机器学习(Machine Learning, ML)是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是计算机科学和人工智能中非常重要的一个研究领域，机器学习不但在计算机科学的众多领域中大显身手，而且成为一些交叉学科的重要支撑技术。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，如专家系统、自动推理、图像识别、语音识别、自然语言理解、模式识别、计算机视觉、智能机器人等。随着人工智能技术的快速发展，机器学习方面的人才成为国家急需的高层次技术人才。为将机器学习的重要知识和最新进展进行推广，培训中心特举办“人工智能核心-机器学习”培训班。
培训目标
1、全面了解机器学习领域相关知识。
2、能将机器学习领域的技术应用于实际项目。
3、能将机器学习领域的技术和人工智能的其他技术进行结合，做扩展应用。
证书
培训结束，颁发中科院计算所职业培训中心“人工智能核心-机器学习”结业证书。
培训对象
高级程序员、资深开发人员、人工智能工程师、图像设计人员、机器学习工程师、程序员。
学员基础
1、对IT系统设计有一定的理论与实践经验。
2、对机器学习有一定的兴趣。
第一讲 机器学习简介
1.1 什么是机器学习
1.2 为什么要机器学习
1.3 怎样来进行机器学习
1.4 机器学习的现实案例举例
第二讲 朴素贝叶斯决策
2.1为什么要引入朴素贝叶斯决策
2.2 如何进行朴素贝叶斯决策
2.3 朴素贝叶斯在文本识别中的应用案例
第三讲 线性分类器
3.1 线性分类器是什么
3.2 Fisher线性判别的动机
3.3 Fisher线性判别的内涵是什么
3.4 Fisher线性判别在人脸检测中的应用案例
第四讲 人工神经网络
4.1 人工神经网络的设计动机是什么
4.2 单个神经元的功能
4.3人工神经网络的优化以及误差逆传播（BP）算法
4.4人工神经网络中需要注意的问题
4.5 人工神经网络在表情识别、流量预测中的应用案例
第五讲 最优分类面和支持向量机（SVM）
5.1 什么是最优分类面
5.2 SVM的本质是什么
5.3 SVM线性不可分时怎么办
5.4 SVM中核函数如何选择
5.5 SVM在车牌识别中的应用案例
第六讲 近邻法
6.1 近邻法的思想是什么
6.2 近邻法的缺点以及改进方案
6.3 近邻法中的过学习问题及解决方案
6.4 近邻法在相亲网站中的应用案例
第七讲 决策树
7.1 什么是非数值特征
7.2 为什么要引入决策树
7.3 如何设计决策树
7.4 如何构造随机森林
7.5 决策树在医疗系统中的应用案例
第八讲 Boosting
8.1 什么是Boosting算法
8.2 为什么要Boosting
8.3 如何Boosting
8.4 介绍Boosting算法典型代表Adaboost
8.5 Adaboost在人脸检测中的应用案例
第九讲 非监督学习方法
9.1 什么是非监督学习？
9.2 单峰子集法
9.3 C均值方法
9.4 模糊C均值方法和改进的模糊C均值方法
9.5 非监督学习方法在石油勘探中的应用案例
汇款、现金、支票、刷卡
名 称：北京市海淀区中科院计算所职业技能培训学校
开户行：北京银行中关村支行
帐 号：01090302900120105445661
