Course Introduction:<p class="MsoNormal" style="text-indent: 11.0pt;">    机器学习是一门多领域交叉学科，涉及概率统计、最优化、算法复杂性、神经科学等多门学科。研究计算机怎样模拟或实现人类的感知、推理、决策、学习行为。重点研究数据驱动的预测系统的学习与推理问题，使得预测系统具有优化的泛化能力和环境适应能力。<span></span></p><p class="MsoNormal">    本课程旨在介绍机器学习中的基本问题、基础理论和核心算法，并通过课程设计提升学生的系统建模能力和系统实现能力。本课程主要讲授内容包括：机器学习基础、学习机理与优化算法、线性回归与分类、逻辑斯蒂回归、决策树与随机森林、支持向量机、核方法和正则化学习、神经网络与深度学习、数据降维与聚类、隐变量模型与表征学习、概率图模型、前沿课题。<span></span></p>本强化课程重点体现在：强调交叉性，特别机器学习与认知神经科学之间的紧密关联；强化学生的系统建模能力与系统实现能力。在课程学习过程中布置相应的模型与算法实现任务，要求学生设计机器学习程序来完成多个人工智能任务。最终通过一个综合的课程设计训练学生综合解决实际问题的能力。
Testing Method:笔试
School Year:2024-2025
Semester:Autumn Term
Course number:(2024-2025-1)-CS3339-01
Credits:3.0
Course Type:Undergraduate Course
Top-Quality Courses or Not:no
Maximum Number of Students:30
Required Class Hours:48.0