NANJING UNIVERSITY · FALL 2026
机器学习导论
Introduction to Machine Learning
初步掌握机器学习的基本原理和方法，并初步形成利用机器学习技术解决问题的思维方式
- 课程代码
- 22011430
- 开课学期
- 2026 年秋季学期
- 时间地点
- 周四 7–8 节 · 1–18 周 · 仙Ⅰ-320
- 主讲教师
- 叶翰嘉
课程简介 About the Course
机器学习是人工智能的核心领域之一，被广泛应用于科学、工程、商业、产业、医学等诸多领域，为各国政府、大型企业和科学研究者所关注。“机器学习导论”主要讲述机器学习的基本概念和基本方法。通过本课程的学习，可以掌握机器学习的基础知识，学会如何在实践过程中将机器学习方法、技术与具体数据、任务相结合，以进行学习模塑的构建和对输出结果的评估，从而独立完成机器学习模型构建来解决实际问题。
课程内容 Course Schedule
12表格数据机器学习Machine Learning for Tabular DataGBDT / XGBoost / CatBoost；表格深度学习；高质量基线；AutoML见下方论文
论文阅读（4 篇）
- Jun-Peng Jiang, Si-Yang Liu, Hao-Run Cai, Qi-Le Zhou, Han-Jia Ye. “Representation Learning for Tabular Data: A Comprehensive Survey.” IEEE TPAMI, 2026. ↗
- Han-Jia Ye, Si-Yang Liu, Hao-Run Cai, Qi-Le Zhou, De-Chuan Zhan. “A Closer Look at Deep Learning Methods on Tabular Datasets.” Preprint, 2024. ↗
- Si-Yang Liu, Hao-Run Cai, Qi-Le Zhou, Huai-Hong Yin, Tao Zhou, Jun-Peng Jiang, Han-Jia Ye. “TALENT: A Tabular Analytics and Learning Toolbox.” JMLR 26(226):1–16, 2025. ↗
- Han-Jia Ye, Huai-Hong Yin, De-Chuan Zhan, Wei-Lun Chao. “Revisiting Nearest Neighbor for Tabular Data: A Deep Tabular Baseline Two Decades Later.” ICLR, 2025. ↗
相关资源：TALENT 工具包 ↗
13表格数据基座模型及扩展Tabular Foundation Models & BeyondPrior-data Fitted Networks；TabPFN；上下文学习；生成与多模态扩展见下方论文
论文阅读（5 篇）
- Samuel Müller et al. “Transformers Can Do Bayesian Inference.” ICLR, 2022. ↗
- Noah Hollmann et al. “Accurate Predictions on Small Data with a Tabular Foundation Model.” Nature 637:319–326, 2025. ↗
- Han-Jia Ye, Si-Yang Liu, Wei-Lun Chao. “A Closer Look at TabPFN v2: Strength, Limitation, and Extension.” NeurIPS, 2025. ↗
- Si-Yang Liu, Han-Jia Ye. “TabPFN Unleashed: A Scalable and Effective Solution to Tabular Classification Problems.” ICML, 2025. ↗
- Si-Yang Liu, Han-Jia Ye. “TabSwift: An Efficient Tabular Foundation Model with Row-Wise Attention.” ICML, 2026. ↗
注：课程内容与阅读材料会根据实际教学情况调整。
课程内容参考图书
- 周志华：《机器学习》，清华大学出版社，2016。 ↗
- Tom M. Mitchell. Machine Learning. McGraw-Hill, 1997. ↗
- Trevor Hastie, Robert Tibshirani, Jerome Friedman. The Elements of Statistical Learning (2nd Edition). Springer, 2009. ↗
- Kevin P. Murphy. Probabilistic Machine Learning: An Introduction. MIT Press, 2022. ↗
- Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning. MIT Press, 2016. ↗
- Aston Zhang, Zachary C. Lipton, Mu Li, Alexander J. Smola. Dive into Deep Learning. Cambridge University Press, 2023. ↗
阅读材料 Readings
教材与习题
- 周志华 著，《机器学习》，清华大学出版社，2016。
- 叶翰嘉、詹德川 著，《〈机器学习〉习题参考》，机械工业出版社，2025；配套代码 ↗
英文资源
另可参考 《Probabilistic Machine Learning》↗、《Dive into Deep Learning》↗ 等英文教材和开放资源。
课程要求 Coursework
课程作业形式包括书面作业和编程作业。
学术诚信
可以讨论思路，但提交内容必须独立完成；引用代码、文字或外部工具时应清楚标注来源。
大模型使用
可以使用大模型辅助理解概念、检查代码或改进表达，但不得直接提交未经核验的生成内容。使用时应简要说明所用工具及用途，并对最终答案的正确性、原创性和可解释性负责；若具体作业另有规定，以作业说明为准。