教学目标：
本课程的教学目的是系统介绍机器学习的基础算法，如线性回归、逻辑回归、支持向量机、神经网络、朴素贝叶斯模型、EM算法、高斯混合模型、图模型等；讲述机器学习中的核心概念与核心思想，如模型假设、模型学习、模型推理、模型评估、模型选择、模型泛化等；使得学生掌握基础的机器学习理论与实践能力。

课程内容：
1  引言（2学时）
1.1什么是机器学习?
1.2 机器学习方法的分类
1.3 机器学习的应用实例
2  机器学习基本概念（3学时）
2.1  监督学习的概念
2.2  半监督、无监督机器学习的概念
2.3  准则函数与模型学习
2.3  模型评估与模型选择
2.4  泛化性能与正则化基础
3  线性回归模型（3学时）
3.1  线性基函数模型
3.2  最小二乘准则
3.3  最大似然估计
3.4  贝叶斯线性回归
4. 线性分类模型（3学时）
4.1  判别式函数
4.2  概率生成模型
4.3  概率判别模型
4.4  贝叶斯逻辑回归
5．深度神经网络模型（6学时）
5.1  前馈式模型函数
5.2  模型训练算法
5.3  随机梯度下降算法
5.4  有监督深度学习算法
5.5无监督深度学习算法
5.6加强深度学习算法
6.  支持向量机（4学时）
6.1  最大间隔分类准则
6.2  对偶优化
6.3  软间隔最大化算法
6.4  非线性分类与核函数
6.5如何用好LIBLINEAR开源工具
7. 朴素贝叶斯模型（3学时）
7.1  生成式与判别式
7.2  多变量伯努力分布与多项分布
7.3  基于最大似然估计的模型学习
7.4  贝叶斯判别准则
7.5  朴素贝叶斯模型应用实例
8. 期望最大化算法（2学时）
8.1  面向缺失数据的最大似然估计
8.2  期望最大化（EM）算法
8.3  EM算法的收敛性
9.  高斯混合模型（2学时）
9.1无监督机器学习
9.2  高斯混合模型与无监督学习
9.3  基于EM算法的高斯混合模型学习
12. 机器学习理论与实践（4学时）
12.1  监督机器学习算法编程实践
12.2  基于监督机器学习的文本分类算法设计与实现

适用学生：
全日制硕士    非全日制硕士    留学硕士    进修硕士    硕博连读    本科直博    全日制博士    留学博士    进修博士    在职专硕    其他    

预修课程：
预修课程:
概率与统计，线性代数，最优化方法

参考书目：
教材：
周志华. 机器学习. 清华大学出版社， 2015.
李航. 统计学习方法. 清华大学出版社， 2012.
参考书：
Bishop C. M. Pattern recognition and machine learning. New York: springer, 2006.
Kevin P. Murphy. Machine learning: a probabilistic perspective. The MIT Press, 2012
Tom M. Mitchell, Machine Learning, McGraw Hill, 1997
必读参考资料：
1.线性回归：http://cs229.stanford.edu/notes/cs229-notes1.pdf
2.感知机算法： Bishop 《Pattern recognition and machine learning》第4.1节
3. 支持向量机：
http://cs229.stanford.edu/notes/cs229-notes3.pdf
http://blog.pluskid.org/?page_id=683
http://ntu.csie.org/~piaip/svm/svm_tutorial.html
4. 朴素贝叶斯：
http://cs229.stanford.edu/notes/cs229-notes2.pdf
5. EM算法：
http://cs229.stanford.edu/notes/cs229-notes8.pdf
http://www.cs.columbia.edu/~mcollins/em.pdf
6. 高斯混合模型
http://cs229.stanford.edu/notes/cs229-notes7a.pdf
http://cs229.stanford.edu/notes/cs229-notes7b.pdf
http://home.in.tum.de/~xiaoh/pub/em.pdf
Bishop 《Pattern recognition and machine learning》第9章
7. 深度学习
https://zh.coursera.org/specializations/deep-learning

备注：