机器学习及数据挖掘 .docVIP

附件5． 图像所 学院（系、所）全英 研究生课程简介(中英文各一份) 课程名称：机器学习与数据挖掘 课程代码：186.602 课程类型：□ 博士专修课程 ■ 硕士专修课程 考核方式： 全英文考试 教学方式：全英文讲授 适用专业： 理工类各专业 适用层次：■ 硕士 ■ 博士 开课学期： 春 总学时：32 学分：2 先修课程要求：矩阵论，概率论与数理统计 课程组教师姓名 职 称 专 业 年 龄 学术方向 谭毅华 副教授 模式识别与智能系统 37 计算机视觉/机器学习 张钧 副教授 模式识别与智能系统 46 计算机视觉/机器学习 姜军 讲师 模式识别与智能系统 42 机器学习 课程负责教师留学经历及学术专长简介： 2010.8-2011.8，美国Purdue大学地理信息系统系从事机器学习在高光谱图像分类应用的研究工作。主要研究方向为图像/视频压缩和分析、智能视觉监控、遥感图像目标检测和识别。在这三个研究方向，作为项目主持人或技术负责人完成了十多项科研项目，包括民用航天预研项目、总装预研项目、863计划项目等，发表论文四十余篇，其中SCI，EI索引二十余篇，申请发明专利8项，获得实用新型专利授权1项，技术发明专利4项。 课程教学目标： 机器学习和数据挖掘通过设计计算机程序实现从过去经验学习和从数据中发现模式。通过本课程的学习，可掌握数据挖掘的基本概念和常用工具，如关联规则、回归预测和聚类。通过对机器学习理论方面的学习，可掌握算法的数学推导和实现过程，进而在实际的应用领域选择合适的机器学习算法或改进机器学习算法。具体内容包括：数据预处理、回归及其优化算法、无监督学习与有监督分类算法、核方法、学习理论以及关联规则等。 第一章 绪论 (1 lecture) §1.1 机器学习与数据挖掘的关系 §1.2 数据挖掘的任务 §1.3 数据挖掘实例 第二章 数据预处理(1 lecture) §2.1 数据清理 §2.2 数据集成与变换 §2.3 数据消减 §2.4 数据的层次概念生成 第三章 回归 (2 lectures) §2.1 线性回归 §2.2 梯度下降与随机梯度下降法 §2.3 牛顿法 §2.4 线性回归的概率解释 第四章 分类(2 lectures) §4.1 k近邻法 (kNN) §4.2 朴素贝叶斯 §4.3 决策树 §4.4 逻辑回归 §4.5 广义线性模型及 softmax 回归 第五章 核方法 （3 lectures） §5.2 SVM §5.3 凸优化 §5.4 高斯过程 第六章 正则化 (2 lectures) §6.1 L2 正则化 §6.2 L1 正则化,稀疏性和特征选择 §6.3 偏差-方差的平衡 §6.4 过约束 §6.5 互交叉, 模型选择 第七章 学习理论 （1 lectures） §7.2 VC 维 §7.3 PAC 学习 §7.4 误差边界 第八章 无监督学习(2 lectures) §8.1 分层聚类 §8.2 混合高斯 (EM) §8.3 PCA,ICA §8.4 流形学习: ISOMAP,LLE §8.5 稀疏编码 第九章 关联规则 (2 lectures) §9.1 基本概念 §9.2 单层布尔关联规则 §9.3 多层关联规则 §9.4 关联规则与互相关 §9.5 基于约束的关联挖掘 考试方式：开卷考试，平时成绩40%+考试成绩60% 全英文教材： 1. Hastie, Tibshirani and Friedman .The Elements of Statistical Learning, Springer-Verlag,2011. /~tibs/ElemStatLearn/ 2. Jiawei Han, Micheline Kamber and Jian Pei. Data Mining: Concepts and Techniques, 3rd ed. Morgan Kaufmann Publishers, July 2011. /~hanj/bk3/ 主要参考书： 1. Chris Bishop.Pattern Recognition and Machine Learning. Springer, 2006. 2. Mackay. Information Theory,Inference,and Learning Algorithms. Cambridge University Press