《《机器学习课程设计》课程教学大纲.docx》由会员分享，可在线阅读，更多相关《《机器学习课程设计》课程教学大纲.docx（10页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、机器学习课程设计课程教学大纲一、课程基本信息课程代码：课程名称：机器学习课程设计英文名称： Machine Learning Course Design课程类别：必修课程学时：32学时（其中实验32学时）学分：2适用对象：计算机科学与技术专业、软件工程专业、信息管理专业、电子商务专 业考核方式：课程论文先修课程：高级程序设计语言、汇编语言、python语言 二、课程简介目前机器学习领域是一个异常火热的研究方向，受到了学术界和工业界的高度关 注。机器学习已经在语音识别、图像识别、自然语言处理等诸多领域取得了突破性进 展，对学术界和工业界产生了深远的影响。本课程采用python程序实现平台，讲解了
2、 线性模型、决策树、支持向量机、贝叶斯分类器、聚类、集成学习、半监督学习、神 经网络等的设计与实现。通过本课程的学习使学生掌握机器学习技术并应用该技术解 决实际问题，了解应用领域的背景知识。Machine Learning is currently an extremely hot research direction. It has received great attention from academia and industry. Machine Learning has made breakthroughs in many fields such as speech recognit
3、ion, image recognition, and natural language processing, and has had a profound impact on academia and industry. This course uses Python implementation platform, and explains the design and implementation of Linear model, decision tree, support vector machine, Bayesian classifier, clustering, ensemb
4、le learning, semi-supervised learning, neural network and so on. Through the study of this course, students will master Machine Learning technology and apply the technology to solve practical problems, understand the background knowledge of the application field. 三 课程性质与教学目的机器学习课程设计是计算机及相关专业的必修课之一。机
5、器学习是人工智能取得 突破的核心技术，在多个领域获得重要应用。由于课程涉及计算机编程语言，且涉及 概念多，内容较抽象，对于基本概念的理解和算法实现的把握有一定难度。弟五早2第六章2第七章4第八章8第九章8合计003232六、推荐教材和教学参考资源1 .机器学习.机器学习.清华大学出版社，2020年.2 .邱锡鹏著.神经网络与深度学习.机械工业出版社,2020年.3 .胡晓武、秦婷婷等.智能之门.高等教育出版社,2020年.4 .弗朗索瓦肖莱(Francois Chollet)著.Python深度学习.人民邮电出版社，2018年.5 .龙良曲著.TensorFlow深度学习一深入理解人工智能算法
6、设计.清华大学出版社，2020 年.6 .魏溪含，涂铭，张修鹏著，深度学习与图像识别：原理与实践.机械工业出版社,2019年.七、其他说明大纲修订人：李祥霞 大纲审定人：修订日期：2023年2月 审定日期：课程的教学要达到三个层次的目的：（1）知识结构。通过理论教学和上机实验, 使学生理解深度学习的基本概念和算法，掌握机器学习的基本概念和理论知识，机器 学习中主要算法，掌握机器学习的实践使用。（2）思维结构。在教学过程中培养学 生的计算思维和逻辑，使学生能够用计算和逻辑思维去分析问题和解决问题，在学习 职业技能的同时培养思维习惯。（3）职业素养。通过课程的教学，使学生对操作系 统的存在问题和发
7、展趋势形成自己的认识，能够在工作实践中更好地解决问题并把握 机会，这是课程教学第三层次的目的。通过加入思政的知识，引入一些思政案例，让 学生学以致用，紧跟行业最领先技术水平，同时，面对一些互联网巨头企业，在深度 学习领域取得的巨大成功与前沿技术成果应用产生强烈民族自豪感，为国家数字化经 济与技术发展努力奋斗，勇攀知识高峰立下志向。四、教学内容及要求第一章引言（-）目的与要求介绍机器学习的基本概念及发展过程。通过本章的学习，使学生能够从 机器学习的发展理解机器学习的概念，从机器学习的概念理解机器学习 的特征，从机器学习与日俱增的数据量和模型规模来总体认识本门课程。（二）教学内容机器学习的历史趋势
8、1 .主要内容本节介绍机器学习的基本概念及发展过程，及未来的发展趋势。2 .基本知识点机器学习的众多算法，与日俱增的数据量，与日俱增的模型规模，与 日俱增的精度、复杂度和对现实世界的冲击3 .问题与应用（能力要求）理解机器学习的概念，了解机器学习发展历程和趋势。（三）思政与实践通过本章的学习，使学生对机器学习的概念、发展历程有个总体认识， 本章既是课程开始的引论，也是课程结束的结论，学习完课程再回到本 章，无论从知识结构还是认识水平都应该有所收获。艾伦麦席森图灵曾给出著名的图灵测试试图定义一台机器是否具有 智能；霍华德加德纳的多元智能理论将人类的智能分成了七个范畴： 语言、逻辑、空间、肢体运作
9、、音乐、人际、内省；而更加一般的对智 能的理解是知识和智力的总和，前者是智能的基础，后者是指获取和运 用知识求解的能力。如果我们将深度学习技术划分在仿生学的范畴中， 将其视为一种对人类大脑的模仿，那么对智能体的探讨可能需要回归到“为什么生命需要智能，智能的作用是什么？”这个问题上来。虽然大 量的生物，用低等智能就可以很好的生存，但是我们依然想要弄清高级 智能的原理将其服务于我们自身，因为我们的环境更为复杂。高等智能 最具代表性的就是可以思考，本节将从哲学方面讨论什么是自我意识， 以及为什么会进化出意识允许我们思考。印度学者说意识是我们内心的火花和链接，是把我们思维中最高层次、 最光明的部分与最
10、低层次、最黑暗的部分联系起来的黄金链接。马克思 说：“意识在任何时候都只能是被意识到的存在。观念的东西不外是移入 到人的头脑并在人的头脑中改造过的物质而已。”还有学者说意识让我们 能够认识自我，且赋予我们身份认同感、思维和存在感，进而使事物在 我们眼中产生意义。从这些概念中，我们可以确认“意识”和“自我” 是密切相关，人类有了意识，必然逐步产生对“自我”的探知和追求，从 而形成“自我意识”。融入点：关于“自我意识”的认识。近代法国哲学家笛卡尔提出“我思 故我在”，强调我们可以怀疑一切，但是不能怀疑“自我存在”本身。因 为我在怀疑恰恰证实了我在怀疑的真实性。笛卡尔认为“我”只是一个 思维、精神和
11、理性。“我”是心灵实体，其本质就是“思想”。笛卡尔所 说的思想，包括一切意识活动，如怀疑、否定、肯定、愿意、不愿意、 感觉和想象等等。区分自我，首先必须是有“我”存在，即有“思想” 存在，然后通过我是否在思考和怀疑来体现。因为自我意识只有通过与 其他事物相区别才有可能，换句话说，我们只能通过与其他事物的区别 才能意识到自我,也就是说没有“你、我、他”之分，何来“自我意识”。 事实上，无论是笛卡尔的“我思故我在”，还是洛卡“自我即是记忆”， 又或是莱布尼兹的“统觉”和马克思的“人类是社会性的存在”，以上种 种对“自我意识”的看法，都仅仅是“自我意识”的某个方面。我认为 自我不仅仅是某个特征，否则
12、只要具备这个特征，无论对象是人、青蛙、 鸟等等，都将是同一个人。我认为“自我意识”的概念包含了一个人的 许多不同的特性和方面，正如人工智能先驱马文.明斯基所说：“意识就 是一个手提箱式的词汇，它被人们用来表示不同的精神活动。”所以 我认为，意识在哲学中所处的“尴尬”地位，与智能在工程设计中所染 的“玄幻”色彩，有异曲同工之处。我们唯有将这些方方面面的定义进 行汇总、梳理和分层，才有望窥探到“自我意识”与“智能”的真面目。 （四）教学方法与手段本章内容以实验讲授和编程练习为主。第二章线性回归（一）目的与要求本章介绍线性回归概念及应用。通过本章的学习，使学生掌握一些数学 线性回归知识点，为深度学习
13、的技术学习奠定基础。（二）教学内容1 .主要内容介绍线性回归中的一些概念和方法，为深度学习的技术学习奠定基础。2 .基本知识点线性回归概念、模型、模型代价函数、模型求解、模型特点及实例等。3 .问题与应用（能力要求）本节内容相对基础，通过对线性回归概念和模型介绍，为深度学习的 技术学习奠定基础。（三）思政与实践本章是全书的理论基础知识，通过本章学习的线性回归基本概念和方法, 让学生通过学习掌握线性回归知识的一些概念。融入点：学习任何事情都要追踪事情的本源，理解其内在的根据和机制。 在人工智能领域，尽管以深度学习为代表的AI算法正受业界热捧，但它 的“黑盒”式学习模式给整个行业的进一步发展蒙上了
14、隐忧。用中国科 学院院士、智源研究院学术委员会主席张钱在某次接受媒体采访时的观 点来说，便是现在“AI奇迹短期难再现，深度学习潜力已近天花板”： 算法只有“相关性”，而无“因果性”，将带来人工智能系统根基的脆 弱性、可欺骗性等深远隐患。这个观点，已经在中国人工智能业界引起 了重大反响和一定程度的共识。早在2019年4月，智源研究院便已发布 了重大方向“人工智能的数理基础”，并支持诸多中国顶尖数学家，致 力于研究、解决人工智能领域最根本的理论挑战，比如可计算性、可解 释性、泛化性、稳定性等。人工智能领域中涉及的问题，单凭计算机科 学家不一定能回答它，因为对其理解一定需要大量的数学。计算机科学 的
15、人去研究人工智能，往往是设计某个聪明的算法去解决一个具体的问 题，而做数学的人总是要去理解：为什么是这样，并建立某种更深层的 理论框架去解释它。在人工智能领域，不能仅仅停留在实验阶段，而是 要深入研究其内在的机理。比如现在的神经网络，要么解决一个分类问 题，要么应对一个回归问题，至于搭建的网络到底应该设多深多宽，到 底需要什么特殊网络结构，都不知道，反正就是做“试验”，最简单的 就是用“多层感知机”搭建起来，随后则利用Tensorflow这样的软件， 程序都几乎不用怎么写，直接把数据输入进去，软件自动可以做一个SGD 确定参数，等结果出来后再输入新的数据试验，随后再看看效果、看看误差等，但这种
16、方法为什么好，好到一个什么程度，把这个方法修改后 能否达到一个更好的逼近？没有任何一个定理可以说明，需要利用数学 原理去解释。（四）教学方法与手段本章内容以实验讲授和编程练习为主。第三章线性分类（一）目的与要求本章介绍机器学习当中使用到的线性分类知识点。通过本章的学习，使 学生掌握一些线性分类知识点，为深度学习的技术学习奠定基础。（二）教学内容1 .主要内容介绍线性分类中的一些概念和模型，为深度学习的技术学习奠定基础。2 .基本知识点线性分类概念、模型、模型代价函数、模型求解、模型特点及实例等。3 .问题与应用（能力要求）本节内容相对基础，通过对线性分类概念和模型介绍，为深度学习的 技术学习奠
17、定基础。思考与实践本章是全书的理论基础知识，通过本章学习的基本概念，让学生通过学 习掌握线性分类的基础知识。（三）教学方法与手段本章内容以实验讲授和编程练习为主。第四章决策树（一）目的与要求本章介绍决策树概念及模型。通过本章的学习，使学生掌握一些决策树知 识点，为机器学习的技术学习奠定基础。（二）教学内容1 .主要内容介绍决策树中的一些概念和模型，为机器学习的技术学习奠定基础。2 .基本知识点决策树概念、模型、模型代价函数、模型求解、模型特点及实例等。3 .问题与应用（能力要求）本节内容相对基础，通过对决策树概念和模型介绍，为机器学习的技术学 习奠定基础。（三）教学方法与手段本章内容以实验讲授
18、和编程练习为主。第五章支持向量机（一）目的与要求本章介绍支持向量机概念及应用。通过本章的学习，使学生掌握一些支持 向量机知识点，为机器学习的技术学习奠定基础。（二）教学内容1 .主要内容介绍支持向量机的一些概念和模型，为机器学习的技术学习奠定基础。2 .基本知识点支持向量机概念、模型、模型代价函数、模型求解、模型特点及实例等。3 .问题与应用（能力要求）本节内容相对基础，通过对支持向量机概念和模型介绍，为机器学习的技 术学习奠定基础。（三）教学方法与手段本章内容以实验讲授和编程练习为主。第六章贝叶斯分类器（-）目的与要求本章介绍了机器学习的贝叶斯分类器，介绍了相关的基础知识点、应用 方法及示例
19、，分析了分类器的性能。（二）教学内容1 .主要内容介绍贝叶斯分类器的概念、原理和构架及实现方法。2 .基本概念和知识点介绍基于贝叶斯分类器问题与应用。3 .问题与应用（能力要求）掌握的贝叶斯分类器的概念和基本原理，能够分析贝叶斯分类器算法 的应用。（三）思考与实践本章是全书的实践部分，通过本章学习贝叶斯分类器的概念和基本原理, 让学生通过学习掌握贝叶斯分类器的概念和基本原理。（四）教学方法与手段本章内容以实验和讨论为主。第六章集成学习（一）目的与要求本章介绍了机器学习中的集成学习的问题。（二）教学内容1 .主要内容介绍集成学习的概念和基本问题。2 .基本概念和知识点Boosting和随机森林等
20、3 .问题与应用（能力要求）理解集成学习的基本问题，以及随机森林的原理。（三）思考与实践通过本章的学习理解集成学习中Boosting和随机森林的算法。（四）教学方法与手段本章内容以实验和讨论为主。第七章聚类（一）目的与要求本章介绍了机器学习中的聚类算法，聚类算法的原理及所面临的挑战。（二）教学内容1 .主要内容介绍聚类算法算法。2 .基本概念和知识点聚类任务、性能度量、距离计算、原型聚类、层次聚类等。3 .问题与应用（能力要求）理解聚类算法的相关理论。（三）思政与实践通过本章的学习理解聚类算法的基本理论和方法，能结合优化策略选择 合适的优化算法。（四）教学方法与手段本章内容以实验和讨论为主，可
21、结合学生使用的聚类算法进行实践应用, 加深对聚类原理的理解。第八章半监督学习（）目的与要求本章介绍了半监督学习的概念及原理。（二）教学内容1 .主要内容介绍了半监督学习的概念及原理。2 .基本概念和知识点及生成式方法、半监督SVM、图半监督式学习、半监督聚类等。3 .问题与应用（能力要求）理解半监督学习，结合半监督学习的原理进行实验操作。（三）教学方法与手段本章内容以多媒体课堂讲授和实验为主，做实验报告加以理解。第九章神经网络（一）目的与要求本章介绍了神经网络的原理及构架。（二）教学内容1 .主要内容介绍了神经网络的原理及构架。2 .基本概念和知识点CNN神经网络、循环神经网络、双向RNN、基
22、于编码-解码的序列到 序列架构、深度循环网络、递归神经网络等。3 .问题与应用（能力要求）理解神经网络网络的原理及构架，会应用于相关领域。（三）课程思政深度CNN在图像处理、视频、语音和文本中取得了突破。本文种，我们 主要从计算机视觉的角度对最近CNN取得的进展进行了深度的研究。我 们讨论了 CNN在不同方面取得的进步：比如，层的设计，活跃函数、损 失函数、正则化、优化和快速计算。除了从CNN的各个方面回顾其进展, 我们还介绍了 CNN在计算机视觉任务上的应用，其中包括图像分类、物 体检测、物体追踪、姿态估计、文本检测、视觉显著检测、动作识别和 场景标签。虽然在实验的测量中，CNN获得了巨大的
23、成功，但是，仍然还有很多工 作值得进一步研究。首先，鉴于最近的CNN变得越来越深，它们也需要 大规模的数据库和巨大的计算能力，来展开训练。人为搜集标签数据库 要求大量的人力劳动。所以，大家都渴望能开发出无监督式的CNN学习 方式。同时.，为了加速训练进程，虽然已经有一些异步的SGD算法，证明 了使用CPU和GPU集群可以在这方面获得成功，但是，开放高效可扩 展的训练算法依然是有价值的。在训练的时间中，这些深度模型都是对 内存有高的要求，并且消耗时间的，这使得它们无法在手机平台上部署。 如何在不减少准确度的情况下，降低复杂性并获得快速执行的模型，这 是重要的研究方向。其次，我们发现，CNN运用于
24、新任务的一个主要障碍是：如何选择合适 的超参数？比如学习率、卷积过滤的核大小、层数等等，这需要大量的 技术和经验。这些超参数存在内部依赖，这会让调整变得很昂贵。最近 的研究显示，在学习式深度CNN架构的选择技巧上，存在巨大的提升空 间。最后，关于CNN,依然缺乏统一的理论。目前的CNN模型运作模 式依然是黑箱。我们甚至都不知道它是如何工作的，工作原理是什么。 当下，值得把更多的精力投入到研究CNN的基本规则上去。同时，正如 早期的CNN发展是受到了生物视觉感知机制的启发，深度CNN和计算 机神经科学二者需要进一步的深入研究。有一些开放的问题，比如，生 物学上大脑中的学习方式如何帮助人们设计更加高效的深度模型？带权 重分享的回归计算方式是否可以计算人类的视觉皮质等等。融入点：在学习中我们要善于总结和思考，将复杂事情进行分层处理， 每一层完成特定的功能，最终高效、准确地解决实际问题。（四）思考与实践通过本章的学习理解循环和递归网络的原理及构架，及训练过程，让学 生在实验实操课程中掌握循环和递归网络的构架。（五）教学方法与手段本章内容以多媒体课堂讲授为主，配合上机实验进行验证，加深理论内 容的理解。五、各教学环节学时分配教学环节教学时数、课程内讲课习 题 课讨 论 课实验其他教 学环节小计第一章2弟一早2第三章2第四章2