本课程教学内容涵盖信息图形和视觉传达设计的基础理论、基本原则和方法，以及相关制图标准和规范；课程以“为什么学-学什么-如何学”的逻辑主线展开，涉及标识简历、统计图表、概念示意图和地图等信息图示类型，通过经典案例讲解和学生作品赏析，掌握数据、概念等各类主客观信息的图形表达技巧。

1. 线性回归 (Linear Regression)：用于预测连续型变量的算法，通过拟合一个线性模型来描述自变量和因变量之间的关系。

2. 逻辑回归 (Logistic Regression)：用于预测二分类问题的算法，通过拟合一个逻辑函数来估计因变量为某一类别的概率。

3. 决策树 (Decision Tree)：一种树状模型，通过一系列的决策节点和叶节点来对数据进行分类或回归。

4. 随机森林 (Random Forest)：一种集成学习算法，通过多个决策树组成的森林来进行分类或回归，提高模型的准确性和泛化能力。

5. 支持向量机 (Support Vector Machine)：一种二分类模型，通过在特征空间中构建最优超平面来实现数据的分类。

6. 朴素贝叶斯 (Naive Bayes)：基于贝叶斯定理和特征独立性假设的分类算法，常用于文本分类和垃圾邮件过滤等任务。

7. K均值聚类 (K-Means Clustering)：一种无监督学习算法，通过将数据点划分为K个簇来实现聚类。

8. 主成分分析 (Principal Component Analysis)：一种降维技术，通过线性变换将高维数据映射到低维空间，保留最重要的特征。

9. 神经网络 (Neural Networks)：一种模仿人类神经系统的机器学习模型，通过多层神经元构建复杂的非线性模型。

10. 深度学习 (Deep Learning)：一种基于神经网络的机器学习技术，通过多层神经网络来学习更加复杂的模式和特征。深度学习在图像识别、语音识别等领域取得了巨大成功。