《统计机器学习》教学大纲

《统计机器学习》教学大纲一、课程基本信息课程代码：16163804课程名称：统计机器学习英文名称：MachineLearning课程类别：专业课学时：64学时学分：4学分适用对象:应用统计学专业考核方式：考试先修课程：数学分析，高等代数，概率论、数理统计二、课程简介统计机器学习是计算机科学以及信号信息处理领域中重要的热点研究领域。随着移动互联网、物联网等的快速发展，机器学习在多个领域（数据挖掘、大数据分析、视频技术、音频技术、智能机器人技术等）成为关键核心和支撑技术。三、课程性质与教学目的课程性质属于专业必修课，教学目的：主要讲授机器学习相关基础理论、主流机器学习思想和方法；介绍深度学习基础，为学生开展相关领域技术开发和科学研究奠定基础。。四、课程的内容与基本要求第一章绪论目的与要求1.熟悉机器学习的基本概念、机器学习的一般模型。2.了解机器学习的主要内容。教学内容第一节基本术语第二节假设空间与归纳偏好第三节发展历程与应用现状第二章模型评估与选择目的与要求1.掌握模型评估的方法。2.熟悉模型的性能度量。3.了解偏差与方差的关系。教学内容第一节经验误差与过拟合第二节评估方法第三节性能度量 第四节比较检验 第五节偏差与方差第三章线性模型目的与要求1.掌握线性模型的基本原理。2.熟悉多元线性回归模型。3.理解多分类学习的拆分方法。4.了解类别不平衡问题的解决。教学内容第一节线性回归第二节对数几率回归第三节线性判别分析 第四节多分类学习 第五节类别不平衡问题第四章决策树目的与要求1.掌握决策树的基本原理。2.熟悉划分选择的评价方法。3.理解剪枝的基本方法。4.了解连续与缺失值的处理方法。教学内容第一节基本原理第二节划分选择第三节剪枝处理 第四节连续与缺失值第五章神经网络目的与要求1.掌握神经网络模型的基本原理。2.熟悉误差逆传播算法。3.理解全局最小与局部最小的差别。4.了解深度学习。教学内容第一节神经元模型第二节感知机与多层网络第三节误差逆传播算法第四节全局最小与局部最小 第五节深度学习第六章支持向量机目的与要求1.掌握支持向量机的原理。2.熟悉间隔的计算。3.理解核函数的作用。教学内容第一节间隔与支持向量第二节对偶问题第三节核函数 第四节软间隔与正则化第五节支持向量回归 第六节核方法第七章贝叶斯分类器目的与要求1.掌握贝叶斯分类器的基本原理。2.熟悉极大似然估计的过程。3.理解EM算法。教学内容第一节贝叶斯决策论第二节极大似然估计第三节朴素贝叶斯分类器 第四节半朴素贝叶斯分类器 第五节贝叶斯网第八章集成学习目的与要求1.掌握集成学习的基本思想。2.理解随机森林的详细过程。教学内容第一节个体与集成第二节Boosting第三节Bagging与随机森林第四节结合策略第五节多样性第九章聚类目的与要求1.掌握聚类的基本原理。2.熟悉聚类的主要方法。3.理解距离的计算。教学内容第一节聚类任务第二节性能度量第三节距离计算第十章降维与度量学习目的与要求1.掌握降维的基本原理。2.熟悉主成分分析的过程。教学内容第一节k近邻学习第二节低维嵌入与主成分分析第三节核化线性降维 第四节流行学习第十一章特征选择与稀疏学习目的与要求1.掌握特征选择的基本方法。2.熟悉稀疏学习的原理。教学内容第一节子集搜索与评价第二节过滤式选择第三节包裹式选择第十二章计算学习理论目的与要求1.掌握基本的计算学习理论。2.熟悉PAC学习。教学内容第一节PAC学习第二节有限假设空间第三节VC维 第四节稳定性五、学时分配教学环节教学时数课程内容讲课习题课讨论课实验其他教学环节小计第一章33第二章628第三章6129第四章3126第五章527第六章527第七章325