机器学习教学大纲

机器学习MachineLearning教学大纲课程编码：M723012课程学分：32学时，2学分适用学科/专业：控制科学与工程、电子信息-控制工程学科/专业开课学院：电气与控制工程学院一、课程性质本课程是控制科学与工程和控制工程专业研究生的专业选修课。二、课程教学目的人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学，其目的是创造具有智能能力的机器系统。机器学习是人工智能的核心技术，该理论主要是设计和分析使计算机可自动“学习”的算法，是使计算机具有智能的根本途径，其应用遍及社会生产、生活的各个领域。因此，学习和掌握机器学习的基本理论知识、分析与设计方法、以及常用的实现技术十分必要。本课程介绍机器学习技术的基本理论、分析、设计和实现的方法和技术，配合上机实验，使学生既具有扎实的理论知识又具有基本的分析、设计和实现的实际能力。三、教学基本内容及基本要求课程教学内容：1. 机器学习基本概念机器学习的基本概念，包括：心理学的学习理论、机器学习理论、监督学习、无监督学习、半监督学习、增强学习。模式、分类、聚类、回归的基本概念。学习系统的组成和分类，机器学习系统的基本应用方法和实例。2. 统计学习理论统计学习的基本原理，朴素贝叶斯模型学习原理及设计方法，分类器的基本设计方法。支撑向量机的基本理论，支撑向量机的学习原理及设计方法，分类器的基本设计方法。3. 人工神经网络神经元的数学模型、单层感知器、人工神经网络的基本学习原理。BP网络的模型结构、学习方法和基于BP网络的分类器设计。自组织映射网络的生物学基础、SOM网络模型及学习过程、基于SOM网络的聚类方法设计。自适应共振理论、ART网络的结构和学习方法。4. 序列数据学习（HMM模型）序列数据学习基本方法，隐马尔可夫链模型结构，隐马尔科夫模型学习基础，基于隐马尔可夫模型的推断方法。5. 扩展阅读与机器学习相关的科技文献指导阅读。课程的教学要求：要求学习掌握与机器学习相关的基本概念、学习系统的分析与设计方法、统计学习的基本原理，掌握贝叶斯分类器的设计方法、掌握人工神经网络学习的分析和设计方法，了解隐马尔可夫模型的基本原理和设计方法，了解学习系统机器学习系统常用的软件实现技术。四、本课程与其他课程的联系与分工本课程基于工科学生本科和研究生期间所学的数学知识，研究机器学习的基本方法；同时，结合电类学生所涉及到的实际问题，研究机器学习方法的实际应用方法。五、实践环节教学内容的安排与要求实践环节教学内容的安排针对课堂研究的主要机器学习方法，完成相应的实验。统计学习理论部分，完成基于贝叶斯方法的分类器设计，并通过数据实验比较贝叶斯分类器和SVM分类器的效果。利用BP网络完成手写体识别系统设计，利用SOM网络完成数据聚类系统设计。利用隐马尔可夫模型完成序列样本学习，设计一个序列样本识别器。实践环节要求学生在计算机上编写或利用现有工具完成上述实验。六、本课程课外练习的要求为达到本课程教学基本要求，课外需安排一定的自学内容，作业形式主要为计算题和思考题等，并布置学生进行前沿知识拓展学习，撰写课程小论文。七、本课程的教学方法及使用现代化教学手段方面的要求教学过程中，注重理论联系实际，加强学生的概念理解。将机器人、视频分析等实际案例引入到课堂教学之中，进行讨论式、互动式和案例式教学。课堂教学采用PPT，板书，课堂演示实验等方式加深学生对知识点的掌握。实验教学采用基于Matlab软件平台编写并验证学习算法。八、本课程成绩的考查方法及评定标准总成绩以百分制计算，平时成绩占50%，期末成绩占50%。平时成绩由课堂成绩，实验成绩，小论文成绩三部分组成，所占比重分别为10%，30%，10%。期末成绩可采用期末考试方式，也可采用其他考核方式，由任课教师灵活制定。九、教材及参考书［1］《机器学习》，周志华著，2016年第1版，清华大学出版社［2］《人工神经网络教程》，韩力群著，2006年第1版，北京邮电大学出版社［3］《PatternRecognitionandMachineLearning》，M.Bishop著，2006年第1版，Springer十、课程各章节学时分配章节内容总学时讲授课时讨论、论文、实验、设计备注第一章机器学习基本概念22第二章统计学习理论1062（基于贝叶斯模型的分类器