人工智能技术日新月异，已经渗透到生活的方方面面。机器学习基础作为人工智能的基础课程，重点介绍基础思想和基础算法。学习这门课程后可以基本了解人工智能背后的基本逻辑和实现方法，这门课程基于课程教学实践，通过通俗易懂的讲解和形象的例子讲述复杂的算法逻辑，帮助学生快速入门人工智能。

• 第1章 绪论
  • 第1节 机器学习历史
  • 第2节 机器学习的定义和分类
  • 第3节 相关术语
  • 第4节 归纳偏好和假设空间
  • 第5节 单元练习
• 第2章 模型评估与选择
  • 第1节 模型的选择
  • 第2节 模型评估
  • 第3节 性能度量
  • 第4节 单元练习
• 第3章 线性模型
  • 第1节 线性模型概念
  • 第2节 线性回归模型
  • 第3节 梯度下降
  • 第4节 线性回归统计方法
  • 第5节 单元练习
• 第4章 K近邻
  • 第1节 KNN基本概念
  • 第2节 特征归一化
  • 第3节 KD树构建
  • 第4节 KD树查询
  • 第5节 单元练习
• 第5章 决策树
  • 第1节 决策树模型与学习
  • 第2节 特征选择
  • 第3节 决策树的生成
  • 第4节 决策树的剪枝
  • 第5节 连续值处理和多变量决策树
  • 第6节 单元练习
• 第6章 逻辑回归
  • 第1节 逻辑回归基本概念
  • 第2节 逻辑回归模型
  • 第3节 逻辑回归策略
  • 第4节 逻辑回归算法
  • 第5节 单元练习
• 第7章 支持向量机
  • 第1节 SVM基本概念
  • 第2节 SVM硬间隔分类
  • 第3节 SMO算法
  • 第4节 核函数
  • 第5节 软间隔
  • 第6节 单元练习
• 第8章 贝叶斯分类器
  • 第1节 贝叶斯理论
  • 第2节 朴素贝叶斯
  • 第3节 单元练习
• 第9章 集成学习
  • 第1节 集成学习的定义
  • 第2节 Boosting
  • 第3节 AdaBoost
  • 第4节 Bagging
  • 第5节 随机森林
  • 第6节 单元练习
• 第10章 聚类
  • 第1节 聚类基本概念
  • 第2节 层次聚类
  • 第3节 密度聚类
  • 第4节 K-means聚类
  • 第5节 单元练习

课程目标1. 学习机器学习基础算法，初步了解机器学习算法的实现原理，掌握使用机器学习算法解决基本的预测、分类问题的能力，掌握与机器学习相关的体系思想、框架及工具，能够灵活运用所学知识解决机器学习中小型问题。

课程目标2. 能够按照指定的任务描述，利用所学知识和技术，选择并优化合适的模型解决指定任务。并将理论知识应用于实践，具备较强的分析问题和解决问题的能力，具有较强的实践能力和技术创新能力及基本的工程素养。

课程目标3. 能够养成课堂学习、课下自学的习惯，能够利用图书馆和互联网进行文献检索和资料查询，解决学习和实践中遇到的问题。

高等代数、线性代数、概率论、Python基础