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

     機器學習是人工智能的核心研究領域之一， 其研究動機是為了讓計算機系統具有人的學習能力以便實現人工智能。本課程將以數據挖掘中的分類任務為例，首先講解分類模型的評估，然後講解一批經典而常用的機器學習技術。加入到我們的課程，一起進入機器學習的世界、發掘潛藏在數據中的奧秘和財富吧！

課程概述

      2016年3月9日至15日谷歌人工智能圍棋程序阿爾法狗AlphaGo以總比分4比1戰勝世界圍棋冠軍李世石。 2017年5月23日至27日，又在浙江烏鎮的圍棋峰會上，以總比分3比0完勝我國世界排名第一的棋手柯潔。賽後柯潔一度哽咽稱：「它太完美，我很痛苦，看不到任何勝利的希望」 。 2017年1月6日，最強大腦第四季引入人機大戰模式，百度人工智能機器人小度作為特別選手參賽，在比賽中戰勝了最強大腦的隊長：王峰。

    隨著摩爾定律帶來的芯片計算能力和存儲能力大幅提升，以及大數據時代的來臨，不僅讓谷歌人工智能圍棋程序阿爾法狗AlphaGo和百度人工智能機器人小度一炮走紅，也將人工智能研究推向了一個新的高潮。

    2017年07月08日國務院印發新一代人工智能發展規劃的通知。宣佈：「舉全國之力，在2030年一定要搶佔人工智能全球制高點。」 2018年4月2日，教育部印發《高等學校人工智能創新行動計劃》，明確指出：「加快機器學習等新一代人工智能核心關鍵技術研究」。

    機器學習的研究動機是為了讓計算機系統具有人的學習能力以便實現人工智能。目前被廣泛採用的機器學習定義是「利用經驗來改善計算機系統自身的性能」。由於「經驗」在計算機系統中主要是以數據的形式存在的，因此機器學習需要運用機器學習技術對數據進行分析，這就使得它逐漸成為智能數據分析技術的創新源之一，並且為此而受到越來越多的關注。

    本課程將以數據挖掘中的分類任務為例，首先講解分類模型的評估，然後講解一批經典而常用的機器學習技術。具體的章節安排如下：第1章：緒論。講解機器學習的定義、與數據挖掘的區別與聯繫、本課程的授課思路與內容安排、以及本課程所使用的教材及參考書。第2章：講解模型評估的方法、指標、以及比較檢驗。第3-9章：講解機器學習的基礎技術：以線性回歸開始，講解線性學習；以K均值聚類收尾，講解無監督學習；中間包括支持向量機學習、神經網絡學習、決策樹學習、貝葉斯學習、以及最近鄰學習。第10-13章：講解機器學習的進階技術：具體包括集成學習、代價敏感學習、演化學習、以及強化學習。

加入到我們的課程，一起進入機器學習的世界、發掘潛藏在數據中的奧秘和財富吧！


授課目標

瞭解機器學習的基本方向；掌握機器學習的基本算法；掌握運用WEKA平台實現機器學習算法的方法；瞭解機器學習的有關研究思想，從中學習開拓者們求解問題的部分方法；通過實驗進一步體會有關學習算法的用法和性能，切實提高機器學習算法的編程應用能力。



課程大綱


第1章：緒論

一、機器學習的定義
二、與數據挖掘的區別與聯繫
三、本課程的授課思路與內容安排

第01講 第1章 緒論. → 00:11:41


第2章：模型評估

一、評估方法
二、評估指標
三、比較檢驗

第02講 第2章 模型評估(1) → 00:08:49
第03講 第2章 模型評估(2). → 00:04:22


第3章：線性學習

一、線性回歸
二、廣義線性回歸
三、邏輯斯蒂回歸
四、多分類學習

第04講 第3章 線性學習(1). → 00:09:04
第05講 第3章 線性學習(2). → 00:07:04


第4章：支持向量機學習

一、最大邊緣超平面
二、線性支持向量機
三、非線性支持向量機

第06講 第4章 支持向量機學習(1). → 00:08:04
第07講 第4章 支持向量機學習(2). → 00:08:04


第5章：神經網絡學習

一、神經網絡的定義
二、神經網絡的發展歷史
三、M-P神經元模型
四、單層感知機
五、多層前饋神經網絡
六、深層神經網絡

第08講 第5章 神經網絡學習(1). → 00:06:49
第09講 第5章 神經網絡學習(2). → 00:09:13


第6章：決策樹學習

一、決策樹學習基礎知識
二、決策樹學習基本算法
三、決策樹學習常見問題
四、決策樹學習理解解釋

第10講 第6章 決策樹學習(1). → 00:13:44
第11講 第6章 決策樹學習(2). → 00:14:53


第7章：貝葉斯學習

一、貝葉斯學習基礎知識
二、貝葉斯最優分類器
三、樸素貝葉斯分類器
四、樸素貝葉斯分類器改進

第12講 第7章 貝葉斯學習(1). → 00:19:30
第13講 第7章 貝葉斯學習(2). → 00:18:04


第8章：最近鄰學習

一、最近鄰學習基礎知識
二、最近鄰學習基本思想
三、最近鄰學習常見問題

第14講 第8章 最近鄰學習. → 00:10:53


第9章：無監督學習

一、無監督學習基礎知識
二、K均值聚類算法
三、K均值聚類算法的變種
四、K均值聚類算法的理解

第15講 第9章 無監督學習. → 00:15:32


第10章：集成學習

一、集成學習基礎知識
二、集成學習常用方法
三、集成學習結合策略

第16講 第10章 集成學習. → 00:08:02


第11章：代價敏感學習

一、代價敏感學習的背景
二、代價敏感學習的定義
三、代價敏感學習的評估
四、代價敏感學習的方法

第17講 第11章 代價敏感學習. → 00:11:06


第12章：演化學習

一、演化學習基礎知識
二、遺傳算法
三、演化神經網絡
四、演化學習問題與挑戰

第18講 第12章 演化學習(1). → 00:08:37
第19講 第12章 演化學習(2). → 00:12:16


第13章：強化學習

一、強化學習概述
二、有模型學習
三、無模型學習
四、對強化學習的理解

第20講 第13章 強化學習(1). → 00:08:07
第21講 第13章 強化學習(2). → 00:10:37


第14章：WEKA平台的使用與二次開發

一、WEKA平台的安裝與使用
二、WEKA平台的二次開發

第22講 第14章 WEKA平台的使用與二次開發(1). → 00:23:34
第23講 第14章 WEKA平台的使用與二次開發(2). → 00:19:43