hi，小慕
课程

中国大学MOOC，为你提供一流的大学教育

数字教材
学校
学校云
慕课堂
升学考研
下载APP
hi,小mooc
登录 | 注册
机器学习
分享
第1次开课
开课时间： 2020年05月04日 ~ 2020年11月04日
学时安排： 3-5小时每周
当前开课已结束 已有 23761 人参加
立即自学
往期不提供结课证书，想参加下学期课程， 点击这里预约>>
课程详情
课程评价(576)
spContent=本课程重点介绍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机器学习算法。课程内容包括支持向量机、人工神经网络、深度学习、强化学习、传统的机器学习五个模块，用丰富的理论推导和实验案例加深学生的理解。
本课程重点介绍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机器学习算法。课程内容包括支持向量机、人工神经网络、深度学习、强化学习、传统的机器学习五个模块，用丰富的理论推导和实验案例加深学生的理解。
—— 课程团队
课程概述

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！


授课目标

       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。


课程大纲
课程概论
课时目标：理解机器学习的主要概念、研究的核心、研究方法以及问题的边界，理解学习本课程后能做什么。
1.1 机器学习定义
1.2 机器学习任务的分类
1.3 机器学习算法的过程
1.4 没有免费午餐定理
1.5 学习完这门课后，我们能够做什么？
支持向量机
课时目标：理解支持向量机算法的理论，掌握基于LIBSVM的支持向量机分类问题程序设计，了解评价机器学习算法好坏的标准。
2.1 支持向量机（线性可分定义）
2.2 支持向量机（问题描述）
2.3 支持向量机（优化问题）
2.4 支持向量机（线性不可分情况）
2.5 支持向量机（低维到高维的映射）
2.6 支持向量机（核函数的定义）
2.7 支持向量机（原问题和对偶问题）
2.8 支持向量机（转化对偶问题）
2.9 支持向量机（算法总体流程）
2.10 支持向量机（兵王问题描述）
2.11 支持向量机（兵王问题 程序描述设计）
2.12 支持向量机（兵王问题MATLAB程序）
2.13 识别系统的性能度量
2.14 支持向量机（多类情况）
人工神经网络
课时目标：了解人工神经网络的历史发展，理解感知器算法、多层神经网络的后向传播算法，掌握基于人工神经网络分类问题的程序设计。
3.1 人工神经网络（神经元的数学模型）
3.2 人工神经网络（感知器算法）
3.3 人工神经网络（感知器算法的意义）
3.4 人工神经网络（人工神经网络的第一次寒冬）
3.5 人工神经网络（三层神经网络可以模拟的任意非线性函数）
3.6 人工神经网络（梯度下降法）
3.7 人工神经网络（后向传播算法）上
3.8 人工神经网络（后向传播算法）下
3.9 人工神经网络（后向传播算法应用中的问题）
3.10 人工神经网络（兵王问题的MATLAB程序）
3.11 人工神经网络（参数设置中更深入的问题）
深度学习
课时目标：了解深度学习的历史发展，理解自动编码器、卷积神经网络等基础的深度学习算法，理解目标检测和分割、生成对抗网络、RNN和LSTM等具体领域的常用深度学习模型，能够运用CAFFE、TENSORFLOW和PYTORCH等深度学习框架开发具体的深度学习算法。
4.1 深度学习（历史发展）
4.2 深度学习（自编码器）
4.3 深度学习（卷积神经网络LENET）
4.4 深度学习（卷积神经网络ALEXNET）
4.5 深度学习的编程工具Tensorflow
4.6 深度学习的编程工具CAFFE
4.7 深度学习（近年来流行的卷积神经网络）
4.8 目标检测与分割上
4.9 目标检测与分割下
4.10 时间序列的深度学习模型（RNN和LSTM）
强化学习
课时目标：了解强化学习的基本算法：Q-Learning，epsilon-greedy算法，深度强化学习（DQN）算法，policy gradient 和 actor-critic算法。了解强化学习和深度学习在ALPHAGO围棋程序中的应用。
5.1 强化学习（Q-Learning和epsilon-greedy算法）
5.2 强化学习（深度强化学习）
5.3 强化学习 (policy gradient 和 actor-critic算法）
5.4 强化学习 (AlphaGo 上）
5.5 强化学习 (AlphaGo 下）
传统的机器学习
课时目标：理解三种传统的非监督学习算法，主成分分析，K-均值聚类和高斯混合模型，了解人工智能的哲学知识。
6.1 主成分分析
6.2 K-均值聚类
6.3 高斯混合模型
6.4 人工智能中的哲学
展开全部
预备知识

微积分、线性代数、一门高级编程语言


证书要求

1.课堂讨论（10%）。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，三次满分，中间按正比例函数计算，水贴不记入总数。

2.单元测验（30%）。每周一次测验，均为客观题，系统自动评分。

3.期末考试（60%）。将根据课程内容安排期末考试，题型为客观题和主观题，客观题系统自动评分，主观题采取同伴互评的形式。      


三项累积总分超过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.

参考资料

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”。

浙江大学
1 位授课老师
胡浩基

胡浩基

副教授

推荐课程

【DeepSeek适用】小白玩转AI大模型应用开发

林粒粒

189人参加

小白玩转 Python 数据分析

林粒粒

75人参加

机器学习期末冲刺-3小时突击机器学习

L木子老师

683人参加
下载
下载

下载App