一、课程简介

《机器学习》是计算机科学与人工智能的重要分支领域。本课程面向硕士研究生，系统性地教授机器学习（ML）的发展背景、主要理论、技术及其最新发展趋势，并开展课堂研讨充分调动学生学习主动性，使学生深入了解该领域的研究对未来社会发展的重要影响, 掌握机器学习的最新理论、方法的基本原理和初步应用，激发人工智能领域创新创业的兴趣。

《机器学习》作为该领域的入门课程，在内容上尽可能涵盖机器学习基础知识的各方面。全课程共9章，大致分为3个部分：第1 部分（第1～3 章）介绍机器学习的基础知识；第2部分（第3～7章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、无监督学习）；第3 部分（第8～9章）为进阶知识，内容涉及深度学习和强化学习。

"Machine Learning" is an important branch of computer science and artificial intelligence. As an introductory course in this field, "Machine Learning" covers all aspects of the basics of machine learning as much as possible in content. The whole course consists of 9 chapters, roughly divided into 3 parts: Part 1 (Chapters 1 to 3) introduces the basic knowledge of machine learning; Part 2 (Chapters 3 to 7) discusses some classic and commonly used machine learning methods (decision trees, neural networks, support vector machines, unsupervised learning); Part 3 (Chapters 8-9) is advanced knowledge, and the content involves deep learning and reinforcement learning.

二、教学目标与特色

机器学习源于计算机科学，研究计算机怎样模拟或实现人类的学习能力和行为，以获取新的知识或技能、重新组织已有的知识结构使之不断改善自身的性能。本课程将从机器学习的原理和应用两方面进行讲解、实践和研讨。通过本课程教学，使学生了机器学习的主要经典及前沿方法体系，掌握基础知识和基本原理，具备根据实际问题选择相应的机器学习方法并建立机器学习模型的工程应用能力。

主要特色：

（1）跟踪前沿方法和经典应用，推荐开创性经典文献；

（2）关注学科思维培养、数学之美与螺旋进步的创新逻辑；

（3）实践出真知，引入业界先进技术平台开展挑战性实践。

主要实践作业：

作业1：MindSpore（CPU）手写数字识别

作业2：调研图像分割迁移或语义分割开源项目，并采用CPU或GPU实现推理应用，给出运行过程和结果。

作业3：ModelArts 花卉识别

项目1：用昇腾910训练训练LeNet for MindSprore模型

项目2：Atlas200DK手写数字识别，采用项目1得到的模型

课堂实践：体验远程推理集群平台

项目3：创新推理应用设计，推荐采用远程推理模型

三、特色资源

[1] 远程推理集群实验平台（已投入软硬件总价值约9.5万元）

[2] 基于华为昇腾Atlas200DK的深度学习应用实践工具，http://gitee.com/haojiash/airemote/

[3] 华为昇思经典深度学习模型仓库，http://gitee.com/ascend/modelzoo/

四、学生反馈