认证学习
机器学习
分享
课程详情
课程评价
spContent=Machine Learning(机器学习)是人工智能的核心，本课程用通俗和结合案例的方式，讲解机器学习算法，如经典算法：线性回归、逻辑回归、决策树等，也将讲解近几年才出现的如XGBoost、LightGBM等集成学习算法。通过本课程，你不仅得到理论基础的学习，而且获得那些利用机器学习解决问题的实用技术，包括机器学习工具的使用等等。
—— 课程团队
课程概述

机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。


这门课中，我们主要讲解经典的机器学习算法，如线性回归、逻辑回归、决策树等，也将讲解近几年才出现的如XGBoost、LightGBM等集成学习算法。此外，这门课还会讲解利用机器学习解决问题的实用技术，还包括Python、Scikit-learn工具的使用等等。


通过这门课，学习者将初步理解主流的机器学习算法，并且可以用机器学习技术解决现实生活中的问题。


与国内外很多非常优秀的机器学习课程或作品相比（如吴恩达机器学习课程、李航老师的统计学习方法、周志华老师的《机器学习》等），本课程对初学者来说，属于“雪中送炭”，而不是“锦上添花”，更适合初学者学习，主要解决初学者的三个问题：就是资料太多，难以取舍；理论性强，初学比较困难； 代码资料比较少。只要有本科三年级以上的数学知识，会一种编程语言，就可以掌握这门课程的绝大部分内容。

授课目标

1、掌握机器学习的基本问题定义、基本模型，对机器学习学科有概览性的认识。

2、掌握目前主流的机器学习算法和模型，并能够根据实际问题的需要选择并实现相应的算法。

3、编程完成机器学习典型应用实例，对机器学习工程编程有初步的训练

课程大纲
预备知识

数学基础：主要包括高等数学、线性代数、概率论与数理统计。

编程基础：已经掌握一种编程工具，会使用Python进行简单地编程。

参考资料

参考书：

  1. 机器学习入门基础（微课版），黄海广 徐震 张笑钦，清华大学出版社，2023，ISBN:9787302619581 
  2. Pattern Recognition and Machine Learning (模式识别与机器学习)，Christopher M. Bishop, 2006
  3. 统计学习方法，李航，清华大学出版社，2019
  4. 机器学习， 周志华，清华大学出版社，2016

参考网络资源：

  1. "Machine Learning” by Andrew Ng, https://www.coursera.org/course/ml
  2.  Github：https://github.com/fengdu78/WZU-machine-learning-course
常见问题


Q : 课程的有配套教材吗？

A : 课程的配套教材为：

机器学习入门基础（微课版），黄海广，徐震，张笑钦，清华大学出版社，2023，ISBN:9787302619581 

Q : 课程的资源可以下载吗？

A : 课程的代码和ppt（pdf版本），都可以在Github：https://github.com/fengdu78/WZU-machine-learning-course 下载。

Q : 教师可以下载原版的ppt文件吗？

A : 教师请用edu邮箱发邮件给黄海广老师：haiguang2000@wzu.edu.cn，说明姓名，学校，即可收到原版ppt文件。