本课程为计算机科学与技术专业、人工智能专业重点建设课程。该课程面向计算机科学与技术、人工智能、数据科学与大数据、软件工程、网络空间安全、信息安全、电子信息类等专业，以及计算机科学与技术、软件工程、网络空间安全、信息与通信工程、控制科学与工程、车辆工程、兵器科学与技术等相关学科。课程教材受到国家出版基金资助，为北京理工大学重点规划教材。

课程系统地讲解了机器学习的理论与方法，主要内容包括：机器学习基础知识，包括机器学习基本概念、历史和发展现状、机器学习分类、性能度量；期望最大化（EM）算法，包括EM算法的相关理论、推导、收敛性分析；主题模型，包括主题建模的思想、隐狄利克雷分布模型（LDA）、吉布斯采样方法；聚类分析，包括K-means等经典聚类算法、谱聚类算法、基于约束的聚类和在线聚类算法；概率无向图模型，包括逻辑斯蒂回归模型、最大熵模型、条件随机场；概率有向图模型，包括贝叶斯网络、隐马尔可夫模型；支持向量机，包括线性支持向量机、非线性支持向量机、一分类和多分类支持向量机；神经网络，包括感知机和多层感知机、优化算法等；深度神经网络，包括卷积神经网络、循环神经网络；强化学习，包括马尔可夫决策过程、免模型的强化学习蒙特卡洛学习、TD学习、Q-Learning 和Sarsa、深度强化学习等。本课程通过产教融合、科教融汇的实践案例强化创新实践能力。

课程内容丰富，有基础理论、应用技术、和工程实践。课程既适合相关专业学生，又适用于零基础和社会人士学习，让您学会各种机器学习方法，体验学习机器学习知识的乐趣。

本课程以教改项目为先导，秉承“立德树人、学生中心、问题导向、产业牵引、持续改进”的教育理念，采用知识内修与价值引导有机融合的课程思政，着重讲解机器学习原理和方法，让您知其然，知其所以然，并通过产教融合、科教融汇的实践案例强化创新实践能力。课程强调机器学习的系统性、完整性，以及方法的时效性，完善学生的知识体系，拓展学生的思维方法，培养学生的机器学习分析应用和创新实践能力，达成“价值塑造、知识内修、能力提升“的培养目标。

高等数学、数据结构

教材：李侃. 人工智能：机器学习理论与方法，电子工业出版社，2020年

如有问题，请联系课程教师。