蚂蚁文库
换一换
首页 蚂蚁文库 > 资源分类 > PDF文档下载
 

机器学习教学大纲

  • 资源ID:55594309       资源大小:119.71KB        全文页数:2页
  • 资源格式: PDF        下载权限:游客/注册会员    下载费用:10积分 【人民币10元】
快捷注册下载 游客一键下载
会员登录下载
三方登录下载: 微信快捷登录 QQ登录  
下载资源需要10积分 【人民币10元】
邮箱/手机:
温馨提示:
支付成功后,系统会自动生成账号(用户名和密码都是您填写的邮箱或者手机号),方便下次登录下载和查询订单;
支付方式: 微信支付    支付宝   
验证码:   换一换

 
友情提示
2、PDF文件下载后,可能会被浏览器默认打开,此种情况可以点击浏览器菜单,保存网页到桌面,既可以正常下载了。
3、本站不支持迅雷下载,请使用电脑自带的IE浏览器,或者360浏览器、谷歌浏览器下载即可。
4、本站资源下载后的文档和图纸-无水印,预览文档经过压缩,下载后原文更清晰   

机器学习教学大纲

机器学习教学大纲机器学习教学大纲 英语名称英语名称Machine Learning 开课学期开课学期第二学年一学期 总学时数总学时数54 学时 一、教学对象一、教学对象 本大纲适应于综合大学计算机科学与技术专业研究生 二、教学目的二、教学目的 自从计算机被发明以来,人们就想知道它们能不能学习。如果我们理解了计算机学习的内在机制,即怎样使 它们根据经验来自动提高,那么影响将是空前的。 目前,我们还不知道怎样使计算机的学习能力和人类相媲美。 同时机器学习从本质上又是一个多学科的领域。 它吸取了人工智能、概率统计、计算复杂性理论、控制论、信息论、哲学、生理学、神经生物学等学科的成果。 但是一些针对特定学习任务的算法已经产生。关于学习的理论认识已开始逐步形成。人们开发出了很多实践性的 计算机程序来实现不同类型的学习,一些商业化的应用也已经出现。本课主要针对机器学习这个领域,重点介绍 机器学习中的核心算法和理论,具体描述了多种学习范型、算法、理论以及应用。 三、教学要求教学要求 教学内容本着少而精的原则,突出重点,深入浅出,在重视基础理论的同时,注意培养学生独立思考的能力, 同时注意引导学生用学到的理论来解决本方向中的一些实际的问题,达到为研究生开设这门课的意义和目的。 四、主要教学内容 本课程的讲授分为 8 章 (一)绪论((一)绪论(4 4 学时)学时) 机器学习的一般原理及相关概念 学习问题的标准描述 设计一个学习系统 选择训练方式 选择目标函数 选择目标函数的表示 选择函数逼近算法 最终的设计 (二)概念学习和一般到特殊序((二)概念学习和一般到特殊序(4 4 学时)学时) 概念学习的定义和基本方法 概念学习的任务和基本术语(实例,目标概念,训练样例,正例,反例,假设) 归纳学习的方法。 搜索的概念学习。 假设的一般到特殊序 Find-S 算法寻找极大特殊假设。 变型空间和候选消除算法 学习结果的评价。 (三)决策树学习((三)决策树学习(6 6 学时)学时) 决策树学习的基本原理、算法和表示法。 属性选择度量标准的基本原理。 基本的决策树学习算法 ID3 决策树学习中的假设空间搜索 决策树学习的归纳偏置 决策树学习的常见问题过度拟合, 连续值属性等和常用的处理方法 (修剪, 定义新的离散值属性等) (四)人工神经网络((四)人工神经网络(6 6 学时)学时) 神经网络的基本原理和表示方法。 感知器的基本原理和训练法则(梯度下降和delta 法则)的基本原理 反向传播算法(BP)和训练法则。 反向传播算法的其它问题收敛性、局部极小值等。 (五)(五)评估假设((3 3 学时)学时) 对假设的精度进行经验的评估是机器学习中的基本问题。它包含 估计假设精度(样本错误率、真实错误率、置信区间等) 采样理论基础和方法 学习方法的比较 (六)贝叶斯学习((六)贝叶斯学习(6 6 学时)学时) 贝叶斯公式的基本原理、先验概率,后验概率的概念。 Brute-Force 贝叶斯概念学习的基本原理和贝叶斯法则的应用 MAP 假设和一致学习器 极大似然、最小描述长度准则和最小误差平方假设原理和应用 贝叶斯最优分类器原理和算法 朴素贝叶斯分类器算法和它在文本分类中的应用 EM 算法的原理、实现和应用 (七)计算学习理论((七)计算学习理论(3 3 学时)学时) 本章从理论上刻画了若干类型的机器学习问题中的困难,和若干类型的机器学习算法的能力。基本内容 包含 样本复杂度 (Sample complexity) 、 计算复杂度Computational complexity和出错界限 (Mistake bound) 。 可能学习近似正确假设假设的错误率、PAC 可学习性 有限假设空间的样本复杂度 无限假设空间的样本复杂度 VC 维 (八)基于实例的学习((八)基于实例的学习(3 3 学时)学时) 基于实例的学习基本原理 k-近邻法算法及实现 距离加权最近邻算法 (九)增强学习((九)增强学习(3 3 学时)学时) 增强学习基本原理一个能够感知环境的自治agent,怎样学习选择能达到其目标的最优动作。 学习的任务获得一个控制策略,以选择能达到目的的行为。 Q-学习算法的原理和实现 其它问题Q 函数的设计、算法的收敛性、实验策略等 四、考核四、考核 本课程种类考查课,可采取期末书面考查或论文撰写等形式。 五、实践环节(五、实践环节(1616 学时)学时) 实验内容 利用 java 语言进行编程设计实现下面的算法 决策树算法的设计与实现 人工神经网络(BP 算法的设计和实现) 贝叶斯分类器的设计与实现 K-近邻算法的设计与实现 Q(增强)学习算法的设计与实现 专题讨论(书面或口头形式) 六、教科书六、教科书 Machine learning TOM M. MITCHELL机械工业出版社

注意事项

本文(机器学习教学大纲)为本站会员(wangxing102)主动上传,蚂蚁文库仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对上载内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知蚂蚁文库(发送邮件至2303240369@qq.com或直接QQ联系客服),我们立即给予删除!

温馨提示:如果因为网速或其他原因下载失败请重新下载,重复下载不扣分。




关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们


网站客服QQ:2303240369

copyright@ 2017-2027 mayiwenku.com 

网站版权所有  智慧蚂蚁网络

经营许可证号:ICP备2024020385号



收起
展开