□通识教育选修课□专业选修课实验（上机）学时：1机器学习与模式识别》教学大纲课程编号：071243B课程类型：□通识教育必修课■专业必修课□学科基础课总学时：48讲课学时：32学分：3适用对象：计算机科学与技术专业先修课程：程序设计基础与应用、数据结构、高等数学、算法导论一、教学目标《机器学习与算法导论》是计算机科学技术专业的一门专业选修课程。本课程是面向计算机技术开设的专业选修课。其教学重点是使学生掌握常见机器学习算法，包括算法的主要思想和基本步骤，并通过编程练习和典型应用实例加深了解；同时对机器学习的一般理论，如假设空间、采样理论、计算学习理论，以及无监督学习和强化学习有所了解。模式识别部分是研究计算机模式识别的基本理论、方法和应用。通过本课程的学习，使学生掌握模式识别的基本概念、基本原理、基本分析方法和算法，培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力。学生通过本门课程的学习，能够对机器学习和模式识别的内容有一个较为全面的了解和认识，更深刻地理解机器学习的实质内容，使学生具备前沿的计算机技术必要的专业知识。从而，为学生今后从事计算机技术应用与计算机技术前沿研究，以及相关领域的科学研究做好理论和技术上的准备。目标1：通过对机器学习与模式识别基本概念、原理、和基本方法的讲解，让学生理解并掌握机器学习和模式识别的基本技术。目标2：培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力。目标3：鼓励学生运用知识解决各自学科的实际问题，培养他们的独立科研的能力和理论联系实际的能力。二、教学内容及其与毕业要求的对应关系（黑体，小四号字）本课程主要介绍决策论与信息论基础、概率分布、回归的线性模型、分类的线性模型、核方法、支持向量机、图模型、混合模型和期望最大化、隐Markov模型和条件随机场模型、统计决策方法、概率密度函数的估计、线性分类器、非线性分类器、其他分类方法、特征选择、特征提取、非监督模式识别、模式识别系统的评价等。通过教学和实践，培养学生运用数学工具和方法分析问题和从多角度运用数学工具解决问题的基本能力，培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力，训练学生的逻辑思维能力和想象力。在教学中，鼓励学生运用算法知识解决各个学科的实际计算问题，培养学生初步的独立开展科研工作的能力和理论联系实践，解决实际问题的能力，同时，为后续课程以及将来的研究工作提供必要的基础。此外，配合实验课程的教学，学生应理论联系实际，理论指导实践，通过规范地完成项目实践进一步巩固所学的相关书本知识，在知识、能力、素质上得到进一步的提高。三、各教学环节学时分配教学课时分配序号章节内容讲课实验其他合计第一章绪论22第二章概率分布22第三章回归的线性模型224第四章分类的线性模型224第五章神经网络325Aye、.V7-.第八早核方法224第七章稀疏核集224第八章图模型224第九章混合模型和EM22第十章隐Markov模型和条件随机场模型22第十章特征选择224第十二章特征提取22第十三章非监督模式识别22第十四章模式识别系统的评价325总复习结课复习22合计321648四、教学内容第1章绪论教学重点、难点：决策论与信息论基础、损失函数、错分率的最小化、期望损失的最小化等；相对熵、互信息。模式与模式识别、模式识别的主要方法、监督模式识别与非监督模式识别、模式识别系统举例、模式识别系统的典型构成。课程的考核要求：熟悉机器学习与模式识别的基本定义和术语；基本数学知识。了解：了解机器学习与模式识别的研究范围和内容。理解：决策论与信息论基础、损失函数、错分率的最小化、期望损失的最小化等；相对熵、互信息。模式与模式识别、模式识别的主要方法、监督模式识别与非监督模式识别、模式识别系统举例、模式识别系统的典型构成等概念。掌握：掌握决策论与信息论基础、模式识别的主要方法。应用：与实际问题相呼应。复习思考题：见参考文献。第2章概率分布教学重点、难点：高斯分布、混合高斯分布、Dirichlet分布、beta分布课程的考核要求：熟悉最大似然估计、贝叶...
