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。
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
引言
课时目标：机器学习课程的引言部分
1.1 机器学习概述
1.2 机器学习的类型
1.3 机器学习的背景知识
1.4 机器学习的开发流程
回归
课时目标：监督学习算法的回归算法
2.1 线性回归
2.2 梯度下降
2.3 正则化
2.4 回归的评价指标
逻辑回归
课时目标：监督学习的分类算法，本章介绍逻辑回归算法
3.1 分类问题
3.2 Sigmoid函数
3.3 逻辑回归求解
3.4 逻辑回归的代码实现
朴素贝叶斯
课时目标：朴素贝叶斯算法的相关知识讲解
4.1 贝叶斯方法
4.2 朴素贝叶斯原理
4.3 朴素贝叶斯案例
4.4 朴素贝叶斯代码实现
机器学习实践
课时目标：机器学习实践的相关知识
5.1 数据集划分
5.2 评价指标
5.3 正则化、偏差和方差
机器学习库Scikit-learn
课时目标：机器学习库Scikit-learn介绍
6.1 机器学习库Scikit-learn概述
6.2 机器学习库Scikit-learn的主要用法
6.3 机器学习库Scikit-learn的使用案例
KNN算法
课时目标：KNN算法的相关知识讲解
7.1 距离度量
7.2 KNN算法
7.3 KD树划分
7.4 KD树搜索
决策树
课时目标：决策树算法的相关知识讲解
8.1 决策树原理
8.2 ID3算法
8.3 C4.5算法
8.4 CART算法
集成学习
课时目标：集成学习的相关知识和几种典型的算法
9.1 集成学习方法概述
9.2 AdaBoost和GBDT算法
9.3 XGBoost算法
9.4 LightGBM算法
9.5 集成学习代码实现
人工神经网络
课时目标：人工神经网络概念和反向传播算法
10.1 人工神经网络概述
10.2 感知机算法
10.3 反向传播算法(BP算法)
支持向量机
课时目标：支持向量机的相关知识讲解
11.1 支持向量机概述
11.2 线性可分支持向量机
11.3 线性支持向量机
11.4 线性不可分支持向量机
11.5 支持向量机代码实现
聚类
课时目标：无监督学习算法讲解，聚类算法
12.1 无监督学习概述
12.2 K-means聚类
12.3 密度聚类和层次聚类
12.4 聚类的评价指标
降维
课时目标：无监督学习算法讲解，降维算法
13.1 降维概述
13.2 SVD(奇异值分解)
13.3 PCA(主成分分析)
关联规则
课时目标：无监督学习算法讲解，关联规则
14.1 关联规则概述
14.2 Apriori 算法
14.3 FP-Growth算法
机器学习项目流程
课时目标：一个完整的机器学习项目讲解
15.1 机器学习项目流程概述
15.2 数据清洗
15.3 特征工程
15.4 数据建模
展开全部
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：
- 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
- Pattern Recognition and Machine Learning (模式识别与机器学习)，Christopher M. Bishop, 2006
- 统计学习方法，李航，清华大学出版社，2019
- 机器学习， 周志华，清华大学出版社，2016
参考网络资源：
- "Machine Learning” by Andrew Ng, https://www.coursera.org/course/ml
- 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。
认证成绩和证书
智能问答和解析
视频学习辅助
浙公网安备 33010802012594号
