(完整版)《机器学习》课程教学大纲
以下为《(完整版)《机器学习》课程教学大纲》的无排版文字预览，完整内容请下载
《机器学习》课程教学大纲
课程中文名称：机器学习
课程英文名称：Machine Learning
适用专业： 计算机应用技术，管理科学与工程
总学时： 36 （讲课： 28 ，实验：8 ） 学分：2
大纲撰写人： 大纲审核人：
编写日期：
课程性质及教学目的：
本课程是面向计算机与信息***研究生开设的专业基础课。其教学重点是使学生掌握常见机器学习算法，包括算法的主要思想和基本步骤，并通过编程练习和典型应用实例加深了解；同时对机器学习的一般理论，如假设空间、采样理论、计算学习理论，以及无监督学习和强化学习有所了解。
二、对选课学生的要求：
要求选课学生事先受过基本编程训练，熟悉C/C++或Matlab编程语言，具有多元微积分、高等代数和概率统计方面基本知识。
三、课程教学内容和要求（200字左右的概述，然后给出各“章”“节”目录及内容简介）
决策论与信息论基础：
损失函数、错分率的最小化、期望损失的最小化等
相对熵、互信息
概率分布：
高斯分布、混合高斯分布、Dirichlet分布、 beta分布等
指数分布族：最大似然估计、充分统计量、共轭先验、无信息先验等
非参数方法：核密度估计、近邻法
回归的线性模型：
线性基函数模型
贝叶斯线性回归
贝叶斯模型 内容过长，仅展示头部和尾部部分文字预览，全文请查看图片预览。 性回归的一般方法，学会使用R中有关回归的程序包，并能将之用于解决实际问题。
分类的线性模型（3学时）：对分类问题有一个全面的了解，掌握一些常用的分类方法。
核方法（3学时）：了解核方法的最新进展，熟练掌握核函数参数估计的常用方法。
支持向某某（4学时）：掌握支持向某某的基本原理，面对各自研究领域中的具体问题学会使用支持向某某，粗略了解统计学习理论。
图模型（4学时）：从建模到算法实现。
混合模型和期望最大化（Expectation Maximization，EM）算法（3学时）：掌握EM算法的基本理论，学会使用EM算法。
隐Markov模型和条件随机场模型（3学时）：掌握隐Markov模型的几个经典算法，学会利用隐Markov模型和条件随机场模型解决具体问题，如自然语言处理中的词性标注等。
五、教材及参考文献：
Bishop, C. M. (2006) Pattern Recognition and Machine Learning, Spring Science + Business Media, LLC
Mitchell, T. M. (1997) Machine Learning, The McGraw-Hill Companies, Inc.
六、必要的说明
[文章尾部最后300字内容到此结束,中间部分内容请查看底下的图片预览]
以上为《(完整版)《机器学习》课程教学大纲》的无排版文字预览，完整内容请下载
(完整版)《机器学习》课程教学大纲由用户“sungirller”分享发布，转载请注明出处