课程简介
机器学习（Machine Learning）是人工智能的核心研究领域之一，并取得了广泛的应用效果，是引领这一轮“人工智能热潮”的关键技术支撑。《机器学习初步》课程覆盖机器学习的入门基石内容，课程主讲人周志华教授是领域专家，所著《机器学习》（网友昵称为“西瓜书”）正是本课程的教材。课程团队成员也包括詹德川教授、叶翰嘉博士、赵鹏博士，负责课程讨论与习题解答。本课程内容主要包括：绪论，模型评估与选择，线性模型，决策树，支持向量机，神经网络，贝叶斯分类器，集成学习和聚类。为了便于不同基础的初学者学习，《机器学习初步》课程包含的是数学要求尽可能低的部分，覆盖机器学习的入门最基础内容。
课程大纲
绪论
1.1 教材
1.2 课程定位
1.3 机器学习
1.4 机器学习的案例
1.5 典型的机器学习过程
1.6 计算学习理论
1.7 基本术语
1.8 归纳偏好
1.9 NFL定理
模型评估与选择
2.1 泛化能力
2.2 过拟合和欠拟合
2.3 三大问题
2.4 评估方法
2.5 调参与验证集
2.6 性能度量
2.7 比较检验
线性模型
3.1 线性回归
3.2 最小二乘解
3.3 多元线性回归
3.4 广义线性模型
3.5 对率回归
3.6 多分类学习基本思路
决策树
4.1 决策树基本流程
4.2 信息增益划分
4.3 其他属性划分准则
4.4 决策树的剪枝
4.5 预剪枝与后剪枝
4.6 决策树简史
支持向量机
5.1 支持向量机基本型
5.2 对偶问题与解的特性
5.3 求解方法
5.4 特征空间映射
5.5 核函数
5.6 SVM简史
神经网络
6.1 神经网络模型
6.2 万有逼近能力
6.3 缓解过拟合
6.4 神经网络简史
6.5 深度神经网络的发展
贝叶斯分类器
7.1 贝叶斯决策论
7.2 生成式和判别式模型
7.3 贝叶斯定理
7.4 极大似然估计
7.5 朴素贝叶斯分类器
7.6 拉普拉斯修正
集成学习
8.1 集成学习
8.2 好而不同
8.3 两类常用集成学习方法
8.4 Boosting
8.5 Bagging
聚类
9.1 聚类
9.2 聚类性能度量
9.3 距离计算
9.4 聚类方法概述
考试
1.1 教材
1.2 课程定位
1.3 机器学习
1.4 机器学习的案例
1.5 典型的机器学习过程
1.6 计算学习理论
1.7 基本术语
1.8 归纳偏好
1.9 NFL定理
模型评估与选择
2.1 泛化能力
2.2 过拟合和欠拟合
2.3 三大问题
2.4 评估方法
2.5 调参与验证集
2.6 性能度量
2.7 比较检验
线性模型
3.1 线性回归
3.2 最小二乘解
3.3 多元线性回归
3.4 广义线性模型
3.5 对率回归
3.6 多分类学习基本思路
决策树
4.1 决策树基本流程
4.2 信息增益划分
4.3 其他属性划分准则
4.4 决策树的剪枝
4.5 预剪枝与后剪枝
4.6 决策树简史
支持向量机
5.1 支持向量机基本型
5.2 对偶问题与解的特性
5.3 求解方法
5.4 特征空间映射
5.5 核函数
5.6 SVM简史
神经网络
6.1 神经网络模型
6.2 万有逼近能力
6.3 缓解过拟合
6.4 神经网络简史
6.5 深度神经网络的发展
贝叶斯分类器
7.1 贝叶斯决策论
7.2 生成式和判别式模型
7.3 贝叶斯定理
7.4 极大似然估计
7.5 朴素贝叶斯分类器
7.6 拉普拉斯修正
集成学习
8.1 集成学习
8.2 好而不同
8.3 两类常用集成学习方法
8.4 Boosting
8.5 Bagging
聚类
9.1 聚类
9.2 聚类性能度量
9.3 距离计算
9.4 聚类方法概述
考试