仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
为了方便读者学习和大学老师授课，黄海广博士公布了课程的ppt全集，一共21个ppt原版文件，并提供下载。
本课件是温州大学黄海广老师的机器学习课程的授课课件，授课视频在中国大学慕课：
https ://www. icourse163.org/course/WZU-1464096179
（累计学习超过3. 8万人）
因为慕课有学期限制，相同的视频在b站，已经添加字幕，方便老师们参考：
https ://www. bilibili.com/video/BV1gP4y177cf
这门课面向初学者，内容比较基础，适合入门。
配套的教材“机器学习入门基础（微课版）”（ISBN9787302619581）清华大学出版社已出版，目前被100多所学校采纳为本科生教材。
课程其它资源（代码等）公布在Github：
https ://github. com/fengdu78/WZU-machine-learning-course
如果是大学教师，可以发邮件给黄海广老师索取课程教学大纲、教学进度、习题等资料。
（haiguang2000@wzu. edu.cn，请用edu邮箱发，告知姓名学校，仅用于教学目的，请勿用于商业用途）
建议可以根据ppt内容编排进行授课，建议授课课时：32课时。
水平有限，难免有小错误，若有更新，也可以发邮件给黄海广老师，也可以发邮件索取老师微信。
这个合集ppt还会更新，下载方式：
最新版本（2024年12月11日，v16版本）
下载链接：
https ://pan. baidu.com/s/1r7bgOa_4YYqdYax5aevRsA?pwd=pcmf
解压密码：haiguang2000
1、掌握机器学习的基本问题定义、基本模型，对机器学习学科有概览性的认识。
2、掌握目前主流的机器学习算法和模型，并能够根据实际问题的需要选择并实现相应的算法。
3、编程完成机器学习典型应用实例，对机器学习工程编程有初步的训练。
01引言
1. 1机器学习概述
1. 2机器学习的类型
1. 3机器学习的背景知识
1. 4机器学习的开发流程
02回归
2. 1线性回归
2. 2梯度下降
2. 3正则化
2. 4回归的评价指标
03逻辑回归
3. 1分类问题
3. 2Sigmoid函数
3. 3逻辑回归求解
3. 4逻辑回归的代码实现
04朴素贝叶斯
4. 1贝叶斯方法
4. 2朴素贝叶斯原理
4. 3朴素贝叶斯案例
4. 4朴素贝叶斯代码实现
05机器学习实践
5. 1数据集划分
5. 2评价指标
5. 3正则化、偏差和方差
06KNN算法
6. 1距离度量
6. 2KNN算法
6. 3KD树划分
6. 4KD树搜索
07决策树
7. 1决策树原理
7. 2ID3算法
7. 3C4.5算法
7. 4CART算法
08集成学习
8. 1集成学习方法概述
8. 2随机森林算法
8. 3AdaBoost和GBDT算法
8. 4XGBoost算法
8. 5LightGBM算法
09人工神经网络
9. 1人工神经网络概述
9. 2感知机算法
9. 3反向传播算法(BP算法)
10支持向量机
9. 1支持向量机概述
9. 2线性可分支持向量机
9. 3线性支持向量机
9. 4线性不可分支持向量机
11聚类
11. 1无监督学习概述
11. 2K-means聚类
11. 3密度聚类和层次聚类
11. 4聚类的评价指标
12降维
12. 1降维概述
12. 2SVD(奇异值分解)
12. 3PCA(主成分分析)
13关联规则
13. 1关联规则概述
13. 2Apriori算法
13. 3FP-Growth算法
机器学习附录
高等数学回顾
概率论回顾
线性代数回顾
机器学习项目流程
Numpy使用总结
时间序列总结
特征工程
机器学习库Scikit-learn
课程大纲可能会有小范围调整。
数学基础：主要包括高等数学、线性代数、概率论与数理统计。最低要求：大三上学期的数学水平。
编程基础：已经掌握一种编程工具，最好会使用Python进行简单地编程。
基础入门课，适合大三以上的本科生，或者初学机器学习的硕士生，博士生，也适合对机器学习感兴趣的毕业生。与其他优秀的机器学习课程相比，本课程内容相对简单易懂，资料全面，课程团队坚信：让地方性本科院校的学生也能入门机器学习。
下载链接：
https ://pan. baidu.com/s/1r7bgOa_4YYqdYax5aevRsA?pwd=pcmf
解压密码：haiguang2000
