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
1.课堂讨论(20%)。学员需在由老师发起的课堂讨论中回帖并评论他人的帖子,十次满分,中间按正比例函数计算,水贴不记入总数。
2.单元测验(40%)。每周一次测验,均为客观题,系统自动评分。
3.期末考试(40%)。将根据课程内容安排期末考试,题型为客观题和主观题,客观题系统自动评分,主观题采取同伴互评的形式。
三项累积总分超过60分,即可获得结业证书,总分超过80分,可以获得优秀证书 。 证书的形式为认证证书(可查询验证的电子版和纸质版),你可以在课程结束后根据需要进行申请,认证证书的收费标准为100元/份。请注意,从2019年10月开始,中国大学MOOC平台不再发放免费证书。证书发放工作由爱课程网负责,有关问题请咨询:010-58556579.
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