2016年，人工智能机器人AlphaGO击败了围棋世界冠军李世石，这场史无前例的“人机大战”将AI置于社会舆论的风口浪尖上。AI是什么？AI对人类有哪些作用？AI在未来社会中会扮演怎样的角色？
要想弄清楚这些问题，就必须了解AI的主要的工作原理——机器学习。这门课程对机器学习这一领域既有全面细致的理论讲解，又有趣味生动的故事串联，还有妙趣横生的程序实践，带领同学们从数学、计算机科学和人文哲学等方面全面地理解AI。
课程中的知识点覆盖全面，尤其包含近年来这一领域的发展，深度学习、增强学习、生成对抗网络、RNN和LSTM、ALPHAGO程序解析等最新的研究内容登上了MOOC的课堂。我们也规划了十个左右的编程实验，并讲解流行的CAFFE、TENSORFLOW和PYTORCH等流行的深度学习框架，让大家在学习理论的同时亲身实践，体验AI的魅力。
与国外Andrew Ng，Fei-Fei Li等课程相比，这门机器学习课程更适合国内学生的学习习惯。只要你有高数和线性代数基础，掌握一门编程语言，那么恭喜你！无论是什么学科背景，你都能学习这门课程，探索AI的奥秘。
通过这门课程的学习，我们有信心让你从AI的围观者变成AI的参与者和贡献者，欢迎同学们来到我们的MOOC，一起加油吧！
随着大数据和人工智能时代的到来，机器学习的算法和思想已经深入渗透到信息处理领域的方方面面。在未来的十年内，掌握基础的机器学习理论和方法，可能是每一位受过专业教育的工程技术人员的基本要求之一。本课程主要针对机器学习这个领域，重点介绍了机器学习中的核心算法和理论，使学生通过理论学习掌握机器学习中的经典理论，了解当前最新发展，并学会针对各自学科的具体问题设计算法。具体要求学生掌握支持向量机，人工神经网络、深度学习、强化学习、主成分分析、K-均值聚类和高斯混合模型。同时，课程规划了一系列编程训练，提高同学们应用机器学习解决实际问题的能力。
第一章 引言
1. 机器学习定义
2. 机器学习的分类
3. 机器学习算法的过程
4. 没有免费午餐定理
5. 总结
第二章 支持向量机
1. 支持向量机（线性可分定义）
2. 支持向量机（问题描述）
3. 支持向量机（优化问题）
4. 支持向量机（线性不可分情况）
5. 支持向量机（低维到高维的映射）
6. 支持向量机（核函数的定义）
7. 支持向量机（原问题和对偶问题）
8. 支持向量机（转化为对偶问题）
9. 支持向量机（算法流程）
10. 支持向量机（兵王问题描述）
11. 支持向量机（兵王问题程序设计）
12. 支持向量机（兵王问题MATLAB程序）
13. 支持向量机（识别系统的性能度量）
14. 支持向量机（多类情况）
第三章 人工神经网络
1. 人工神经网络（章节总览）
2. 人工神经网络（感知器算法）
3. 人工神经网络（感知器算法的意义）
4. 人工神经网络（第一次寒冬）
5. 人工神经网络（多层神经网络）
6. 人工神经网络（梯度下降算法）
7. 人工神经网络（后向传播算法 上）
8. 人工神经网络（后向传播算法 下）
9. 人工神经网络（后向传播算法的应用）
10. 人工神经网络（兵王问题MATLAB程序）
11. 人工神经网络（参数设置）
第四章 深度学习
1. 章节简介及资源汇总
2. 深度学习（自编码器）
3. 深度学习（卷积神经网络LENET）
4. 深度学习（卷积神经网络ALEXNET）
5. 深度学习的编程工具Tensorflow
6. 深度学习的编程工具CAFFE
7. 深度学习（近年来流行的卷积神经网络）
8. 目标检测与分割上
9. 目标检测与分割下
10. 时间序列的深度学习模型（RNN和LSTM）
11. 生成对抗网络
12. 深度学习的编程工具PYTORCH
13. 人脸识别介绍
第五章 强化学习
1. 强化学习（Q-Learning和epsilon-greedy算法）
2. 强化学习（深度强化学习）
3. 强化学习 (policy gradient 和 actor-critic算法）
4. 强化学习 (AlphaGo 上）
5. 强化学习 (AlphaGo 下）
第六章 传统机器学习
1. 主成分分析
2. K-均值聚类
3. 高斯混合模型
4. ADABOOST
5. 人工智能中的哲学
微积分、线性代数、一门高级编程语言
1.课堂讨论（20%）。学员需在由老师发起的课堂讨论中回帖并评论他人的帖子，两次满分，水贴不记入总数。
2.单元测验（80%）。每章节结束后的测试题目，均为客观题，系统自动评分。
两项累积总分超过60分，即可获得结业证书，总分超过80分，可以获得优秀证书 。 证书的形式为认证证书（可查询验证的电子版和纸质版），你可以在课程结束后根据需要进行申请，认证证书的收费标准为100元/份。请注意，从2019年10月开始，中国大学MOOC平台不再发放免费证书。证书发放工作由爱课程网负责，有关问题请咨询：010-58556579.
参考书：
（1）机器学习， 周志华，清华大学出版社，2016
（2）统计学习方法，李航，清华大学出版社，2012
（3）Machine Learning in Action, P. Harrington,人民邮电出版社
（4）Deep Learning, I. Goodfellow, Y. Bengio and A. Courville, 2016.
（5）Pattern Recognition and Machine Learning (模式识别与机器学习)，Christopher M. Bishop, 2006
（6）Machine Learning: A Probabilistic Perspective, K. P. Murphy
（7）Machine Learning (机器学习), Tom M. Mitchell, 机械工业出版社，2003年。
网课：
(1) Stanford Web course “Machine Learning” by Andrew Ng https://www.coursera.org/course/ml (2) Stanford Web course (CS231N) by Fei-fei Li https://cs231n.Stanford.edu
(3) UCL reinforcement learning course https://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html
(4) 2017年课程实录，bilibili网站搜索 “浙大 机器学习”。
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
