spContent=这是一门带您进入机器学习领域,从事机器学习相关研究和开发的必修课程。这门课教会您机器学习原理和方法,让您知其然,知其所以然,并通过实例让您对方法有更深的理解。课程强调机器学习的系统性、完整性,以及方法的时效性,让您体验机器学习的乐趣!
这是一门带您进入机器学习领域,从事机器学习相关研究和开发的必修课程。这门课教会您机器学习原理和方法,让您知其然,知其所以然,并通过实例让您对方法有更深的理解。课程强调机器学习的系统性、完整性,以及方法的时效性,让您体验机器学习的乐趣!
—— 课程团队
课程概述
本课程为人工智能专业重点建设课程。该课程面向计算机科学与技术、人工智能、数据科学与大数据、软件工程、网络空间安全、信息安全、电子信息类等专业,以及计算机科学与技术、软件工程、网络空间安全、信息与通信工程、控制科学与工程、车辆工程、兵器科学与技术等相关学科。课程教材受到国家出版基金资助,为北京理工大学重点规划教材。
课程系统地讲解了机器学习的理论与方法,主要内容包括:机器学习基础知识,包括机器学习基本概念、历史和发展现状、机器学习分类、性能度量;期望最大化(EM)算法,包括EM算法的相关理论、推导、收敛性分析;主题模型,包括主题建模的思想、隐狄利克雷分布模型(LDA)、吉布斯采样方法;聚类分析,包括K-means等经典聚类算法、谱聚类算法、基于约束的聚类和在线聚类算法;概率无向图模型,包括逻辑斯蒂回归模型、最大熵模型、条件随机场;概率有向图模型,包括贝叶斯网络、隐马尔可夫模型;支持向量机,包括线性支持向量机、非线性支持向量机、一分类和多分类支持向量机;神经网络,包括感知机和多层感知机、优化算法等;深度神经网络,包括卷积神经网络、循环神经网络;强化学习,包括马尔可夫决策过程、免模型的强化学习蒙特卡洛学习、TD学习、Q-Learning 和Sarsa、深度强化学习等。
课程内容丰富,有基础理论、应用技术、和工程实践。课程既适合相关专业学生,又适用于零基础和社会人士学习,让您学会各种机器学习方法,体验学习机器学习知识的乐趣。
授课目标
本课程着重讲解机器学习原理和方法,让您知其然,知其所以然,并通过实例让您对机器学习方法有更深的理解。课程强调机器学习的系统性、完整性,以及方法的时效性,达到完善学生的知识体系,拓展学生的思维方法,培养学生的机器学习分析和应用能力,并鼓励学生把理论与实践相结合。
成绩 要求
课程大纲
绪论
1.1 机器学习简介
1.2 机器学习发展历程
1.3 机器学习分类与性能度量
期望最大化算法
2.1 期望最大化算法背景
2.2 相关理论
2.3 期望最大化算法推导
2.4 期望最大化算法的收敛性
主题建模
3.1 主题建模的背景
3.2 隐狄利克雷分配模型(LDA)的基本结构
3.3 吉布斯采样方法
支持向量机
4.1 支持向量机基本原理和线性支持向量机
4.2 非线性支持向量机
4.3 一分类-多分类支持向量机
聚类分析
5.1 相似性度量方法和经典聚类算法
5.2 K-means、K中心点方法及其改进方法
5.3 谱聚类
5.4 基于约束的聚类和在线聚类
概率无向图模型
6.1 概率无向图
6.2 逻辑斯蒂回归模型
6.3 最大熵模型
6.4 条件随机场
概率有向图模型
7.1 概率有向图及贝叶斯网络基础知识
7.2 贝叶斯网络结构学习
7.3 贝叶斯网络参数学习
7.4 隐马尔可夫模型
神经网络
8.1 人工神经网络基础知识
8.2 多层感知机
8.3 优化算法
8.4 卷积神经网络
8.5 循环神经网络
强化学习
9.1 强化学习基本概念
9.2 马尔可夫决策过程
9.3 免模型的强化学习之蒙特卡洛学习和TD学习
9.4 免模型的强化学习之 Q-Learning 和Sarsa
9.5 深度强化学习
展开全部
参考资料