统计学习方法
统计学习方法
《统计学习方法》教学大纲
课程编号: |
AI510 |
课程性质: |
专业选修课 |
|
课程名称: |
统计学习方法 |
学时学分: |
48/2(讲课32+课堂实验16) |
|
英文名称: |
Statisitc Learning Method |
考核方式: |
开卷考试 |
|
选用教材: |
李航. 统计学习方法(第二版). 北京:清华大学出版社. 2019.5 |
|||
大纲执笔人: |
虞欣 |
大纲审核人: |
刘强 |
|
适用学科(领域): |
控制科学与工程等相关学科领域 |
|||
执行时间: |
2020.9.1 |
|||
一、课程目标:
本课程是控制科学与工程学科硕士研究生的专业选修课,机器学习是人工智能系统中的一个重要组成部分,研究机器学习的基本理论、方法和实践。本课程的教学目的是,通过本课程的学习,使学生掌握机器学习基本原理、算法和实践应用领域,培养学生在理解的基础上选择并利用机器学习的常用算法,运用技能解决本专业和相关领域的实际问题的能力。
二、内容提要与要求
1、内容提要
本课程主要讲解机器学习的基本原理、算法和实践,代表性方法包括线性回归、逻辑回归、贝叶斯分类器、模型评估与选择、K-均值算法和EM算法、决策树、神经网络、隐马尔科夫模型、支持向量机、推荐系统、主成分分析等;应用包括文本分类、车牌识别、自然语言处理、推荐系统、人脸识别等。学生通过学习可以掌握或了解机器学习基本理论及应用领域。
重点掌握下列几方面的知识:
(1)贝叶斯决策理论;
(2)概率密度函数的估计;
(3)线性判别函数与非线性判别函数;
(4)特征的选择与提取,基于K-L变换的多类模式特征提取;
(5)聚类分析;
(6)模糊模式识别方法;
(7)神经网络模式识别法;
2、教学内容与要求
教学内容 |
教学要求 |
第1章 机器学习介绍 |
了解机器学习的基本概念,以及一些实践基础。 |
第2章 线性回归 |
1.理解线性回归原理 3.理解多变量线性回归和多项式回归的概念和应用领域 |
第3章 逻辑回归 |
了解逻辑回归的概念和算法及其在多元分类问题中的应用 |
第4章 贝叶斯分类器 4.2 高斯判别分析 4.3 朴素贝叶斯
|
1.理解贝叶斯分类器的分类原理 2.了解判别模型和生成模型 3.理解极大似然估计 4. 理解解高斯判别分析 5.理解朴素贝叶斯算法 |
第5章 模型评估与选择 5.2 评估方法 5.3 性能度量 5.4 偏差与方差折中 |
1.理解模型选择的概念 2.了解模型评估方法和性能度量 3.了解偏差与方差折中
|
第6章 K-均值算法和EM算法 6.2 K-均值算法 6.3 EM算法 |
1.理解无监督学习 2.理解K-均值算法和EM算法的优缺点和适用范围
|
第7章 决策树 7.2 ID3算法 7.3 C4.5算法 7.4 CART算法 |
1.理解有监督学习 2.理解ID3算法、C4.5算法和CART算法的优缺点和适用范围
|
第8章 神经网络 8.1 神经网络介绍 8.2 神经网络学习 8.3 深度学习
|
|
第9章 隐马尔可夫模型 9.1 隐马尔可夫模型基本概念 9.2 求解HMM的三个基本问题 |
1. 理解隐马尔可夫模型的基本概念 2. 重点掌握HMM的学习算法和预测算法 |
第10章 支持向量机 |
|
第11章 推荐系统 |
|
第12章 主成分分析 |
|
三、教学进度与学时分配
1、理论课(32学时)
第1章 概论 2学时
第2章 线性回归 4学时
第3章 逻辑回归 2学时
第4章 贝叶斯分类器 4学时
第5章 模型评估与选择 2学时
第6章 K-均值算法和EM算法 2学时
第7章 决策树 2学时
第8章 神经网络 4学时
第9章 隐马尔可夫模型 2学时
第10章 支持向量机 2学时
第11章 推荐系统 2学时
第12章 主成分分析 4学时
2、课堂实验课(16学时)
(1)波士顿房价预测的程序实现与讲解 4学时 设计性实验(必做)
实验目的:掌握线性回归算法的程序设计与编写,通过答辩实现学生的实践创新能力等综合素质能力的训练和提高。
(2)基于聚类的图像压缩程序实现与讲解 4学时 设计性实验(必做)
实验目的:掌握K-means迭代算法的程序设计与编写,通过答辩实现学生的实践创新能力等综合素质能力的训练和提高。
(3)手写数字识别的程序实现与讲解 4学时 设计性实验(必做)
实验目的:掌握神经网络算法的程序设计与编写,通过答辩实现学生的实践创新能力等综合素质能力的训练和提高。
(4)鸢尾花分类的程序实现与讲解 4学时 设计性实验(必做)
实验目的:掌握SVM算法的程序设计与编写,通过答辩实现学生的实践创新能力等综合素质能力的训练和提高。
3、课后实验课
(1)人脸识别的设计与实现 课后 设计性实验(选做)
实验目的:掌握CNN算法程序设计与编写、答辩等,训练学生的实践创新等综合素质能力。
(2)电影评论情感分析的设计与实现 课后 设计性实验(选做)
实验目的:掌握LSTM算法程序设计与编写、答辩等,训练学生的实践创新等综合素质能力。
四、教学方式
以OBE(学习产出)理念,明确课程教学目标及教学要点,反向设计课程教学环节和教学方法,依据教学效果持续改进课程教学。
课程教学目标:相关教学要点,培养机器学习的思维方式,掌握模式识别的基本方法和基本定理,建立算法实现的理论基础。
课程设计原则:数学概念、物理概念、工程概念并重;理论教学、实验教学、代码编写相结合;现代教育技术与传统理论教学相融合;做中学、学中做。
课程教学过程:为实现课程教学目标,将理论课程、课堂实践等统一安排有机结合,有序提升学生的分析方法的理论分析设计能力。
教学环节:课堂讲授、程序编写,学生PPT讲解答辩。
五、建议参考书
教 材:李航. 统计学习方法(第二版). 北京:清华大学出版社. 2019.5
参考书:1. 张学工. 机器学习入门之道. 人民邮电出版社. 2018
2. 赵卫东,董亮. 机器学习. 人民邮电出版社. 2018
3. 林荟. 套路!机器学习 北美数据科学家的私房课. 电子工业出版社. 2017
4. 袁梅宇. 机器学习基础:原理、算法与实践. 清华大学出版社. 2018.8
六、成绩评定方法
1、评分类型:百分制
2、总评成绩
平时成绩(含作业、出勤)10%;
实验成绩(预习报告占20%,实验操作情况占50%,实验报告占30%)30%;
期末考试60%;
3、评分标准
序号 |
考核内容 |
考核办法 |
1 |
平时成绩 |
评分形式:10级计分 根据平时课堂提问、课堂小测验和出勤情况给分。 |
2 |
实验成绩 |
评分形式:30级计分 根据学生每个实验的程序编写、课题PPT讲解和实验报告等档案的整理评分,最后根据权重综合评分。 |
3 |
期末考试 |
评分形式:百分制,开卷考试 共8-10道大题,满分100分,主要考核机器学习的基本理论和算法,包含监督、非监督学习等算法的分析及应用设计。 |