机器学习（Machine Learning）是人工智能的核心研究领域之一，并取得了广泛的应用效果，是引领这一轮“人工智能热潮”的关键技术支撑。《机器学习初步》课程覆盖机器学习的入门基石内容，课程主讲人周志华教授是领域专家，所著《机器学习》（网友昵称为“西瓜书”）正是本课程的教材。课程团队成员也包括詹德川教授、叶翰嘉博士、赵鹏博士，负责课程讨论与习题解答。

本课程覆盖机器学习的基本理论框架以及核心方法，对机器学习中最重要的基础知识点和算法思想进行讲述。

课程内容主要包括：绪论，模型评估与选择，线性模型，决策树，支持向量机，神经网络，贝叶斯分类器，集成学习和聚类。

通过构建约8周的基础知识点体系，既能够帮助初学者提纲挈领地了解机器学习领域全貌，也不失内容的专业性，使学生能够具备后续自我学习的能力，从而可以通过阅读相关参考文献进行进一步的深入学习。

          课程目录
1-1.教材
1-2.课程定位
1-3.机器学习
1-4.典型的机器学习过程
1-5.机器学习理论
1-6.基本术语
1-7.归纳偏好
1-8.NFL定理
2-1.泛化能力
2-2.过拟合和欠拟合
2-3.三大问题
2-4.评估方法
2-5.调参与验证集
2-6.性能度量
2-7.比较检验
3-1.线性回归
3-2.最小二乘解
3-3.多元线性回归
3-4.广义线性模型
3-5.对率回归
3-6.对率回归求解
3-7.线性判别分析
3-8.类别不平衡
4-1.决策树基本流程
4-2.信息增益划分
4-3.其他属性划分准则
4-4.决策树剪枝
4-5.缺失值的处理
5-1.神经网络模型
5-2.万有逼近能力
5-3.BP算法推导
6-1.支持向量机基本型
6-2.对偶问题与解的特性
6-3.求解方法
6-4.特征空间映射
6-5.核函数
6-6.如何使用SVM
7-1.贝叶斯决策论
7-2.生成式和判别模型
7-3.贝叶斯分类器与贝叶斯学习
7-4.极大似然估计
7-5.朴素贝叶斯分类器
8-1.集成学习
8-2.好而不同
8-3. 两类常用集成学习方法
8-4.Boosting
8-5.Bagging
8-6.多样性度量
8-7.聚类
8-8.距离计算
8-9.聚类方法概述