机器学习导论
本课程介绍机器学习的概念、算法与应用，包括监督学习、无监督学习、模型评估和实践实现。
Instructor: Prof. Example
Term: 秋季
Location: Main Campus, Room 301
Time: 周二、周四 10:00–11:30
课程概览
这门机器学习导论课程介绍该领域的基本概念与算法。完成课程后，学生将能够：
- 理解主要机器学习范式与概念
- 实现基础机器学习算法
- 评估并比较模型性能
- 将机器学习方法应用于真实问题
先修要求
- 线性代数与微积分基础
- Python 编程经验
- 概率与统计基础
教材
- 主教材：Kevin Murphy，《Machine Learning: A Probabilistic Perspective》
- 参考书：Christopher Bishop，《Pattern Recognition and Machine Learning》
评分
- 作业：40%
- 期中考试：20%
- 期末项目：30%
- 课堂参与：10%
Schedule
| Week | Date | Topic | Materials |
|---|---|---|---|
| 1 | 9 月 5 日 | 课程导论 机器学习、课程结构与学习要求概览。 | |
| 2 | 9 月 12 日 | 线性回归 线性回归、梯度下降与模型评估导论。 | |
| 3 | 9 月 19 日 | 分类 逻辑回归、决策边界与多分类。 | |
| 4 | 9 月 26 日 | 决策树与随机森林 树模型、集成学习与特征重要性。 | |
| 5 | 10 月 3 日 | 支持向量机 最大间隔、核方法与支持向量。 | |
| 6 | 10 月 10 日 | 期中考试 覆盖第 1–5 周内容。 | |
| 7 | 10 月 17 日 | 神经网络基础 感知机、多层网络与反向传播。 | |
| 8 | 10 月 24 日 | 深度学习 卷积神经网络、循环神经网络及其应用。 |