预备知识
微积分、线性代数、一门高级编程语言


课程大纲

01课程概论
理解机器学习的主要概念、研究的核心、研究方法以及问题的边界，理解学习本课程后能做什么。
课时
1.1 机器学习定义
1.2 机器学习任务的分类
1.3 机器学习算法的过程
1.4 没有免费午餐定理
1.5 学习完这门课后，我们能够做什么？

02支持向量机
理解支持向量机算法的理论，掌握基于LIBSVM的支持向量机分类问题程序设计，了解评价机器学习算法好坏的标准。
课时
2.1 支持向量机（线性可分定义）
2.2 支持向量机（问题描述）
2.3 支持向量机（优化问题）
2.4 支持向量机（线性不可分情况）
2.5 支持向量机（低维到高维的映射）
2.6 支持向量机（核函数的定义）
2.7 支持向量机（原问题和对偶问题）
2.8 支持向量机（转化对偶问题）
2.9 支持向量机（算法总体流程）
2.10 支持向量机（兵王问题描述）
2.11 支持向量机（兵王问题 程序描述设计）
2.12 支持向量机（兵王问题MATLAB程序）
2.13 识别系统的性能度量
2.14 支持向量机（多类情况）

03人工神经网络
了解人工神经网络的历史发展，理解感知器算法、多层神经网络的后向传播算法，掌握基于人工神经网络分类问题的程序设计。
课时
3.1 人工神经网络（神经元的数学模型）
3.2 人工神经网络（感知器算法）
3.3 人工神经网络（感知器算法的意义）
3.4 人工神经网络（人工神经网络的第一次寒冬）
3.5 人工神经网络（三层神经网络可以模拟的任意非线性函数）
3.6 人工神经网络（梯度下降法）
3.7 人工神经网络（后向传播算法）上
3.8 人工神经网络（后向传播算法）下
3.9 人工神经网络（后向传播算法应用中的问题）
3.10 人工神经网络（兵王问题的MATLAB程序）
3.11 人工神经网络（参数设置中更深入的问题）

04深度学习
了解深度学习的历史发展，理解自动编码器、卷积神经网络等基础的深度学习算法，理解目标检测和分割、生成对抗网络、RNN和LSTM等具体领域的常用深度学习模型，能够运用CAFFE、TENSORFLOW和PYTORCH等深度学习框架开发具体的深度学习算法。
课时
4.1 深度学习（历史发展）
4.2 深度学习（自编码器）
4.3 深度学习（卷积神经网络LENET）
4.4 深度学习（卷积神经网络ALEXNET）
4.5 深度学习的编程工具Tensorflow
4.6 深度学习的编程工具CAFFE
4.7 深度学习（近年来流行的卷积神经网络）
4.8 目标检测与分割上
4.9 目标检测与分割下
4.10 时间序列的深度学习模型（RNN和LSTM）

05强化学习
了解强化学习的基本算法：Q-Learning，epsilon-greedy算法，深度强化学习（DQN）算法，policy gradient 和 actor-critic算法。了解强化学习和深度学习在ALPHAGO围棋程序中的应用。
课时
5.1 强化学习（Q-Learning和epsilon-greedy算法）
5.2 强化学习（深度强化学习）
5.3 强化学习 (policy gradient 和 actor-critic算法）
5.4 强化学习 (AlphaGo 上）
5.5 强化学习 (AlphaGo 下）

06传统的机器学习
理解三种传统的非监督学习算法，主成分分析，K-均值聚类和高斯混合模型，了解人工智能的哲学知识。
课时
6.1 主成分分析
6.2 K-均值聚类
6.3 高斯混合模型
6.4 人工智能中的哲学