跳转至

机器学习导论

南京大学当期开设

版本 课程号 课程性质 学分 课表所列教师
人工智能学院 2024 级，2025-2026 学年第二学期 30000150 核心 2 周志华、赵鹏、谭志豪
计算机学院 2024 级，2026-2027 学年第一学期 22011430 选修 2 叶翰嘉

不要混用同名课程信息

不同院系的《机器学习导论》具有不同课程号和教学安排。上表只描述对应课表版本；教材、作业、考试形式和成绩构成应以当学期课程主页或教师通知为准。

南京大学人工智能学院曾公开介绍，该课程重视机器学习基础理论、方法，以及针对实际任务调整学习算法的能力。公开介绍没有给出固定的考试题型、作业数量或编程库限制。

学科知识框架

下面是学习机器学习时常见的知识主线，不代表某一学期的完整教学大纲：

  • 监督学习基础：线性回归、逻辑回归、损失函数、正则化和模型评估。
  • 树模型与集成学习：决策树、Bagging、Boosting 和随机森林。
  • 间隔方法：支持向量机、核方法和约束优化。
  • 概率方法：贝叶斯分类、最大似然估计、潜变量模型和 EM 算法。
  • 无监督学习：聚类、主成分分析和其他降维方法。
  • 学习理论与泛化：过拟合、偏差与方差、交叉验证和模型选择。

学习建议

  1. 先复习线性代数、概率论、多元微积分和最优化中的必要概念。
  2. 对每个模型分别理解目标函数、优化方法、预测过程和适用条件。
  3. 用小型公开数据集自行实现基础算法，再与成熟库的结果对照。
  4. 不要根据往年经验推断当期考试；先查看当前课程发布的范围和规则。

公开资源

  • [出版教材] 周志华《机器学习》：常用的中文机器学习参考书；是否为当期指定教材需向课程确认。
  • [开源推导辅助] 南瓜书 PumpkinBook：补充《机器学习》中的部分公式推导，不是南京大学官方课程资料。
  • [学生维护] NJUAI-Notes：学生整理的历史课程笔记，内容、年份和授权状态需逐项核验，不能据此推断当前作业。
  • [研究组织] LAMDA-NJU GitHub：研究组公开项目，与本科课程考核没有直接对应关系。

一手来源