# 机器学习概论（专业核心）

<figure><img src="/files/tkJZWmRRUuuEDvChgb29" alt=""><figcaption><p>课程教材</p></figcaption></figure>

## 课程简介

本门课是大数据学院开设的为数不多的专业核心课程。课程内容基本围绕西瓜书展开，课程PPT也基本与西瓜书一致。以期中考试为界，前半部分（1-8章）主要讲授监督学习的方法，其中包括模型的评估、线性模型、决策树、支持向量机、贝叶斯分类器、基本的神经网络和集成模型；后半部分（9-14章）为无监督学习方法，主要讲授聚类、降维、特征选择与概率图模型（其中12章未讲授，13章简要讲授）；除此之外，还补充了概率图模型中的Topic Model（LDA算法），讲授了与之相关的变分推断和吉布斯采样方法，这一部分的数学思想比较深刻，理解有一定难度。

## 前置知识涉及的课程

概率论与数理统计，数据分析及实践（Python语言）、线性代数

## 往年经验

这门课具有一定量的数学推导，可以与南瓜书配合学习。考试的内容比较偏向数学（尤其是概率部分，例如考察分布的先验等），与课后习题的考察内容的形式方向类似（课后习题会涉及往年考题）。期中开卷，期末考试开卷（只携带纸质文档），考察内容会涉及到一些凸优化相关的基础的思想与算法，以及上课讲授的模型的计算如手算决策树、手算反向传播等。实验包括逻辑回归、Xgboost、聚类、LDA（较为复杂，但时间充裕，截止时间除夕夜）四个实验，需要一定的Python编程基础。讲授内容中的Topic Model部分可以在PRML上找到（相关内容占了3章），可以借鉴其中内容和课后习题，这一部分是期末考试的压轴题。

## 与后续课程的联系

AI相关研究的基础内容，为之后的深度学习导论打下基础。

## 课程资源

{% embed url="<https://rec.ustc.edu.cn/share/b71caf80-be48-11ed-91b5-f7d1766e2c1e>" %}

## 目录

<details>

<summary>机器学习概论教学大纲</summary>

绪论

模型评估与选择

线性模型

决策树

神经网络

支持向量机

贝叶斯分类器

集成学习

聚类

降维与度量学习

特征选择与稀疏学习

概率图模型

</details>


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://advancedguideforsds.gitbook.io/advancedguide/pei-yang-fang-an-jie-xi/da-san-qiu-ji-xue-qi/ji-qi-xue-xi-gai-lun-zhuan-ye-he-xin.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.