本课程针对机器学习中的分类问题，首先介绍解决分类问题的理论基础，包括贝叶期决策理论、统计学习理论。再介绍一些经典的分类模型，如决策树、逻辑回归、支撑向量机等。然后讲解基于神经网络，尤其深度神经网络的分类模型。最后以文字识别做为典型应用案例，从经典机器学习和深度神经网络两个角度，分别讲解从图像特征到分类模型的完整流程，并提供数据和代码进行现场实际操作。

1. 前言

    1.1 什么是机器学习，有哪些主要方向

    1.2 机器学习的分类问题

2. 机器学习分类问题

    2.1 贝叶斯分类

    2.2 统计学习理论

    2.3 线性分类器

    2.4 决策树

    2.5 支持向量机

    2.6 集成学习

3. 基于深度学习的分类问题

    3.1 深度神经网络基础

    3.2 常见分类模型

4. 典型应用案例——文字识别

    4.1 文字识别的经典机器学习方法

    4.2 文字识别的深度神经网络方法

5. 实际操作

    5.1 中文字符识别

6. 总结和讨论

 

听众受益

1. 了解经典机器学习实现分类问题的数学本质

2. 了解分类问题的常见经典模型

3. 了解神经网络解决分类问题的数学本质，以及与经典机器学习的关系

4. 了解深度神经网络的分类模型

5. 掌握文字识别的经典机器学习方法和深度神经网络方法，并可以迁移到其它图像分类领域

 

目标听众

1. 人工智能领域的相关技术人员

2. 对在工程中如何使用机器学习/深度学习技术解决应用问题有兴趣的所有人