教学目的、要求
本课程为计算机、自动化技术、计算机软件专业研究生的专业基础课，课程主要从工程应用的角度介绍机器学习与数据挖掘的基本概念、常用方法、应用实例，为相关专业研究生的科学研究做准备，并且作为模式识别、人工智能、统计学习等课程的理论补充。 课程将从传统概率论回顾开始，阐述机器学习的基本问题，讲述近年来工程应用中的主流机器学习方法。其中，在数据回归方法中介绍ANN与传统线性回归的不同点、优缺点。在支撑向量机部分阐述过学习、欠学习的问题与机器学习的本质。在Boosting方法中讲述多分类器的组合与融合。在基于图的模型方法中讲述Bayesian Network的思想及HMM，MRF的方法。讲述EM算法与高斯混合模型。分析无标号与带标号的数据上的不同学习方法、机器学中的数据降维问题等。讲述数据挖掘中的关联规则方法。通过以上内容教学，要求学生基本掌握机器学习、数据挖掘的基本理论与主流方法，并且具有使用这些方法解决实际应用问题的能力。
预修课程
预修课程为高等数学、概率论，要求选课的同学具有一定的C语言或者C++语言或者Mathlab编程基础。
教材
[1] [机器学习.汤姆•米切尔]. McGrawHill,.Tom.Mitchell.-.Machine.Learning, Hardcover: 432 pages ; Dimensions (in inches): 0.75 x 10.00 x 6.50，• Publisher: McGraw-Hill Science/Engineering/Math; (March 1, 1997)，• ISBN: 0070428077 [2] 数据挖掘：概念与技术，韩家炜 （电子版教材 或者 影印版资料）.
主要内容
第一章：概 论 数据挖掘的概念、机器学习及其应用概论、机器学习的常用概念和本质、决策树学习 第二章：概率统计回顾 随机变量及其分布、连续与离散分布、期望与方差、统计的特性 第三章：数据回归方法介绍 线性、非线性回归，人工神经网络方法、SVM回归 第四章：支撑向量机方法 统计学习的本质、结构风险最小化、基于样本的学习、VC空间与VC维、最大化分类边界、拉格朗日方法求解SVM、核函数 第五章：Boosting方法 Boosting的理论、混合分类器模型、Adaboost算法及其实现 第六章：人工神经网络学习(ANN) 人工神经网络的基本原理、梯度下降算法、感知器、反向传播算法 第七章：基于图的模型 概率图模型、Bayesian网络、HMM，Markov Random Field 第八章：关联规则的方法 数据挖掘中的关联规则方法 序列模式挖掘 第九章：无标号数据上的学习方法 基本无监督学习方法介绍、K-Mean, 基于图的聚类方法, 无标号数据与监督学习的关系 第十章：数据预处理与数据降维 数据清理、集成变换、归约、线性判别分析、主成分分析、奇异值分解、独立元分析 第十一章：实例分析 SVM 在数据回归中的应用实例 SVM 在标号数据分类中的应用实例 ＡＮＮ 应用实例及练习 Adaboost 应用实例及练习 关联规则 应用实例及练习