人工智能生物学

第1周 · 2 学时 · 介绍机器学习的定义、基本术语、假设空间与归纳偏好、人工智能发展历史与典型应用，建立对课程的整体认识。

第2周 · 2 学时 · 讲解经验误差与过拟合、评估方法（留出法 / 交叉验证 / 自助法）、性能度量与比较检验。

第3-4周 · 4 学时 · 介绍线性回归、线性几率回归（逻辑回归）、线性判别分析、多分类学习与类别不平衡问题。

第5-6周 · 4 学时 · 讲解决策树基本流程、划分选择（信息增益 / 增益率 / 基尼指数）、剪枝处理及连续与缺失值处理。

第7-8周 · 4 学时 · 讲解间隔与支持向量、对偶问题、核函数、软间隔与正则化、支持向量回归，以及贝叶斯决策论、朴素贝叶斯分类器、贝叶斯网与 EM 算法。

第9-10周 · 4 学时 · 介绍聚类任务、原型聚类（K-Means）、密度聚类（DBSCAN）、层次聚类，以及隐马尔可夫模型、马尔可夫随机场与话题模型。

第11周 · 2 学时 · 讲解个体与集成、Boosting、Bagging 与随机森林、结合策略与多样性。

第12-14周 · 6 学时 · 涵盖神经元模型、多层前馈网络、神经网络发展历程、误差逆传播（BP）算法、全局最小与局部极小及深度学习概述。

第15周 · 2 学时 · 讲解从全连接网络到卷积网络的演进、卷积运算、汇聚层、经典 CNN 模型（LeNet-5/AlexNet/ResNet）及其在生物图像中的应用。

第16周 · 2 学时 · 讲解前馈网络的局限、循环神经网络的记忆机制、BPTT 算法、长程依赖问题、LSTM 与 GRU，以及在序列数据上的典型应用。