《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。

一、高等数学

- 微积分

- 最优化方法

二、线性代数

- 向量与矩阵基本概念及运算

- 矩阵分解（特征分解与奇异值分解）

- 矩阵微积分

三、概率论与数理统计

- 概率论基本概念

- 贝叶斯定理

- 期望、方差

- 常见概率分布

- 信息论基础

1、《人工智能数学基础》 ------------------   李刚 著

2、《机器学习》               -------------------  周志华 著

3、《模式识别》               -------------------  Sergios Theodoridis 等著 李晶皎 王爱侠等译

4、《Deep Learning》      -------------------  Ian Goodfellow等著