机器学习 Machine Learning

课程介绍 Overview

• 课程描述：
  本课程对模式识别与机器学习领域的专业基础理论知识进行系统介绍，内容涵盖模式识别和机器学习领域的典型模型与典型算法，面向信息与通信工程以及学科智能信息处理相关方向的硕士和博士研究生。在人工智能与大数据、物联网和智能制造相融合发展的背景下，旨在为智能信息处理相关领域的研究室建立系统的专业理论体系。
• Course Description:
  This course refers to the fundamental and professional knowledge including models and algorithms in the field of pattern recognition and machine learning. This course open to the master and doctoral candidates majoring in information and communication engineering, electronic information, intelligent information and communication system. With the development of the integration of artificial intelligence, big data, internet of things and intelligent manufacturing, this course aims to establish a systematic professional theoretical background for the students in the related fields.

成绩构成 Grading Policy

${ S } _{ total }={ S } _{ report } \times 50\% + { S }_{ present } \times 50\% + { S }_{ award } - { S }_{ penalty } - { S }_{ absence }$

成绩构成 Grading Policy

• 作业成绩 Homework（50%） ${G}_{report}$
  • 每位同学需要完成BB平台上布置的作业并且按照规定格式提交。
  • Each student should finish the homework through the BlackBoard platform.

• 报告成绩 Report（53%） ${G}_{report}$
  • 每位同学需要按照课程要求撰写相关报告一份，需要将知网平台查重系统的查重报告一并提交。
  • Each student should submit a course-related report and the correponding duplication check report from CNKI.

• 发表成绩 Presentation（20%） ${S}_{present}$
  • 每人准备一次课程相关的发表任务。
  • Each student should present once. The slides should be related with our course and your work.

优异表现 Awards ${S}_{award}$ （加总成绩1-2分/次且累计加分），包括但不限于：
(+1-2 points/time cumulatively), including but are not limited to:

• 积极回答问题并正确作答（+2分）
• Answer the question actively and correctly（+2 Points）

不良表现 Penalty ${S}_{penalty}$ （扣总成绩5分/次且累计扣分），包括但不限于：
(-5 points/time cumulatively), including but are not limited to:

• 交头接耳，扰乱课堂纪律（-5分）
• Chat, disturb others（-5分）

缺勤处理 Absence Policy

缺勤扣分 ${S}_{absence}$

• 无故 缺勤一次（-10分）

课堂讲义及案例 Lecture Notes and Examples

1.绪论 Introduction

课次 Course ID	周次 Week ID	时间 Time	内容 Contents	课堂资料 Lecture notes	补充材料 Supplementary
1	一		人工智能、机器学习的历史由来以及分类 Foundation of Artificial Intelligence and Machine Learning	第一周教案 Lecture1.pdf

2. 经典机器学习算法 Traditional Machine Learning Approaches

课次 Course ID	周次 Week ID	时间 Time	内容 Contents	课堂资料 Lecture notes	补充材料 Supplementary
3	二		遗传算法 Genetic algorithms	第三周教案 Lecture3.pdf
4	四		决策树 Decision trees	第三周教案 Lecture3.pdf
4	四		线性回归与逻辑回归 Linear and Logistic Regression	线性回归 Lecture4_1.pdf 逻辑回归 Lecture4_2.pdf
5	五		人工神经网络 Artificial Neural Network	第五周教案 Lecture5.pdf
6	六		支持向量机 Support Vector Machine	第六周教案 Lecture6.pdf
7	七		集成学习 Esemble Learning	第七周教案 Lecture7.pdf
8	八		朴素贝叶斯 Naive Bayes	第八周教案 Lecture8.pdf

3. 现代机器学习算法 Modeal Machine Learning Alogirhms

课次 Course ID	周次 Week ID	时间 Time	内容 Contents	课堂资料 Lecture notes	补充材料 Supplementary
9	九		深度学习简介 Deep Learning: A Breif Tutorial	第九周教案 Lecture9.pdf
10	十		生成式模型 Generative Models	第十周教案 Lecture10.pdf
11	十一		生成式模型 Generative Models	第十一周教案 Lecture11.pdf
12	十二		网络压缩与轻量化 Network Compression and Speedup	第十二周教案 Lecture12.pdf
13	十三		强化学习简介 Introduction of Reinforce Learning	第十五周教案 Lecture15.pdf
14	十四		元学习 Mata Learning	第十五周教案 Lecture15.pdf

4. 机器学习应用案例分享及探讨 AI based application and disscussion

课次 Course ID	周次 Week ID	时间 Time	内容 Contents	课堂资料 lecture notes	补充材料 Supplementary
15-16	十五、十六		人工智能应用案例分享及探讨 AI based application and disscussion		检测 Detection 分割 Segmentation,

TOP 返回顶部