教学目的、要求
本课程为计算机应用技术专业硕士研究生的专业基础课。课程结合机器学习的最新进展，在统计学习和人脑感知机理的背景下研究神经计算的基本网络模型、学习算法和泛化能力，讨论神经网络在模式分类、信号处理、控制等领域的应用. 通过学习使学生熟悉并掌握神经网络的基本模型，面向问题构建适当的网络模型,以神经网络为特例深入研究基于数据建模的机器学习的基本问题，为今后从事神经网络和机器学习的理论研究、开发和应用打下基础。
预修课程
高等数学、初等概率论
教材
Simon Haykin, Neural Networks? A Comprehensive Foundation(2nd ed.), Prentice Hall Press, 1998.
主要内容
第1章 介绍 神经元模型和神经网络模型介绍，人工智能和神经网络，学习过程的统计性质， 统计学习理论 第2章 前馈网络和监督学习 感知器，感知器收敛定理，反向传播算法，泛化能力，交叉确认，卷积网络，径向基函数，径向基函数网络，。 第3章 正则化理论和基于核技巧的学习模型 支持向量机，最优超平面，正则化理论， 正则化网络，流形正则化，半监督学习 第4章 神经网络模型集成 分层混合专家模型，HME 模型的学习策略，EM 算法 第5章 自组织映射和基于信息论的机器学习理论 自组织映射，学习矢量量化，自适应模式分类，主分量分析，基于核的主分量分析，熵，最大互信息原理，独立分量分析，稀疏分量分析，矩阵和张量分解 第6章 随机神经网络模型 马尔可夫过程，Metropolis 算法，模拟退火，Boltzmann 机，平均场理论 第7章 涉及时间的神经网络模型及学习 神经元时空模型，分布式时延迟前馈网络，时间反向传播算法，神经动力学模型，Hopfield模型，递归网络结构，实时递归网络及学习算法。