《机器学习方向本硕博培养体系》机器学习专业课程培养方案

机器学习方向本硕博培养体系包括以下课程：

1. 数字逻辑及实验90：
EG01：寄存器、计数器、有限状态机设计

2. 嵌入式系统60：
ARM芯片、ARM指令、GNU汇编语言、C语言嵌入式开发

3. 信号与系统36：
连续时间和离散时间信号与系统的时域分析和频域分析、傅立叶级数、傅立叶变换、采样定理、拉普拉思变换、Z变换

4. 数字信号处理72：
离散时间信号和系统的时域和频域分析、离散傅里叶变换DFT、快速傅里叶变换FFT、无限脉冲响应IIR数字滤波器的设计、有限脉冲响应FIR数字滤波器设计、数字滤波器网络结构

5. 概率论与数理统计54：
随机事件与概率、一维和多维随机变量、参数估计、假设检验

6. 抽象代数36：
群论、交换环与域、格与布尔代数

7. 数字建模36：
数据拟合与仿真、离散系统建模、连续系统建模、ICM赛题分析、论文写作

8. 计算机导论36：
计算机系统的基本结构、数字表示及基本运算法则、非数值数据的代码表示、基本数字逻辑和运算、操作系统、计算机软件系统和计算机网络的概念；数据结构、算法和数据库原理；计算机图形学、人工智能和计算机理论

9. 程序设计原理与C语言72：
数据、运算符、表达式、语句、函数、指针的概念和使用

10. C++程序设计54：
语法、函数、面向对象程序设计、数据的共享与保护、数组与指针、输入输出

11. 算法与程序设计基础72：
Python版，数据表示、控制结构、输入与输出、函数与模块、算法与分析

12. 编程实践36：
排序问题、数制转换、字串、递归、高精度运算、多项式问题、搜索专题、数论专题

13. 编译原理及实践108：
词法分析、语法分析、中间代码生成、运行时存储管理、代码优化、出错处理、符号表管理

14. 人工智能基础36：
基于Python，机器学习算法（分类K近邻算法、聚类K-Means算法）、数据分析方法numpy、pandas、matplotlib及经典案例，使用tensorflow实现深度学习算法

15. 程序设计与人工智能72：
数据处理、机器学习、智能搜索、识别及分类、计算机视觉、自然语言处理

16. 模式识别与机器学习36：
贝叶斯决策理论、最大后验分类器、产生式模型与判别式模型、条件随机场、近邻法、推理与学习、非监督学习-聚类、降维与特征提取、凸优化与支持向量机

17. 可信机器学习36：
案例分析、数据投毒SVM与防御Curie、对抗攻击FGSM与防御、模型可视化（近邻法、梯度上升、反卷积网络）、模型可解释LIME

18. 模式识别与机器学习36：
贝叶斯学习、贝叶斯逻辑回归、概率图模型基础、支持向量机回归、人工神经网络与深度学习、K-均值聚类、主成分分析与相关的谱方法、强化学习与监督学习

19. Python机器学习36：
分类算法、K-近邻算法、聚类算法K-Means、推荐系统、SVM支持向量机、回归算法、神经网络（BP反向传播神经网络、多层神经网络）、深度学习（CNN卷积神经网络、RNN循环神经网络）、TensorFlow实现深度学习算法

20. 高级机器学习36：
简单模式识别与机器学习算法、高斯过程相关模型、概率序列模型（马尔可夫过程）、深度学习模型、随机推理与优化方法

21. 高级算法36：
随机算法，算法的概率分析与概率方法（切尔诺夫界与霍夫丁界、球桶问题与泊松分布、哈希算法、期望参数）、随机过程及其算法（马尔可夫链转移函数、遍历链和平稳分布、细节平衡和随机游走）、推断与采样算法（拒绝采样和重要性采样、梅川波利斯-哈斯哈斯廷斯算法、吉布斯采样和切片采样、汉密尔顿蒙特卡洛和跳蛙算法、朗之万蒙特卡洛算法）、墒与信息论（相对墒与KL变分界、互信息和费舍信息）

22. 自然语言处理导论36：
词法分析、句法分析、语义分析、篇章分析、机器翻译

23. 信息检索与搜索引擎54：
索引构建、布尔模型和向量空间模型、查询扩展（rocchio算法、隐式反馈）、概率检索模型（回归模型、二值独立模型）、语言模型（似然模型、多项式模型）、学习排序方法（pairwise排序）、web搜索引擎（pagerank算法、hits算法）

24. 深度学习与计算机视觉36：
卷积神经网络CNN、网络的训练（优化算法SGD）、循环神经网络RNN、对抗生成网络GAN、编码解码模型、学习模型的优化算法、目标检测、图像分割、动作识别

25. 多媒体信息检索36：
多媒体信息检索领域现有算法和最新研究进展、图像信息处理和检索、视频信息处理和检索、信息检索技术（文本信息检索、语义相似度计算）