《《机器学习4》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4》课程教学大纲.docx（7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2教学大纲一、课程基本信息课程名称机器学习Machine Learning课程编码CST110821020开课院部计算机科学与技术学院课程团队新技术教学团队学分2.0课内学时32讲授32实验0上机0实践0课外学时0适用专业地理信息科学授课语言中文先修课程程序设计（C）课程简介（限选）机器学习是当前解决很多人工智能问题的核心技术，广泛应用于机器视觉、语音识别、自然语言处理和数据挖掘等领域。本课程主要 讲授机器学习的发展历程、基本概念和常用的机器学习算法及应用。主要教学内容涉及监督学习、集成学习、无监督学习和深度学习等领 域的常用算法。课程注重理论与实践的结合，通过实践性作业来巩固学生对不
2、同机器学习算法的理解和应用。通过本课程的学习，学生能 够了解机器学习领域的最新发展动向及现状，掌握机器学习的新概念、新理论、新方法及其应用，能够运用机器学习方法来解决实际问 题，为进一步将机器学习算法应用到本专业领域打下坚实的基础。Machine learning is the core technology to solve many artificial intelligence problems at present. It is widely used in machine vision, speech recognition, natural language processing,
3、 data mining and other fields. This course mainly teaches the development process, basic concepts, commonly used machine learning algorithms and applications of machine learning. The main teaching content involves common algorithms in the fields of supervised learning, ensemble learning, unsupervise
4、d learning and deep learning. The course focuses on the combination of theory and practice, and consolidates students, understanding and application of different machine learning algorithms through practical homework. Through the study of this course, students can understand the latest development t
5、rend and current situation in the field of machine learning, master the new concepts, theories, methods and applications of machine learning, can use machine learning methods to solve practical problems and lay a solid foundation for further applying machine learning algori thins to this professiona
6、l field.负责人大纲执笔人审核人二、课程目标序号代号课程目标OBE毕业要求指标点任务自选1Ml目标1 ： 了解机器学习基本概念、应用及发展现状；是2. 32.32M2目标2 ：掌握机器学习常用算法基本原理；是2. 3, 9. 12. 3, 9. 13M3目标3 ：掌握运用Python语言和相关机器学习工具包实现机器学习算法的方法；是2. 3, 9. 12. 3, 9. 14M4目标4 :培养学生的计算思维和问题求解能力，学习利用机器学习算法解决应用问题的能力。是2. 3, 9. 12. 3, 9. 1三、课程内容序号章节号标题课程内容/重难点支撑课程目标课内 学时教学方式课外 学时课外环
7、节1第一章绪论本章重点：机器学习基本概念和发展现状Ml/21. 1什么是机器学习？机器学习基本概念Ml0.5讲授/ /31.2机器学习的发展历 程介绍机器学习的产生、发展和现状Ml1讲授/41.3机器学习的典型应 用介绍机器学习的应用领域，如语音识别、人脸检测、人机对 弈、机器翻译、自动驾驶等Ml0.5讲授/ /5第二章基本概念本章重点：算法分类、精度与召回率、R0C曲线、过拟合、正 则化；难点：R0C曲线、正则化Ml/62. 1算法分类监督信号、分类问题与回归问题、生成模型与判别模型、强化 学习Ml1讲授/ /72.2模型评估与选择精度与召回率、R0C曲线、混淆矩阵、交叉验证、过拟合与欠 拟
8、合、偏差与方差、正则化Ml1讲授/8第三章有监督学习本章重点：线性回归、朴素贝叶斯分类器CART算法、KNN算 法、支持向量机核函数与参数调节；难点：各重点算法的应用 编程实现/93. 1广义线性模型（1）线性模型基本概念（2）线性回归及应用（2）岭回归及应 用M2, M3, M 44讲授/算法应用 程序设计 作业并撰 写报告103.2朴素贝叶斯（1）贝叶斯定理简介（2）朴素贝叶斯分类器及应用M2, M3, M42讲授/算法应用 程序设计 作业并撰 写报告113. 3决策树（1）树形决策过程（2） CART算法：特征选择、CART分类树建 立、CART回归树建立、决策树剪枝（3） CART应用
9、M2, M3, M42讲授/算法应用 程序设计 作业并撰 写报告123.4K近邻（KNN）算法（1）基本思想（2） KNN算法：算法流程、常用距离定义（3） 应用实例M2, M3, M42讲授/算法应用 程序设计 作业并撰 写报告133.5支持向量机（1）基本原理（2）核函数（3）参数调节（4）应用实例M2, M3, M42讲授/算法应用 程序设计 作业并撰 写报告14第四章集成学习本章重点：随机森林算法、离散型和实数型AdaBoost算法；难 点：重点算法的应用程序实现/154. 1概述集成学习基本概念、Baging算法、Boosting算法M22讲授/算法应用 程序设计 作业并撰 写报告1
10、64.2随机森林算法原理及应用M2, M3, M42讲授/算法应用 程序设计 作业并撰 写报告174.3AdaBoost 算法（1）强分类器与弱分类器（2）广义加法模型（3）各种AdaBoost 算法（4） AdaBoost 算法应用M2, M3, M42讲授/算法应用 程序设计作业并撰 写报告18第五章无监督学习本章重点：k-means算法、主成分分析；难点：重点算法的应 用程序实现/195. 1聚类算法（1）相似性度量方法和经典聚类算法（2）算法评价指标（3） k-means算法：原理和应用M2, M3, M42讲授/算法应用 程序设计 作业并撰 写报告205.2数据降维（1）降维问题（2
11、）主成分分析（PCA） （3）应用实例M2, M3, M42讲授/算法应用 程序设计 作业并撰 写报告21ZrA- 第八早神经网络与深度学 习本章重点：BP算法、CNN模型；难点：BP算法、CNN模型/226. 1人工神经网络（1）神经网络的基本原理和表示方法（2）反向传播算法（BP）及应用（3）反响传播算法的其他问题：收敛性、局部极 小值等M2, M3, M44讲授/算法应用 程序设计 作业并撰 写报告236.2深度学习（1）深度学习基本原理（2）卷积神经网络（CNN）模型及应用M2, M3, M44讲授/算法应用 程序设计 作业并撰 写报告四、考核方式序号考核环节操作细节总评占比1平时作业
12、1 .算法部分每次课1道题目。2 .成绩采用白分制，根据作业完成准确性、是否按时上交、是否独立完成评分。3 .考核学生对机器学习基本知识的掌握能力，学生综合运用所学知识分析问题、解决问题的能力，题型主要是编程题。20%2随堂测试1 .每次课利用信息技术实时推送选择题，学生在线答题，实时回收结果并自动评测，每次3-5个题目。2 .主要考核学生对机器学习基本概念和算法原理的理解。20%3课堂表现随机检查学生上课精神状态、回答问题情况；通过随机点名、刷卡点名掌握学生考勤情况。10%4大作业1 .本课程要求选择本专业领域实际问题，选择合适的机器学习算法并利用python实现数据的处理和解释2 .根据问
13、题的分析和实现方案的效果评分。3 .主要考核学生综合运用所学知识分析问题、解决问题的能力，题型为编程题。50%五、评分细则序号课程目标考核环节大致占比评分等级1M3平时作业20%A-按时提交程序和报告，程序执行正确，结论无误，报告结构完整论述准确。B-按时提交程序和报告，程 序基本正确，结论基本正确，报告结构完整，论述较准确。C-按时提交程序和报告，程序执行基本正确， 结论基本正确，报告结构基本，论述基本准确。2M2随堂测试20%1-见试卷评分标准。2-课程结束后统计总分，折合为百分制。3M2课堂表现10%A-课堂表现积极，缺勤2次以内。B-缺勤3次及以上，很少参加课堂讨论。4M4大作业40%
14、A-按时提交程序和报告，程序执行正确，结论无误，报告结构完整论述准确。B-按时提交程序和报告，程 序基本正确，结论基本正确，报告结构完整，论述较准确。C-按时提交程序和报告，程序执行基本正确， 结论基本正确，报告结构基本，论述基本准确。评分等级说明：A, B, C, D, E = 90-100, 80-89, 70-79, 60-69, 0-59 ; A, B, C, D = 90-100, 75-89, 60-74, 0-59; A, B, C = 90-100, 75-89, 60-74, 0-59; A, B = 80-100, 0-79六、教材与参考资料序号教学参考资料明细1图书1机器学习原理、算法与应用，雷鸣，清华大学出版社，2019. 09, ISBN:9787302532347. （*主教材）2图书1机器学习，周志华，清华大学出版社，2016.01, ISBN:9787302423287.3图书1深入浅出Python机器学习，段小手，清华大学出版社，2018. 07, ISBN:9787302503231.