本课程面向计算机、人工智能类各个专业的硕士生开设，本课程旨在帮助学生建立数据分析的基本思维、开阔学生对人工智能领域的科学视野；认识机器学习作为人工智能最主要的分支，是实现各种智能技术的理论依据和重要手段；同时培养大数据时代对数据的敏感性以及灵活应用先进的机器学习算法处理数据的能力，并为学生进一步深入理解人工智能技术奠定坚实基础。本课程主要内容包括：回归相关、决策树、贝叶斯方法、支持向量机、集成学习、聚类、数据降维。
Overview
Syllabus
- 第一章 线性回归
- 1.1线性回归的其他玩法1
- 1.2线性回归的其他玩法2
- 第二章 决策树
- 2.1问题与建模
- 2.2分裂的好坏标准
- 2.3树的创建
- 2.4又回到好坏标准
- 2.5剪枝策略
- 第三章 朴素贝叶斯
- 3.1贝叶斯方法
- 3.2在分类中的应用
- 3.3案例——精灵宝可梦属性分类问题
- 第四章 支持向量机
- 4.1SVM原理
- 4.2软间隔SVM
- 第五章 集成学习
- 5.1基础知识
- 5.2Bagging和随机森林
- 5.3Bossting方法
- 第六章 聚类任务
- 6.1聚类简介
- 6.2K-means算法
- 6.3K-means算法进阶
- 6.4谱聚类
- 6.5层次聚类
- 6.6密度聚类和网格聚类
- 第七章 降维任务
- 7.1主成分分析
- 7.2奇异值分解
- 7.3非线性数据
- 7.4线性判别分析
- 7.5非负矩阵分解
- 期末考试
Taught by
Chen Yan and Xingpeng Zhang
