2016年，人工智能机器人AlphaGO击败了围棋世界冠军李世石，这场史无前例的“人机大战”将AI置于社会舆论的风口浪尖上。2022年，基于深度学习的大模型ChatGPT横空出世，令AI江湖再起波澜。
AI是什么？AI对人类有哪些作用？AI在未来社会中会扮演怎样的角色？ 要想弄清楚这些问题，就必须了解AI的主要的工作原理——机器学习。这门课程对机器学习这一领域既有全面细致的理论讲解，又有趣味生动的故事串联，还有妙趣横生的程序实践，带领同学们从数学、计算机科学和人文哲学等方面全面地理解AI。
课程中的知识点覆盖全面，尤其包含近年来这一领域的发展，深度学习、增强学习、生成对抗网络、RNN和LSTM、ALPHAGO程序解析等最新的研究内容登上了MOOC的课堂。我们也规划了十个左右的编程实验，并讲解流行的PYTORCH深度学习框架，让大家在学习理论的同时亲身实践，体验AI的魅力。
与国外Andrew Ng，Fei-Fei Li等课程相比，这门机器学习课程更适合国内学生的学习习惯。只要你有高数和线性代数基础，掌握一门编程语言，那么恭喜你！无论是什么学科背景，你都能学习这门课程，探索AI的奥秘。
通过这门课程的学习，我们有信心让你从AI的围观者变成AI的参与者和贡献者，欢迎同学们来到我们的MOOC，一起加油吧！
为积极响应国家低碳环保政策， 2021年秋季学期开始，中国大学MOOC平台将取消纸质版的认证证书，仅提供电子版的认证证书服务，证书申请方式和流程不变。
电子版认证证书支持查询验证，可通过扫描证书上的二维码进行有效性查询，或者访问 https://www.icourse163.org/verify，通过证书编号进行查询。学生可在“个人中心-证书-查看证书”页面自行下载、打印电子版认证证书。
完成课程教学内容学习和考核，成绩达到课程考核标准的学生（每门课程的考核标准不同，详见课程内的评分标准），具备申请认证证书资格，可在证书申请开放期间（以申请页面显示的时间为准），完成在线付费申请。
认证证书申请注意事项：
1. 根据国家相关法律法规要求，认证证书申请时要求进行实名认证，请保证所提交的实名认证信息真实完整有效。
2. 完成实名认证并支付后，系统将自动生成并发送电子版认证证书。电子版认证证书生成后不支持退费。
微积分、线性代数、一门高级编程语言
第一章 引言
1. 机器学习定义
2. 机器学习的分类
3. 机器学习算法的过程
4. 没有免费午餐定理
5. 总结
单元小测
第二章 支持向量机
第二章节讨论区
1. 支持向量机（线性可分定义）
2. 支持向量机（问题描述）
3. 支持向量机（优化问题）
4. 支持向量机（线性不可分情况）
5. 支持向量机（低维到高维的映射）
6. 支持向量机（核函数的定义）
7. 支持向量机（原问题和对偶问题）
8. 支持向量机（转化为对偶问题）
9. 支持向量机（算法流程）
10. 支持向量机（兵王问题描述）
11. 支持向量机（兵王问题程序设计）
12. 支持向量机（兵王问题MATLAB程序）
13. 支持向量机（识别系统的性能度量）
14. 支持向量机（多类情况）
单元小测
第三章 人工神经网络
1. 人工神经网络（章节总览）
2. 人工神经网络（感知器算法）
3. 人工神经网络（感知器算法的意义）
4. 人工神经网络（第一次寒冬）
5. 人工神经网络（多层神经网络）
6. 人工神经网络（梯度下降算法）
7. 人工神经网络（后向传播算法 上）
8. 人工神经网络（后向传播算法 下）
9. 人工神经网络（后向传播算法的应用）
10. 人工神经网络（兵王问题MATLAB程序）
11. 人工神经网络（参数设置）
第三章节讨论区
单元小测
第四章 深度学习
1. 章节简介及资源汇总
2. 深度学习（自编码器）
3. 深度学习（卷积神经网络LENET）
4. 深度学习（卷积神经网络ALEXNET）
5. 深度学习的编程工具PYTORCH
6. 深度学习（近年来流行的卷积神经网络）
7. 目标检测与分割上
8. 目标检测与分割下
9. 时间序列的深度学习模型（RNN和LSTM）
10. 生成对抗网络
11. 人脸识别介绍
第四章讨论区
单元小测
第五章 强化学习
1. 强化学习（Q-Learning和epsilon-greedy算法）
2. 强化学习（深度强化学习）
3. 强化学习 (policy gradient 和 actor-critic算法）
4. 强化学习 (AlphaGo 上）
5. 强化学习 (AlphaGo 下）
单元小测
第六章 传统机器学习
1. 主成分分析
2. K-均值聚类
3. 决策树
4. 高斯混合模型
5. ADABOOST
6. 人工智能中的哲学
单元小测
参考书：
（1）机器学习， 周志华，清华大学出版社，2016
（2）统计学习方法，李航，清华大学出版社，2012
（3）Deep Learning, I. Goodfellow, Y. Bengio and A. Courville, 2016.
（4）深度学习入门：基于PYTHON的理论与实现，斋藤康毅，人民邮电出版社，2018.
（5）Dive into Deep Learning, A. Zhang, Z. C. Kipton, M. Li and A. J. Smola, Cambridge University Express, 2021.
(6) Transformers for Machine Learning: A Deep Dive, U. Kamath, L. L. Graham and W. Emara, CRC Press, 2022
（6）Pattern Recognition and Machine Learning, Christopher M. Bishop, 2006.
（7）Machine Learning (机器学习), Tom M. Mitchell, 机械工业出版社，2003年.
线上课程：
(1) Stanford Web course “Machine Learning” by Andrew Ng https://www.coursera.org/course/ml
(2) Stanford Web course (CS231N) by Fei-fei Li https://cs231n.Stanford.edu
(3) UCL reinforcement learning course https://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html
(4) 台湾大学李宏毅老师“机器学习”和“自然语言处理”
https://www.bilibili.com/video/BV12T411X7Nz/?spm_id_from=333.337.search-card.all.click
(5) 我们的WEB COURSE（2017年）