机器学习教与学（PPT课件+大纲+答案+源码+题库，陈锐）

✦

课程教学大纲

✦

1

课程基本描述

课程名称：机器学习

学时/学分：32/2

适用专业：计算机科学与技术、软件工程等

先修课程：人工智能

后续课程：深度学习

2

课程描述与目标

一、课程描述

机器学习是一门多领域交叉学科，涵盖计算机科学、概率论、模式识别和统计学等多个学科。机器学习是当前科学技术中正在迅速发展，新思想、新观点、新技术不断涌现的一种研究方法。机器学习是人工智能的一个分支，是现阶段解决很多人工智能问题的主流方法，被广泛应用于图像识别、语音识别、自然语言处理、个性化推荐、自动驾驶等领域。

二、课程目标

本课程可以使学生具备以下能力：

（1）掌握机器学习的经典算法和工作原理，能使用机器学习方法进行分类、聚类、回归分析。

（2）掌握机器学习经典算法的原理，了解其推理过程，能利用这些算法解决生活中的实际问题，并了解各种算法的优缺点和应用领域。

课程目标与毕业要求关系：

3

教学内容、教学要求及学时分配

4

课程考核方式

成绩评定依据平时作业成绩、期末课程报告进行核定。

期末课程报告成绩占总评成绩的 60%，平时作业成绩占总评成绩的 40%。

1. 课程目标达成考核评价方式及成绩评定方法

2. 课程目标与考核内容

3. 考核标准

（1）课程报告考核与评价标准

（2）作业考核标准

5

教材及参考书

✦

参考书籍

✦

6

内容简介、目录

内容简介

本书主要介绍机器学习经典算法的原理、实现及应用,并通过综合案例讲解如何将实际问题转换为机器学习算法进行求解。

全书共16章。本书主要内容包括机器学习概述、机器学习基础及 Python常用库、朴素贝叶斯分类器、k 近邻算法与非参数估计、聚类、回归分析、决策树、支持向量机、降维分析、人工神经网络、深度学习入门、推荐算法、基于协同过滤的推荐系统、零售商品销售额分析与预测、手写数字识别和基于深度学习的中文邮件分类。本书算法首先给出数学原理及公式推导过程,然后分别给出算法的原始实现和通过调用机器学习库实现两种实现方式,所有算法及案例均以 Python实现,以方便读者在实践编程中理解机器学习的经典算法。本书在讲解知识点的过程中,以润物细无声的方式融入思政元素。

本书可作为高等院校计算机、软件工程、大数据、人工智能等相关专业的本科生、研究生教材,也可作为 Python机器学习初学者的参考用书,同时适用于机器学习开发人员和研究人员进行查阅和使用。

目录

向上滑动阅览

第1章 机器学习概述

1.1 什么是机器学习

1.2 机器学习简史

1.2.1 萌芽期

1.2.2 发展期

1.2.3 蓬勃期

1.3 机器学习、人工智能、深度学习的关系

1.4 机器学习的相关概念

1.5 机器学习的任务

1.5.1 监督学习

1.5.2 无监督学习

1.5.3 半监督学习

1.5.4 强化学习

1.6 机器学习的一般步骤

1.7 本章小结

1.8 习题

第2章 机器学习基础及Python常用库

2.1 机器学习的Python基础与开发环境

2.1.1 Python开发环境简介

2.1.2 Python的基本语法

2.1.3 Python列表、元组、字典、集合

2.1.4 函数与类

2.1.5 NumPy中的array

2.1.6 Pandas中的 DataFrame

2.1.7 数据可视化

2.1.8 scikit-learn机器学习库

2.2 机器学习基础

2.2.1 张量

2.2.2 梯度下降

2.2.3 评估方法

2.2.4 常用数据集

2.3 本章小结

2.4 习题

第3章 朴素贝叶斯分类器

3.1 贝叶斯分类器的理论基础

3.1.1 贝叶斯定理的相关概念

3.1.2 贝叶斯决策理论

3.1.3 极大似然估计

3.2 朴素贝叶斯分类器的原理与设计

3.2.1 了解数据集

3.2.2 手工设计贝叶斯分类器

3.2.3 贝叶斯分类器的 Python实现

3.2.4 平滑方法

3.3 朴素贝叶斯分类算法的实现———鲈鱼和三文鱼的分类系统

3.3.1 算法实现

3.3.2 调用系统函数实现

3.4 正态贝叶斯分类器

3.5 贝叶斯网络

3.6 本章小结

3.7 习题

第4章 k 近邻算法与非参数估计

4.1 k 近邻算法的原理

4.2 k 近邻算法的应用———鸢尾花的分类

4.3 非参数估计

4.3.1 参数估计与非参数估计

4.3.2 非参数估计方法

4.3.3 非参数估计的一般推导

4.4 非参数估计算法的实现

4.4.1 利用直方图估计概率密度、分类

4.4.2 利用 Parzen矩形窗估计概率密度、分类

4.4.3 利用 Parzen正态核估计概率密度、分类

4.5 本章小结

4.6 习题

第5章 聚类

5.1 聚类算法简介

5.1.1 聚类算法的分类

5.1.2 距离度量的方法

5.2 K-means聚类

5.2.1 K-means聚类算法的思想

5.2.2 通过调用库函数实现聚类

5.3 基于密度的聚类———DBSCAN聚类

5.3.1 DBSCAN 算法的原理及相关概念

5.3.2 DBSCAN 聚类算法

5.4 基于层次的聚类———AGNES聚类

5.4.1 AGNES聚类算法的思想

5.4.2 AGNES算法的实现

5.5 高斯混合聚类

5.5.1 概率密度函数

5.5.2 高斯混合聚类算法的推导过程

5.5.3 高斯混合聚类算法思想

5.5.4 高斯混合聚类应用举例

5.6 各种聚类算法的比较

5.7 本章小结

5.8 习题

第6章 回归分析

6.1 回归分析概述

6.2 线性回归

6.2.1 单变量线性回归

6.2.2 多变量回归分析

6.2.3 多项式回归分析

6.3 逻辑回归

6.3.1 sigmoid函数与逻辑回归模型

6.3.2 梯度下降与推导过程

6.3.3 参数学习向量化

6.3.4 逻辑回归的 Python实现———乳腺良性与恶性肿瘤的预测

6.4本章小结

6.5 习题

第7章 决策树

7.1 决策树构造的基本原理

7.2 决策树构造的过程

7.3 决策树学习算法的思想及实现

7.4 决策树算法实现———泰坦尼克号幸存者预测

7.5 本章小结

7.6 习题

第8章 支持向量机

8.1 SVM 简介

8.1.1 线性可分与感知机

8.1.2 间隔最大化及线性SVM

8.2 线性SVM 算法的实现

8.3 非线性SVM 与核函数

8.3.1 线性不可分

8.3.2 对偶问题与核函数

8.3.3 非线性SVM 算法的实现

8.4 SVM 回归

8.5 SVM 算法的实现———鸢尾花的分类

8.5.1 sklearn中的SVC参数介绍

8.5.2 使用SVC对鸢尾花数据进行分类

8.6 本章小结

8.7 习题

第9章 降维分析

9.1 PCA

9.1.1 PCA 算法的思想

9.1.2 PCA 算法的推导过程

9.1.3 PCA 算法的实现

9.2 奇异值分解

9.2.1 特征值分解

9.2.2 SVD定义及性质

9.2.3 PCA 与SVD

9.2.4 SVD算法的实现及应用

9.3 本章小结

9.4 习题

第10章 人工神经网络

10.1 感知机

10.2 神经网络模型

10.3 BP神经网络算法的思想及实现

10.3.1 BP神经算法模型参数的学习过程

10.3.2 BP神经网络算法的实现

10.4 BP神经网络算法的实现———鸢尾花分类

10.5 本章小结

10.6 习题

第11章 深度学习入门

11.1 深度学习概述

11.1.1 什么是深度学习

11.1.2 为什么要进行深度学习

11.1.3 深度学习与机器学习的区别

11.2 卷积神经网络

11.2.1 CNN 模型结构

11.2.2 卷积

11.2.3 池化

11.2.4 构建 CNN 网络模型

11.3 循环神经网络

11.3.1 循环神经网络的基本结构

11.3.2 LSTM 网络

11.3.3 简单的 RNN 与 LSTM 算法实现

11.4 本章小结

11.5 习题

第12章 推荐算法

12.1 推荐系统简介

12.1.1 信息检索与推荐系统

12.1.2 推荐系统的发展历史

12.1.3 推荐系统的原理与分类

12.1.4 推荐系统的评估方法

12.2 基于最近邻的协同过滤推荐算法

12.2.1 基于近邻用户的协同过滤推荐

12.2.2 基于近邻项目的协同过滤推荐

12.2.3 算法实现

12.3 基于隐语义分析的推荐模型

12.4 基于标签的推荐算法

12.5 本章小结

12.6 习题

第13章 综合案例分析:基于协同过滤的推荐系统

13.1 数据探索与分析 274

13.2 基于项目的协同过滤电影推荐系统

13.3 本章小结

13.4 习题

第14章 综合案例分析:零售商品销售额分析与预测

14.1 问题描述与分析

14.2 数据探索与预处理

14.2.1 数据探索

14.2.2 属性特征的数值化

14.2.3 缺失值处理

14.3 特征选择

14.4 建立回归模型

14.4.1 线性回归模型

14.4.2 岭回归模型

14.4.3 Lasso回归模型

14.4.4 多项式回归模型

14.4.5 随机森林回归模型

14.5 超参数选择

14.6 本章小结

14.7 习题

第15章 综合案例分析:手写数字识别

15.1 图像的存储表示

15.2 数据预处理

15.2.1 将图像转换为文本

15.2.2 将矩阵转换为向量

15.3 基于kNN的手写数字识别

15.3.1 划分训练集和测试集

15.3.2 kNN 分类模型

15.3.3 kNN 分类模型评估

15.4 基于神经网络的手写数字识别

15.4.1 定义神经网络模型

15.4.2 主函数

15.5 本章小结

15.6 习题

第16章 综合案例分析:基于深度学习的中文邮件分类

16.1 文本预处理

16.1.1 中文分词

16.1.2 文本向量化

16.2 中文邮件分类算法及实现

16.3 本章小结

16.4 习题

参考文献

7

课件、视频示例

课件样例

视频样例

8

作业平台www.qingline.net

在公众号书圈后台回复【9787302665984】，下载本书配套的教学资源

单击页面下方【阅读原文】，订阅【教学大纲】栏目