社，2016

参考资料Reading materials：

1.Yoshua Bengio, Deep Learning, 2017

2.James, Witten, Hastie, and Tibshrani，《An Introduction to Statistical Learning》，2013

3.Hastie,Tibshrani,and Friedman,《Elements of Statistical Learning》2nd edition, 2008

4.Chris Bishop,《Pattern Recognition and Machine Learning》, Springer 2006.

5.Anand Rajaraman, Jeffrey D. Ullman, 《Mining of Massive Datasets》2010.