课程概述

本课程主要讲授机器学习和人工智能的基本概念、方法和应用。主要包括以下内容：

1.机器学习概念和常用方法分类

2.损失函数、优化方法

3.机器学习基本算法，包括决策树、K近邻、支持向量机、线性回归、逻辑回归、感知器、深度学习、KMeans、EM算法

4.机器学习合奏学习算法，包括Boosting、AdaBoost、GDB等

5.机器学习理论和实验准则，模型复杂度和方差均衡策略，交叉验证方法


证书要求

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。


授课大纲

第一讲 机器学习简介

1.1 机器学习简介

1.2 人工智能

1.3 学习的类型

1.4 R语言简介

1.5 机器学习的类型

第一讲测验

第二讲 机器学习的评估方法

2.1 监督学习的评价

2.2 不均衡数据预测的评估方法

第二讲测验

第三讲 回归分析

3.1 线性回归

3.2 多项式回归

3.3 样条回归

3.4 局部回归

3.5 广义加性模型

第三讲测验

第四讲 回归方法

4.1 逻辑斯蒂回归

4.2 判别分类

4.3 K最近邻分类

4.4 回归树

4.5 分类树

4.6 Bagging分类

4.7 随机森林

4.8 AdaBoost

第四讲测验

第五讲 支持向量机

5.1 支持向量机1

5.2 支持向量机2

第五讲测验

第六讲 决策树

6.1 数据的表示

6.2 决策树

6.3 过拟合

6.4 决策树模型实例演示

第六讲测验

第七讲 合奏学习

7.1 合奏学习原理

7.2 装袋算法

7.3 Boosting的基本原理

7.4 Boosting算法

7.5 Boosting算法的应用

7.6 R语言训练合奏学习模型

第七讲测验

第八讲 正则化方法

8.1 正则化方法原理

8.2 正则化方法

第八讲测试

第九讲 人工神经网络

9.1 神经网络简介与神经元

9.2 感知器

9.3 神经网络模型

9.4 激活函数和代价函数

9.5 梯度下降法和反向传播算法

第九讲测试

第十讲 深度学习

10.1 深度神经网络

10.2 卷积神经网络

第十讲测验

第十一讲 聚类分析

11.1 无监督学习原理

11.2 K均值聚类算法

11.3 K均值算法的问题

11.4 基于混合模型的聚类

11.5 EM算法理论

11.6 用R语言做聚类分析

第十一讲测验