机器学习与优化技术EEEN40151

课程内容：

1、凸集与凸函数的介绍。

2、阐述凸优化问题，包括线性规划、二次规划、几何规划、半定规划。

3、介绍对偶理论，包括拉格朗日对偶函数、拉格朗日对偶问题、弱对偶与强对偶、对偶变量的解释、KKT最优性条件。

4、说明各种凸优化方法和算法，如下降法、牛顿法、次梯度法、内点法。

5、提供凸优化在信号处理和通信中的应用。

6、机器学习与优化的介绍。

7、高维数据表示。基本多元统计和回归模型。决策树算法和贝叶斯学习。

8、聚类和分类算法，包括支持向量机（SVMs）。

9、介绍神经元、人类视觉系统和神经网络。人工神经网络（前馈、递归）及其学习机制：监督学习和无监督学习。

10、介绍深度学习神经网络及其实现。

课程目标：

1、提供凸优化理论及其应用的总体概述。

2、介绍各种经典凸优化问题，并说明如何通过数值和解析方法解决这些问题。

3、介绍并实践多变量数据分析与工程应用中的基本机器学习技术。

4、介绍并实践基础神经网络及其最新进展，特别是深度学习神经网络在实际应用中的实现。

学习成果：

完成本课程后，学生将能够：

1、理解凸优化与机器学习的应用动机与优势。

2、建立对凸集与凸函数的良好理解。

3、识别凸优化问题的典型形式及其对应的最优解。

4、理解机器学习在问题解决中的基本方法。

5、能够将机器学习方法应用于实际数据导向的问题。

6、理解神经网络和基本深度学习网络及其应用。