掌握机器学习发展历史、AlphaGO 技术的发展历史以及核心技术，掌握 Q 学习的基本方法;掌握 VC 维的定义，以及统计学习理论的基本结论，深入理解经验风险和真实风险概念区别与联系;理解 Bayesian 的基本原理，贝叶斯学习、朴素贝叶斯算法在相关实际问题中应用;掌握 HMM 算法的基本原理; 掌握信息熵概念的内涵、ID3 算法构建过程、根据具体的实例，构建决策树。掌握信息增益的概念，以及在构建决策树时的物理含义。

(二)统计学习分类器： ( 1 )支持向量机;(2) Adaboost 算法;(3)子空间学习与稀疏表示。

理解统计学习理论的基本原理、支持向量机的基本原理与线性分类器的联系。掌握支持向量机的优化目标构造方法、优化算法以及应用。掌握 Adaboost 的基本原理，弱分类器的基本概念以及分类器融合算法。掌握子空间学习与稀疏表示的基本概念与思想，掌握主成分分析方法的具体过程、优化目标以及应用。基本了解 Fisher 判别分析、核判别分析等等;了解稀疏表示方法与子空间学习的联系与区别。

(三)线性模型与神经网络：( 1 )线性分类器-感知机等;(2)多层感知机与反向传播;(3)卷积神经网络与循环神经网络。

掌握线性分类器的构建方法，包括线性分类器的基本形式、构建方法;掌握感知机的构建方法、Fisher 准则、最小均方误差准则。掌握机器学习里优化概念如何应用于线性分类器的设计。理解多层感知机的基本概念以及反向传播算法的基本原理，能够根据具体网络实例使用反向传播计算梯度的表达式。理解卷积神经网络建模图像分类任务以及循环神经网络建模文本序列任务的基本原理，掌握卷积神经网络中卷积操作的定义和性质、以及池化层(Pooling)操作的定义和性质等。

(四)深度学习：

( 1 )深度神经网络基础模块;

(2)深度神经网络优化算法。

了解深度神经网络中线性层、非线性层以及标准化层的基本概念。了解梯度爆炸与消失的基本原因以及线性层的初始化技术如何缓解梯度爆炸与消失的基本原理;理解 Sigmoid 和 ReLU 等非线性层的表达式以及它们在神经网络训练中的优缺点;掌握批标准化层(Batch Normalization,

BN)和层标准化层(Layer Normalization, LN)的表达式以及它们在神经网络训练中的优缺点。掌握梯度下降算法，

理解梯度下降(Gradient Descent, GD)与随机梯度下降

(Stochastic Gradient Descent, SGD)算法的区别;了解深度学习中常用的 SGD+动量(momentum)算法以及 Adam 算法等。

三、算法设计与分析部分的考试大纲(60 分)

( 一)整体要求

1 、掌握算法的定义、性质和表示方法，并能够使用伪代码对算法进行描述;

2 、能够熟练使用渐近上界、渐近下界与渐近紧确界分析算法运行的时间复杂度;

3 、掌握算法设计的常用方法，包括分而治之、动态规划、贪心算法;掌握图的基本概念和相关图算法;