第一章：机器学习概述(2学时)

1 本章教学内容：(1) 机器学习的概念（1学时），(2) 机器学习的应用及国家政策规划（1学时）。

2 本章教学要求：通过本章课程的学习，要求学生理解机器学习的概念、应用，及其与模式识别、人工智能、深度学习等知识之间的区别和联系。了解国内外人工智能政策与规划情况。

3 本章教学重点：（1）机器学习的模型

4 本章教学难点：（1）能够从数学、系统、编程等方面认识机器学习的模型，以及相关的基本概念。

第二章：数学基础(6学时)

1 本章教学内容：(1) 优化方法介绍（2学时），(2) 统计学与统计分类（4学时）。

2 本章教学要求：通过本章课程的学习，要求学生理解数值最优化方法的基本概念和基本原理，理解概率和统计基本概念，贝叶斯定理及其应用，以及统计方法在机器学习领域的地位。

3 本章教学重点：（1）数值最优化方法，（2）贝叶斯分类，（3）蒙特卡罗方法。

4 本章教学难点：（1）KKT定理及wolf对偶转化，（2）贝叶斯定理，（3）蒙特卡罗方法与随机采样理论与方法。

第三章：线性模型(4学时)

1 本章教学内容：(1) 感知器模型/逻辑回归（1学时），(2) 最小二乘方法（1学时）, (3) 支持向量机（2学时）。

2 本章教学要求：通过本章课程的学习，要求学生理解线性分类器的基本概念、代价函数选择(回归模型、支持向量机模型等)以及不同代价函数对分类性能的影响。

3 本章教学重点：（1）回归分析的基本概念，（2）支持向量机的原理与几何意义。

4 本章教学难点：（1） WOLF对偶原理的应用，（2）随机梯度下降法，（3）支持向量机的几何意义。

第四章：核方法(4学时)

1 本章教学内容：(1) Mercer定理（1学时），(2) 径向基函数网络（1学时）, (3) 病态问题与正则化方法（2学时）。

2 本章教学要求：通过本章课程的学习，要求学生理解通过空间映射策略将线性分类方法扩展到非线性领域的基本原理、高维空间带来的病态问题以及采用正则化技术、稀疏重建方法解决病态问题。

3 本章教学重点：（1）Mercer定理，（2）径向基函数网络的病态问题与解决方法。

4 本章教学难点：（1） Mercer定理的应用，（2）正则化技术与稀疏重建。

第五章：传统神经网络(4学时)

1 本章教学内容：(1) 传统前向神经网络结构（1学时），(2) 神经网络的分类能力（1学时）, (3) 反向传播方法（2学时）。

2 本章教学要求：通过本章课程的学习，要求学生理解神经网络的结构以及其和实际神经系统的对应关系、理解神经网络的分类能力、理解反向传播方法的原理与推导。

3 本章教学重点：（1）神经网络结构与分类能力，（2）反向传播方法原理与推导。

4 本章教学难点：（1） 神经网络的分类能力，（2）反向传播方法。

第六章：深度学习与训练(8学时)

1 本章教学内容：(1) 卷积网络（2学时），(2) 深度学习训练策略（2学时），(3) Tensorflow/Pytorch开发方法（2学时），(4) 循环神经网络及其它先进网络结构选讲（2学时）。

2 本章教学要求：通过本章课程的学习，要求学生理解卷积网络的结构以及其和发展过程、掌握深度学习开发方法，了解深层复杂神经网络在训练过程中存在的问题以及目前典型的解决方法。

3 本章教学重点：（1）卷积网络的结构，（2）深层网络训练。

4 本章教学难点：（1）张量描述卷积网络结构，（2）深层网络训练存在问题的原因与解决方法。

第七章：图模型(4学时) （选讲/大班制）

1 本章教学内容：(1) 图模型（2学时），(2) 马尔可夫方法（2学时）。

2 本章教学要求：通过本章课程的学习，要求学生掌握将问题转化为图结构的基本方法、理解马尔可夫模型及最优路径搜索方法，以及马尔可夫模型参数的训练（选讲）。

3 本章教学重点：（1）图建模，（2）深层网络训练。

4 本章教学难点：（1）如何将问题转化为图的问题，（2）隐马尔可夫模型参数估计（选讲）。

第七章：讨论环节(4学时) （选讲/小班制）

1 本章教学内容：机器学习研讨环节。

2 本章教学要求：通过本章课程的学习，引导学生针对人工智能、机器学习相关内容进行讨论，加深对机器学习发展的总体把握。

3 本章教学重点：课程前沿知识讨论和政策讨论。

4 本章教学难点：如何将思政内容与课程讨论项结合，使学生树立投身国家人工智能领域的志向。

第八章：非监督学习(8学时)

1 本章教学内容：(1) 距离（1学时），(2) K-均值聚类（2学时）,(3) 聚类方法选讲（2学时）, PCA与ICA（3学时）。

2 本章教学要求：通过本章课程的学习，要求学生掌握将非监督聚类的概念与方法，了解常见的距离及其物理意义、常见的K-均值聚类方法及其演化概念，如，期望最大策略，竞争学习，模糊聚类等，掌握数据预处理的概念以及常见的PCA和ICA方法。

3 本章教学重点：（1）K-MEAN方法及其蕴含的参数更新策略，（2） PCA、核化PCA以及ICA技术。

4 本章教学难点：（1）K-均值蕴含的策略与期望最大方法、向量量化等概念的内在联系，（2）核化PCA方法及ICA方法。