課程(名稱.編號)簡索

領導藝術.綜合管理        人力資源.企業培訓        職務能力培訓系統班        銷售實戰.市場行銷        職場技能.個人成長        Office白領辦公達人        財經金融.投資理財        語言學習.出國留學        中國大陸證照培訓        資格考試.考証培訓        文化.生活.興趣.保健        生產管理.採購物流        移動開發        前端開發        後端開發        數據庫.服務器        網頁平面設計        雲計算.大數據        網絡營銷推廣        自然學科        工程技術學科

經濟管理學科

醫.藥.農.林學科

法律 學科

計算機工程學科

哲學.歷史學科

文學.藝術學科

教育社會學科

外語 學科

醫藥農林        哲學歷史        文學藝術        工程技術        基礎科學        經管法學

    機器學習（Machine Learning）是人工智能的核心研究領域之一，並取得了廣泛的應用效果，是引領這一輪「人工智能熱潮」的關鍵技術支撐。《機器學習初步》課程覆蓋機器學習的入門基石內容，課程主講人周志華教授是領域內學者，所著《機器學習》（網友暱稱為「西瓜書」）正是本課程的教材。本課程的教學目標是使學生對機器學習有初步的認識，初步掌握機器學習的基本原理和方法，並初步形成利用機器學習技術解決問題的思維方式。
　

課程概述


     機器學習（Machine Learning）是人工智能的核心研究領域之一，並取得了廣泛的應用效果，是引領這一輪「人工智能熱潮」的關鍵技術支撐。《機器學習初步》課程覆蓋機器學習的入門基石內容，課程主講人周志華教授是領域專家，所著《機器學習》（網友暱稱為「西瓜書」）正是本課程的教材。課程團隊成員也包括詹德川教授、葉翰嘉博士、趙鵬博士，負責課程討論與習題解答。


本課程覆蓋機器學習的基本理論框架以及核心方法，對機器學習中最重要的基礎知識點和算法思想進行講述。課程內容主要包括：緒論，模型評估與選擇，線性模型，決策樹，支持向量機，神經網絡，貝葉斯分類器，集成學習和聚類。通過構建約8周的基礎知識點體系，既能夠幫助初學者提綱挈領地瞭解機器學習領域全貌，也不失內容的專業性，使學生能夠具備後續自我學習的能力，從而可以通過閱讀相關參考文獻進行進一步的深入學習。


在2023年春季課程中，新增決策樹預剪枝與後剪枝、軟間隔支持向量機、正則化、神經網絡防止過擬合等章節

教學單元

1 緒論 
1.1 教材
1.2 課程定位
1.3 機器學習
1.4 典型的機器學習過程
1.5 計算學習理論
1.6 基本術語
1.7 歸納偏好
1.8 NFL定理
2 模型評估與選擇 
2.1 泛化能力
2.2 過擬合和欠擬合
2.3 三大問題
2.4 評估方法
2.5 調參與驗證集
2.6 性能度量
2.7 比較檢驗
3 線性模型 
3.1 線性回歸
3.2 最小二乘解
3.3 多元線性回歸
3.4 廣義線性模型
3.5 對率回歸
3.6 對率回歸求解
3.7 線性判別分析
3.8 類別不平衡
4 決策樹 
4.1 決策樹基本流程
4.2 信息增益劃分
4.3 其他屬性劃分準則
4.4 決策樹的剪枝
4.5 預剪枝與後剪枝
4.6 缺失值的處理
5 支持向量機 
5.1 支持向量機基本型
5.2 對偶問題與解的特性
5.3 求解方法
5.4 特徵空間映射
5.5 核函數
5.6 軟間隔SVM
5.7 正則化
5.8 如何使用SVM？
6 神經網絡 
6.1 神經網絡模型
6.2 萬有逼近能力
6.3 BP算法推導
6.4 緩解過擬合
7 貝葉斯分類器 
7.1 貝葉斯決策論
7.2 生成式和判別式模型
7.3 貝葉斯分類器與貝葉斯學習
7.4 極大似然估計
7.5 樸素貝葉斯分類器
7.6 拉普拉斯修正
8 集成學習和聚類 
8.1 集成學習
8.2 好而不同
8.3 兩類常用集成學習方法
8.4 Boosting
8.5 Bagging
8.6 多樣性度量
8.7 聚類
8.8 距離計算
8.9 聚類方法概述

課程列表　

名稱 時間長度
第01講1.1 教材 00:04:46
第02講1.2 課程定位 00:04:51
第03講1.3 機器學習 00:03:21
第04講1.4 典型的機器學習過程 00:05:19
第05講1.5 計算學習理論 00:07:27
第06講1.6 基本術語 00:18:17
第07講1.7 歸納偏好 00:06:36
第08講1.8 NFL定理 00:10:09
第09講2.1 泛化能力 00:03:29
第10講2.2 過擬合和欠擬合 00:08:34
第11講2.3 三大問題 00:03:29
第12講2.4 評估方法 00:18:17
第13講2.5 調參與驗證集 00:04:43
第14講2.6 性能度量 00:07:51
第15講2.7 比較檢驗 00:06:54
第16講3.1 線性回歸 00:08:02
第17講3.2 最小二乘解 00:07:08
第18講3.3 多元線性回歸 00:08:12
第19講3.4 廣義線性模型 00:02:50
第20講3.5 對率回歸 00:08:06
第21講3.6 對率回歸求解 00:16:38
第22講3.7 類別不平衡 00:09:52
第23講4.1 決策樹基本流程 00:07:02
第24講4.2 信息增益劃分 00:07:29
第25講4.3 其他屬性劃分準則 00:11:16
第26講4.4 決策樹的剪枝 00:04:21
第27講4.5 缺失值的處理 00:08:13
第28講5.1 支持向量機基本型 00:05:27
第29講5.2 對偶問題與解的特性 00:05:43
第30講5.3 求解方法 00:06:01
第31講5.4 特徵空間映射 00:06:47
第32講5.5 核函數 00:12:28
第33講5.6 如何使用SVM？ 00:07:13
第34講6.1 神經網絡模型 00:11:16
第35講6.2 萬有逼近能力 00:05:07
第36講6.3 BP算法推導 00:20:12
第37講7.1 貝葉斯決策論 00:04:54
第38講7.2 生成式和判別式模型 00:05:40
第39講7.3 貝葉斯分類器與貝葉斯學習 00:09:29
第40講7.4 極大似然估計 00:07:01
第41講7.5 樸素貝葉斯分類器 00:08:21
第42講8.1 集成學習 00:04:58
第43講8.2 好而不同 00:06:58
第44講8.3 兩類常用集成學習方法 00:03:01
第45講8.4 Boosting 00:12:04
第46講8.5 Bagging 00:02:51
第47講8.6 多樣性度量 00:06:50
第48講8.7 聚類 00:03:22
第49講8.8 聚類方法概述 00:11:22