个人信息 | 研究兴趣 | 重要时间 | 论著成果 | 科研项目 | 荣誉奖励 | 教学工作 | 留言板 | 下载中心
培养方案
教学任务
历年课表

王磊

学科：人工智能、数据分析

邮箱：sfoh007@gmail.com

地址：陕西省商洛市北新街10号商洛学院综合楼8-805室(邮编:726000)

| |

主授课程

学科竞赛

《机器学习》

基本信息

【主讲教师】王磊

【课程概述】随着大数据和人工智能时代的到来，机器学习的算法和思想已经深入渗透到信息处理领域的方方面面。在未来的十年内，掌握基础的机器学习理论和方法，可能是每一位受过专业教育的工程技术人员的基本要求之一。本课程主要针对机器学习这个领域，重点介绍了机器学习中的核心算法和理论，使学生通过理论学习掌握机器学习中的经典理论，了解当前最新发展，并学会针对各自学科的具体问题设计算法。具体要求学生掌握支持向量机，人工神经网络、深度学习、强化学习、主成分分析、K-均值聚类和高斯混合模型。同时，课程规划了一系列编程训练，提高同学们应用机器学习解决实际问题的能力。本课程主要讲授机器学习和人工智能的基本概念、方法和应用。主要包括以下内容：

1.机器学习概念和常用方法分类

2.损失函数、优化方法

3.机器学习基本算法，包括决策树、K近邻、支持向量机、线性回归、逻辑回归、感知器、深度学习、KMeans、EM算法

4.机器学习合奏学习算法，包括Boosting、AdaBoost、GDB等

5.机器学习理论和实验准则，模型复杂度和方差均衡策略，交叉验证方法

【授课目标】王磊

【预备知识】王磊

【授课方式】线下理论课（32学时） + 线下上机课（16学时） + 线上答疑（钉钉群），3学分

【考核方式】总评成绩 = 平时成绩（占10%） + 实验成绩（占40%）+ 期末考试成绩（占50%）；其中，平时成绩 = 课堂考勤（占30%） + 书面作业（占70%），实验成绩 = 实验报告 + 电子作业

【推荐教材】《机器学习》，周志华著，北京，清华大学出版社，2016年

【参考书】《机器学习实战》，Harrington著，北京，人民邮电出版社，2013年

《深度学习》，Goodfellow著，北京，人民邮电出版社，2017年

电子课件

*本课件版权私有，仅供学习目的，不可用于商业行为，请勿上传网络共享，使用时请注明来源。

章节	内容	下载
第0讲：课程说明	课程目标、性质、内容、基本信息，授课方式、章节安排、考核方法、实验环境、推荐书目、学习资料、前期准备等	00机器学习-课程说明.pdf
第1讲：引言	机器学习基本概念、任务，以及数学基础知识和发展历史	01机器学习-引言.pdf
第2讲：机器学习库sklearn	python、numpy、pandas和sklearn的基本语法	02机器学习-机器学习库Scikit-learn.pdf
第3讲：聚类	K-Means、DBSCAN、层次聚类，聚类结果的评价指标	03机器学习-聚类.pdf
第4讲：回归	线性回归、逻辑回归，回归结果的评价指标	04机器学习-回归.pdf
第5讲：分类之KNN算法	KNN、距离度量、KD-Tree的划分和搜索	05机器学习-分类之KNN算法.pdf
第6讲：分类之决策树	决策树处理流程、最优化分属性选择、随机森林	06机器学习-分类之决策树.pdf
第7讲：分类之支持向量机	SVM常用核函数（线性核、多项式核等）、SVC	07机器学习-分类之支持向量机.pdf
第8讲：分类之人工神经网络	ANN发展历史、人工神经元结构、MLP、BP、链式推导	08机器学习-分类之人工神经网络.pdf
第9讲：集成学习	集成学习原理及分析，AdaBoost、GBDT、XGBoost算法	09机器学习-集成学习.pdf
第10讲：降维	降维算法概述；SVD、PCA方法	10机器学习-降维.pdf
第11讲：机器学习实践	数据集划分；特征工程；结果评价指标；拟合；正则化等	11机器学习-机器学习实践.pdf
第12讲：深度学习简介	主流深度学习模型，如CNN、RNN、GAN、GNN、Transformer	12机器学习-深度学习简介.pdf
讨论课：AI带来的挑战与思考	梳理最近AI发展的大事件；简述目前AI所面临的伦理挑战或困境；简述目前AI对经济和社会的冲击；面对AI带来的变革，我们的思考和对策	机器学习-讨论课：AI伦理与现实思考 - 副本.pdf

上机实验

*共9大类实验（31项实验任务），总计66关，具体实验见头歌实验平台。

实验	内容	要求	资料
实验一、Python基础
1.Python初识	（共5关，分别是Hello Python!、我想看世界、学好Python、根据圆的半径计算周长和面积、货币转换）
2.Pandas基础	（共8关，分别是了解数据处理对象--Series、了解数据处理对象-DataFrame、读取CSV格式数据、数据的基本操作——排序、数据的基本操作——删除、数据的基本操作——算术运算、数据的基本操作——去重、层次化索引）
3.Pandas进阶	（共2关，分别是Pandas分组聚合、Pandas创建透视表和交叉表）
4.NumPy基础	（共5关，分别是ndarray对象、形状操作、基础操作、随机数生成、索引与切片）
5.NumPy进阶	（共5关，分别是堆叠操作、比较、掩码和布尔逻辑、花式索引与布尔索引、广播机制、线性代数）
实验二、数据预处理
1.数据预处理	（共6关，分别是标准化、非线性转换、归一化、离散值编码、生成多项式特征、估算缺失值）
实验三、聚类算法
1.Kmeans算法	（共3关，分别是距离度量、什么是质心、k-means算法流程、sklearn中的k-means）	交试验报告	人工智能导论-实验3 K-means.pdf
2.EM算法	（共3关，分别是极大似然估计、实现EM算法的单次迭代过程、实现EM算法的主循环）
3.DBSCAN算法	（共3关，分别是DBSCAN算法的基本概念、DBSCAN算法流程、sklearn中的DBSCAN）
4.AGNES算法	（共3关，分别是距离的计算、AGNES算法流程、红酒聚类）
实验四、回归算法
1.支持向量回归	（共5关，分别是线性可分支持向量机、线性支持向量机、非线性支持向量机、序列最小优化算法、支持向量回归）
2.线性回归	（共4关，分别是简单线性回归与多元线性回归、线性回归的正规方程解、衡量线性回归的性能指标、scikit-learn线性回归实践 - 波斯顿房价预测）	交试验报告	人工智能导论-实验4 线性回归.pdf
3.逻辑回归	（共5关，分别是逻辑回归核心思想、逻辑回归的损失函数、梯度下降、动手实现逻辑回归 - 癌细胞精准识别、手写数字识别）
实验五、分类算法
1.KNN算法	（共6关，分别是kNN算法原理、使用sklearn中的kNN算法进行分类、使用sklearn中的kNN算法进行回归、分析红酒数据、对数据进行标准化、使用kNN算法进行预测）	交试验报告	人工智能导论-实验5-1 KNN.pdf
2.神经网络	（共4关，分别是神经网络基本概念、激活函数、反向传播算法、使用pytorch搭建卷积神经网络识别手写数字）	交试验报告	人工智能导论-实验5-2 神经网络.pdf
3.朴素贝叶斯分类器	（共5关，分别是条件概率、贝叶斯公式、朴素贝叶斯分类算法流程、拉普拉斯平滑、新闻文本主题分类）
4.决策树	（共7关，分别是什么是决策树、信息熵与信息增益、使用ID3算法构建决策树、信息增益率、基尼系数、预剪枝与后剪枝、鸢尾花识别）
5.多分类学习	（共2关，分别是OvO多分类策略、OvR多分类策略）
6.感知机	（共2关，分别是感知机 - 西瓜好坏自动识别、scikit-learn感知机实践 - 癌细胞精准识别）
实验六、模型评估与选择
1.模型评估、选择与验证	（共10关，分别是为什么要有训练集与测试集、欠拟合与过拟合、偏差与方差、验证集与交叉验证、衡量回归的性能指标、准确度的陷阱与混淆矩阵、精准率与召回率、F1 Score、ROC曲线与AUC、sklearn中的分类性能指标）
2.聚类性能评估指标	（共3关，分别是外部指标、内部指标、sklearn中的聚类性能评估指标）
3.分类性能评估指标	（共4关，分别是准确度的陷阱与混淆矩阵、精准率与召回率、F1 Score、ROC曲线与AUC、sklearn中的分类性能指标）
实验七、集成学习
1.Adaboot算法	（共4关，分别是什么是集成学习、Boosting、Adaboost算法流程、sklearn中的Adaboost）
实验八、降维算法
1.PCA算法	（共3关，分别是维数灾难与降维、PCA算法流程、sklearn中的PCA）	交试验报告	人工智能导论-实验8 PCA.pdf
实验九、机器学习项目实战
1.美国教育数据分析	（共3关，分别是认识数据、数据预处理、数学成绩预测）
2.罗斯福国家森林树木类型识别	（共3关，分别是初窥数据、特征选择、树木类型识别）
3.共享单车租赁需求预估	（共3关，分别是数据探索与可视化、特征工程、租赁需求预估）