本课程为网络空间信息安全的专业核心课。重点讲授统计机器学习的基础理论、方法和技术，内容包括贝叶斯决策学习、分类学习、回归分析、特征表示、优化理论、概率图模型和知识图谱理论等。课程目的及任务是：使学生通过本课程的学习，了解机器学习的基本研究问题，掌握各种学习模型的原理、

设计方法和解决途径，并具备基本的数据分析能力，为开展信息安全和人工智

能相关研究方向奠定理论基础。 

第一章 绪论
 1.1 机器学习研究背景
 1.2 机器学习研究的问题 
 1.3 课程主要内容 
 1.4 课程安排 

第二章 贝叶斯学习
 2.1 基础知识 
 2.2 贝叶斯决策论 
 2.3 贝叶斯学习与参数估计问题 
 2.4 贝叶斯分类器 

第三章 线性分类模型 
 3.1 向量空间 
 3.2 感知机 
 3.3 最小距离 
 3.4 最小均方误差 
 3.5 Fisher鉴别 
 3.6 logistic回归
 3.7 线性SVM 

第四章 非线性分类模型 
 4.1 最近邻方
 4.2 决策树 
 4.3 神经网络 
 4.4 集成学习 
 4.5 核化方法

 第五章 回归分析 
  5.1 基本概念 
  5.2 最小二乘估计 
  5.3 最大似然估计 
  5.4 线性回归误差分析 
  5.5 基函数扩展的非线性模型 
  5.6 多项式回归 
  5.7 Logistic回归 

第六章 聚类分析 
  6.1 基础知识 
  6.2 序贯方法 
 6.3 层次聚类 
 6.4 K均值聚类 
 6.5 高斯混合聚类 
 6.6 密度聚类 
 6.7 Density Peaks Method 

第七章 降维与特征选择
 7.1 基本概念 
7.2 特征降维方法 
7.3 特征选择框架 
7.4 特征选择方法 
7.5 稀疏学习 

第八章 优化理论 
 8.1 凸集 
 8.2 凸函数 
 8.3 对偶理论 
 8.4 最优性条件
 8.5 线性规划
 8.6 凸二次规划 

第九章 支持向量机 
 9.1 线性分类SVM 
9.2 线性回归SVM 
9.3 核函数 
9.4 结构风险最小化 

第十章 SVM拓展模型 
 10.1 最小二乘SVM 
10.2 多分类SVM 
10.3 多示例SVM 
10.4 基于知识的SVM
 10.5 半监督SVM 

第十一章 概率图模型 
 11.1 隐马尔可夫模型
 11.2 马尔可夫随机场 
11.3 条件随机场 
11.4 学习与推断
 11.5 话题模型 
11.6 因子图

 第十二章 规则学习 
 12.1 基本概念 
12.2 序贯覆盖 
12.3 剪枝优化 
12.4 一阶规则学习
 12.5 归纳逻辑程序设计 

第十三章 知识图谱与知识推理 
13.1 基本概念 
13.2 知识图谱构建 
13.3 知识推理方法 
13.3.1 表征学习 
13.3.2 张量分解 
13.3.3 路径排序算法 
13.3.4 马尔可夫逻辑网络 

参考文献：
 1. 边肇祺，《模式识别》第二版，清华大学出版社，2000.
 2． Chris Bishop. Pattern recognition and Machine Learning. Springer, 2006. （PR&ML） 
3. 斯坦福大学公开课-机器学习课程: http://v.163.com/special/opencourse/machinelearning.html