黄海广老师的《机器学习》课程将于2025年3月3日在中国大学慕课平台再次开讲。该课程旨在为初学者提供友好的学习体验，解决资料繁多、理论性强、代码稀缺等难题。课程内容涵盖机器学习的基本概念、算法和应用，包括线性回归、逻辑回归、朴素贝叶斯、KNN、决策树、集成学习、支持向量机、神经网络、聚类、降维和关联规则等。课程适合具备本科三年级以上数学基础和编程能力的学习者，并提供配套教材和丰富的课程资料，助力学生轻松入门机器学习。

📚 课程概况：黄海广老师的《机器学习》课程在中国大学慕课平台免费开放，课程已被认定为浙江省一流本科课程，并被浙江省教育厅推荐到教育部认定第三批国家一流本科课程。

👨‍🏫 师资力量：黄海广老师是机器学习领域的专家，拥有丰富的教学和研究经验，他曾翻译过吴恩达的机器学习课程，并整理过机器学习、深度学习笔记等，深受广大学习者的喜爱。

🔑 课程内容：课程涵盖机器学习的基本问题定义和基本模型，学习主流的机器学习算法和模型，通过编程完成机器学习典型应用实例，掌握机器学习工程编程的技能。课程大纲包括回归、逻辑回归、朴素贝叶斯、KNN算法、决策树、集成学习、支持向量机、人工神经网络、聚类、降维和关联规则等。

💻 资源支持：课程提供丰富的学习资源，包括原版课件、代码示例和配套教材，并在Github上公布了课程相关资料，方便学生进行学习和实践。同时，黄老师还提供教学资料文件给在校老师。

2025-02-08 14:01 浙江

2025年3月3日10点，黄海广老师将在中国大学慕课平台再次开讲《机器学习》课程。届时，又将有一大批怀揣着对人工智能热情的学子们加入到我们的学习行列中来。

中国大学MOOC（慕课）作为国内领先的在线学习平台，一直以来都致力于为广大学习者提供优质的课程资源。在这里，你可以与众多985高校的名师进行零距离接触，学习到最前沿的知识和技能。更重要的是，这些优质的课程资源都是免费开放的，真正实现了知识的普惠。

课程简介

在人工智能技术飞速发展的今天，机器学习已经深入到我们生活的方方面面。从医疗诊断到自动驾驶，从语音识别到图像处理，机器学习的应用无处不在。掌握机器学习技术，不仅能够帮助我们更好地理解这个世界，更是打开当前就业市场的一把金钥匙。

与其他优秀的机器学习课程相比，本课程更加注重初学者的学习体验。我们致力于解决初学者在学习过程中遇到的三大难题：

资料繁多，难以抉择；

理论性强，学习难度大；

代码资料稀缺。

本课程的门槛相对较低，只要你具备本科三年级以上的数学基础，并且掌握一种编程语言，就能够轻松跟上课程进度，掌握机器学习的核心知识。

课程链接：https://www.icourse163.org/course/WZU-1464096179

课程资源：https://github.com/fengdu78/WZU-machine-learning-course

课程配套教材：《机器学习入门基础（微课版）》

本课程已被认定为浙江省一流本科课程，并被浙江省教育厅推荐到教育部认定第三批国家一流本科课程。

课程主讲

黄海广，博士，副教授，硕士生导师。黄老师在机器学习领域有着丰富的教学和研究经验，尤其擅长指导初学者入门。他曾翻译过吴恩达的机器学习课程，并整理过机器学习、深度学习笔记等，深受广大学习者的喜爱。

课程目标

掌握机器学习的基本问题定义和基本模型，对机器学习学科有一个全面的认识。

学习目前主流的机器学习算法和模型，并能够根据实际问题选择和实现相应的算法。

通过编程完成机器学习典型应用实例，初步掌握机器学习工程编程的技能。

课程大纲

01 引言

1.1 机器学习概述

1.2 机器学习的类型

1.3 机器学习的背景知识

1.4 机器学习的开发流程

02 回归

2.1 线性回归

2.2 梯度下降

2.3 正则化

2.4 回归的评价指标

03 逻辑回归

3.1 分类问题

3.2 Sigmoid函数

3.3 逻辑回归求解

3.4 逻辑回归的代码实现

04 朴素贝叶斯

4.1 贝叶斯方法

4.2 朴素贝叶斯原理

4.3 朴素贝叶斯案例

4.4 朴素贝叶斯代码实现

05 机器学习实践

5.1 数据集划分

5.2 评价指标

5.3 正则化、偏差和方差

06 KNN算法

6.1 距离度量

6.2 KNN算法

6.3 KD树划分

6.4 KD树搜索

07 决策树

7.1 决策树原理

7.2 ID3算法

7.3 C4.5算法

7.4 CART算法

08 集成学习

8.1 集成学习方法概述

8.2 AdaBoost和GBDT算法

8.3 XGBoost算法

8.4 LightGBM算法

09 支持向量机

9.1 支持向量机概述

9.2 线性可分支持向量机

9.3 线性支持向量机

9.4 线性不可分支持向量机

10 人工神经网络

10.1 人工神经网络概述

10.2 感知机算法

10.3 反向传播算法(BP算法)

11 聚类

11.1 无监督学习概述

11.2 K-means聚类

11.3 密度聚类和层次聚类

11.4 聚类的评价指标

12 降维

12.1 降维概述

12.2 SVD(奇异值分解)

12.3 PCA(主成分分析)

13 关联规则

13.1 关联规则概述

13.2 Apriori 算法

13.3 FP-Growth算法

14 机器学习项目流程

14.1 机器学习项目流程概述

14.2 数据清洗

14.3 特征工程

14.4 数据建模

课程大纲可能会根据实际情况进行小范围调整。每个单元结束后，都会有20道题目供同学们练习巩固。课程相关资料已在Github上公布：https://github.com/fengdu78/WZU-machine-learning-course（1900+star）。

预备知识

数学基础：主要包括高等数学、线性代数、概率论与数理统计。最低要求为大三上学期的数学水平。

编程基础：已经掌握一种编程工具，最好会使用Python进行简单编程。

课程定位

本课程为基础入门课，适合大三以上的本科生，或者初学机器学习的硕士生、博士生，也适合对机器学习感兴趣的毕业生。与其他优秀的机器学习课程相比，本课程内容相对简单易懂，资料全面，课程团队坚信：让地方性本科院校的学生也能轻松入门机器学习。

注意：由于慕课平台的视频时长要求，课程内容有所精炼。

课程资料

原版课件可以下载。（下载链接：https://pan.baidu.com/s/1r7bgOa_4YYqdYax5aevRsA?pwd=pcmf ，解压密码：haiguang2000）


如果您是在校老师，请告知我们学校和姓名，我可以发教学资料文件，请用edu邮箱联系我：haiguang2000@wzu.edu.cn

代码等资料可以直接在Github上下载，地址：https://github.com/fengdu78/WZU-machine-learning-course

课程报名

课程在中国大学慕课平台开课，平台免费开放。

课程开课时间：2025年3月3日10点

课程地址：https://www.icourse163.org/course/WZU-1464096179

点击下方『阅读原文』即可立即报名。

阅读原文

跳转微信打开