Hits:

Course Introduction:<table class="MsoTableGrid" border="1" cellspacing="0" cellpadding="0" width="992" style="width: 496.2pt;border: none;">
    <tbody>
        <tr>
            <td width="793" style="border: solid windowtext 1.0pt;">
                <p class="MsoNormal">
                    <span style="">该课程主要内容为机器学习的基本理论与基本方法。主要介绍机器学习的经典分支包括（但不限于）：</span><span>1</span><span style="">）、监督学习，重点介绍线性回归等回归模型、支持向量机等分类模型，以及</span><span>Boosting</span><span style="">等集成学习模型；</span><span>2</span><span style="">）、无监督学习，重点介绍</span><span>K-means</span><span style="">等聚类模型；</span><span>3</span><span style="">）、神经网络，重点介绍</span><span>BP</span><span style="">等传统神经网络模型，以及深度学习等模型；</span><span>4</span><span style="">）、机器学习前沿算法及应用，如迁移学习、强化学习等前沿，以及机器学习技术在图像目标检测、行为识别等领域的应用情况。课程教学主要讲授各算法的基本原理与推导过程，应用等，旨在让学生掌握各机器学习算法的算法思路及实现原理。课程亦包含机器学习各大算法的典型案例分析与动手实践模块，通过</span><span>2</span><span style="">次大作业形式让学生选择经典机器学习模型进行应用实践与分析验证，进一步加深对机器学习理论及算法应用的理解。课程以南京大学周志华教授的《机器学习》（清华大学出版社，</span><span>2016</span><span style="">）一书为参考教材，同时可参考</span><span>Andrew Ng</span><span style="">（</span><span>Stanford
  University</span><span style="">）的《</span><span>Machine Learning</span><span style="">》课程、</span><span>Tom Mitchell </span><span style="">（</span><span>Carnegie Mellon University</span><span style="">）的《</span><span>Machine Learning</span><span style="">》、以及</span><span>Fei-Fei Li</span><span style="">（</span><span>Stanford
  University</span><span style="">）的《</span><span>Convolutional Neural Networks for Visual Recognition</span><span style="">》课程。</span><span></span>
                </p>
            </td>
        </tr>
    </tbody>
</table>

Testing Method:笔试

School Year:2019-2020

Semester:Spring Term

Course number:(2019-2020-2)-EE369-2

Credits:2.0

Course Type:Undergraduate Course

Top-Quality Courses or Not:no

Maximum Number of Students:48

Required Class Hours:32.0