机器学习方法与应用  081002M05001H

学期:2020—2021学年(春)第二学期 | 课程属性:专业普及课 | 任课教师:叶齐祥
授课时间: 星期三,第3、4 节
授课地点: 教一楼209
授课周次: 3、4、5、6、7、8、9、10、11、12、13、14、15
授课时间: 星期五,第3、4 节
授课地点: 教一楼209
授课周次: 3、4、5、6、7、8、9、10、11、12、13、14、15
课程编号: 081002M05001H 课时: 50 学分: 3.00
课程属性: 专业普及课 主讲教师:叶齐祥 助教:
英文名称: Machine Learning Methods and Applications 召集人:

教学目的、要求

课程为电子工程、信号与信息处理、遥感应用技术等学科的专业基础课。讲述机器学习的方法与最新进展;要求学生掌握机器学习的基本理论与主流方法,并初步具有使用合适的方法解决实际应用问题的能力,为信号处理与分析、大规模图像处理与理解奠定理论基础。

预修课程

概率论、线性代数;初步的C语言或Matlab编程基础。

教 材

Machine Learning: a Probabilistic Perspective,” by Kevin Patrick Murphy 2014.

主要内容

第一部分:机器学习方法讲授 
 第1节:概 论:机器学习概述、以决策树学习为例
 第2节:概率模型:Bayes模型与高斯混合概率模型
 第3节:数据回归方法介绍:线性、非线性回归
 第4节:基于样例的方法:k近邻分类与支撑向量机 
 第5节:稀疏与字典学习(Dictionary Learning)
 第6节:分类器组合:从Boosting到Random Forest
第7节:神经网络:BP神经网,深层网络与大规模机器学习
 第8节:无监督学习、聚类与主题模型(Latent Dirichlet Allocation-LDA)
第9节:数据预处理与数据降维
 第10节:实例分析:工业数据回归分析、图像识别、音频数据分析

 第二部分:实验和研讨
 第11节:SVM基础知识回顾与代码库(LibSVM, Liblinear) 的使用
 第12节:基于线性SVM的图像目标检测研讨
 第13节:Latent SVM 方法研讨及视觉目标识别实验
 第14节:深度学习算法研讨
 第15节:深度学习与图像分类识别实验

参考文献

斯坦福大学,Andrew N.G. 机器学习开放课程视频
CMU, Eric Xing, 机器学习开放课程