spContent=模式识别的原理和方法在医学、军事等众多领域应用十分广泛,是计算机及其相关专业进行科学研究的基础。课程构建了以经典推理决策为明线、前沿机器学习为暗线,明暗螺旋递进的内容体系,有效串接贝叶斯推理、线性判据、神经网络、深度学习等知识模块。同时,高维微积分、矩阵分析、优化理论等高阶数学知识与课程专业内容无缝嵌入衔接。此外,概率统计、代数、几何等技术路线之间前后呼应。该体系既融入了最新的机器学习研究成果,又明晰了广大分散知识点之间的关联,避免学习出现知识孤岛。
模式识别的原理和方法在医学、军事等众多领域应用十分广泛,是计算机及其相关专业进行科学研究的基础。课程构建了以经典推理决策为明线、前沿机器学习为暗线,明暗螺旋递进的内容体系,有效串接贝叶斯推理、线性判据、神经网络、深度学习等知识模块。同时,高维微积分、矩阵分析、优化理论等高阶数学知识与课程专业内容无缝嵌入衔接。此外,概率统计、代数、几何等技术路线之间前后呼应。该体系既融入了最新的机器学习研究成果,又明晰了广大分散知识点之间的关联,避免学习出现知识孤岛。
—— 课程团队
课程概述
本课程面向大学本科三年级以上学生或者具有先验课程基础的学生。
课程建立以经典推理决策为明线、前沿机器学习为暗线,有机嵌入高维微积分、矩阵分析、优化理论等高阶数学知识,难度螺旋递进的内容体系。通过学习,学生能够掌握模式识别过程与机器学习算法,并用以解决模式识别基本任务。构建知识图谱,促进学生吸收内化前沿的模型学习与分类决策算法,自主建构知识体系。切实提高机器学习算法的理解与应用,提升对新理论、新方法的研究与前瞻能力,以及正确解决工程问题的实践能力。
课程面向模式识别与机器学习领域的前沿知识,内容兼顾基本理论和应用实例,培养学生具备场景分析、编程实施、结果评价、方案优化的研究能力,能够解决多领域前沿挑战性问题。
课程大纲
模式识别基本概念
1.1 什么是模式识别
1.2 模式识别数学表达
1.3 特征向量的相关性
1.4 机器学习基本概念
1.5 模型的泛化能力
1.6 评估方法与性能指标
基于距离的分类器
2.1 MED分类器
2.2 特征白化
2.3 MICD分类器
课程思政案例1 中华传统文化饱含的辩证思维
贝叶斯决策与学习
3.1 贝叶斯决策与MAP分类器
3.2 MAP分类器:高斯观测概率
3.3 决策风险与贝叶斯分类器
3.4 最大似然估计
3.5 最大似然的估计偏差
3.6 贝叶斯估计(1)
3.7 贝叶斯估计(2)
3.8 KNN估计
3.9 直方图与核密度估计
模式识别与机器学习实践平台介绍
线性判据与回归(一)
4.1 线性判据基本概念
4.2 线性判据学习概述
4.3 并行感知机算法
4.4 串行感知机算法
4.5 Fisher线性判据
4.6 支持向量机基本概念
4.7 拉格朗日乘数法
4.8 拉格朗日对偶问题
4.9 支持向量机学习算法
课程思政案例2 感知机思政小故事
线性判据与回归(二)
4.10 软间隔支持向量机
4.11 线性判据多类分类
4.12 线性回归
4.13 逻辑回归的概念
4.14 逻辑回归的学习
4.15 Softmax判据的概念
4.16 Softmax判据的学习
4.17 核支持向量机
课程思政案例3 梯度下降算法蕴含的辩证思维
神经网络
5.1 神经网络的概念
5.2 BP算法
5.3 BP算法再探
5.4 超越梯度_Hessian矩阵
5.5 神经网络中的牛顿法
5.6 二阶偏导反向传播
5.7 动量项与随机梯度下降
5.8 自适应步长算法
5.9 神经网络正则化-权重衰减
5.10 神经网络正则化-早停机制
5.11 神经网络正则化-切线传播
5.12 神经网络正则化--数据增强
课程思政案例3 深度学习的质量互变内涵
价值塑造和专业能力培养共蕴互促的课程思政体系建设
展开全部
预备知识
前导课程是微积分、高等数学、线性代数、概率论与统计、高级语言程序设计、算法与数据结构。
参考资料
书名:《机器学习》
书号:ISBN 978-7-302-42328-7
作者:周志华
出版社:清华大学出版社