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。
第一章 绪论
1.1 机器学习简介
1.2 机器学习发展历程
1.3 机器学习分类与性能度量
第二章 期望最大化算法
2.1 期望最大化算法背景
2.2 相关理论
2.3 期望最大化算法推导
2.4 期望最大化算法的收敛性
第三章 主题建模
3.1 主题建模的背景
3.2 隐狄利克雷分配模型（LDA）的基本结构
3.3 吉布斯采样方法
第四章 支持向量机
4.1 线性支持向量机原理
4.2 线性支持向量机（数据线性可分）
4.3 线性支持向量机（数据线性不可分）
4.4 非线性支持向量机思想
4.5 核函数
4.6 非线性支持向量机原理
4.7 一分类-多分类支持向量机
第五章 聚类分析
5.1 相似性度量方法和经典聚类算法
5.2 K-means、K中心点方法及其改进方法
5.3 谱聚类
5.4 基于约束的聚类和在线聚类
第六章 概率无向图模型
6.1 概率无向图
6.2 逻辑斯蒂回归模型
6.3 最大熵模型
6.4 条件随机场
第七章 概率有向图模型
7.1 概率有向图及贝叶斯网络基础知识
7.2 贝叶斯网络结构学习
7.3 贝叶斯网络参数学习
7.4 隐马尔可夫模型
第八章 神经网络
8.1 人工神经网络基础知识
8.2 多层感知机
8.3 优化算法
8.4 卷积神经网络
8.5 循环神经网络
第九章 强化学习
9.1 强化学习基本概念
9.2 马尔可夫决策过程
9.3 免模型的强化学习之蒙特卡洛学习和TD学习
9.4 免模型的强化学习之 Q-Learning 和Sarsa
9.5 深度强化学习
第十章 梯度下降法实验
10.1 梯度下降法实验1
10.2 梯度下降法实验2
第十一章 回归实验
11.1 波士顿房价预测实验
11.2 麻疹疫苗接种率预测实验
第十二章 分类实验
12.1 决策树分类实验
12.2 K近邻分类实验
12.3 SVM分类实验
第十三章 聚类实验
13.1 K-means聚类实验
13.2 DBSCAN聚类实验
13.3 汽车产品聚类实验
第十四章 天文数据挖掘实验
14.1 项目描述
14.2 特征优化及代码
第十五章 复习课
15.1 主题模型
15.2 支持向量机
15.3 聚类分析
15.4 概率有向图模型
15.5 概率无向图模型
PDF课件
第一章 绪论
第二章 期望最大化算法
第三章 主题建模
第四章 支持向量机
第五章 聚类分析
第六章 概率无向图模型
第七章 概率有向图模型
第八章 神经网络
第九章 强化学习
国产AI框架----华为昇思MindSpore
第十章 梯度下降法实验
第十一章 回归实验
第十二章 分类实验
第十三章 聚类实验
第十四章 天文数据挖掘实验
第十五章 复习课
高等数学、数据结构
为积极响应国家低碳环保政策， 2021年秋季学期开始，中国大学MOOC平台将取消纸质版的认证证书，仅提供电子版的认证证书服务，证书申请方式和流程不变。
电子版认证证书支持查询验证，可通过扫描证书上的二维码进行有效性查询，或者访问 https://www.icourse163.org/verify，通过证书编号进行查询。学生可在“个人中心-证书-查看证书”页面自行下载、打印电子版认证证书。
完成课程教学内容学习和考核，成绩达到课程考核标准的学生（每门课程的考核标准不同，详见课程内的评分标准），具备申请认证证书资格，可在证书申请开放期间（以申请页面显示的时间为准），完成在线付费申请。
认证证书申请注意事项：
1. 根据国家相关法律法规要求，认证证书申请时要求进行实名认证，请保证所提交的实名认证信息真实完整有效。
2. 完成实名认证并支付后，系统将自动生成并发送电子版认证证书。电子版认证证书生成后不支持退费。
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。
教授
副教授
副教授
由高教社联手网易推出，让每一个有提升愿望的用户能够学到中国知名高校的课程，并获得认证。
网上有害信息举报（涉未成年人）：网站 https://www.12377.cn 邮箱（涉未成年人） youdao_jubao@rd.netease.com
粤B2-20090191-26
| 京ICP备12020869号-2 |
京公网安备44010602000207
©2014-2025
浙公网安备 33010802012594号
