在当今数字化媒体时代，机器学习技术正以前所未有的速度发展，其在无损检测领域的应用更是引起了广泛关注。为了向学生们展示机器学习算法的分类、有监督学习与无监督学习的常见算法及其比较，并通过分析网络推荐系统，探讨这些技术在无损检测中的应用，以此开拓学生视野，提升他们的科研技术应用能力。3月13日下午3点信息工程学院邓志龙副教授在积学楼B3阶梯教室，进行了以“机器学习在推荐系统中的应用”为主题的学术讲座，信息工程学院大数据专业、数字媒体专业学生参加，本次讲座由田甜副教授主持。

邓志龙老师通过向同学们介绍机器学习在各领域的广泛应用，特别是在语音识别、人脸识别、医疗诊断、模式识别等领域的关键角色，进而介绍了机器学习的分类，包括有监督学习、无监督学习和强化学习。并详细解释了它们的基本原理和特点，并以Q-learning等强化学习算法为例，展示了其在游戏开发中的应用。紧接着，他详细介绍了有监督学习的常见算法，包括线性回归、逻辑回归、支持向量机（SVM）、决策树和朴素贝叶斯分类等。他分析了不同算法的优缺点和适用场景，以及在文本分类、人脸识别、医学诊断等领域的应用。随后，详细介绍了无监督学习的常见算法，包括聚类、降维、K均值聚类、主成分分析等。他分析了这些算法的优缺点和适用场景，以及在图像处理、数据分析以及市场研究等领域的应用。此后，基于无监督学习的可解释性推荐系统，进一步探讨了无监督学习在推荐系统中的应用，包括设计辅助任务增强用户表征学习、构建对比学习任务的有效方式和面临的挑战等。他强调了评估推荐系统的重要性，特别是离线评估和在线评估需要考虑的问题和方法。最后，总结了机器学习在推荐系统中的前沿技术和应用，并鼓励大家通过科研训练和实战经验，提升自己在数字化媒体时代的科研技术应用能力。

此次讲座不仅介绍了机器学习的基础知识，还深入探讨了其在无损检测领域中的应用。通过实例分析，学生们得以直观地理解机器学习技术如何在实际问题中发挥作用，这对于他们未来在科研或工业界的发展具有重要意义。同时，本次讲座也为学生提供了一个了解机器学习前沿技术的平台，更为他们在数字化媒体时代中的科研技术应用能力铺平了道路，为未来职业生涯打下坚实的基础。

（撰写：田甜   审核：邓志龙）