06410185机器学习B大学高校课程教学大纲.docx

《06410185机器学习B大学高校课程教学大纲.docx》由会员分享，可在线阅读，更多相关《06410185机器学习B大学高校课程教学大纲.docx（7页珍藏版）》请在第壹文秘上搜索。

1、机器学习A(MachineLearningA)课程代码：06410184学分：2学时：32（其中：课堂教学学时：24上机学时：8）先修课程：高等数学、线性代数、概率统计、程序设计（C、C+或者InatIab）适用专业：计算机科学与技术教材：ChriSBishop,mPatternRecognitionandMachineLearningw.Springer,2007,新版开课学院：计算机科学与通信工程学院课程网站：（选填）一、课程性质与课程目标（一）课程性质（需说明课程对人才培养方面的贡献）本课程是面向计算机学院高年级本科生开设的专业基础课。其教学重点是使学生掌握常见机器学习算法，包括算法的主

2、要思想和基本步骤，并通过编程练习和典型应用实例加深了解；同时对机器学习的一般理论，如:特征降维、监督学习、非监督学习、聚类以及深度学习有所了解。（二）课程目标（根据课程特点和对毕业要求的贡献，确定课程目标。应包括知识目标和能力目标。）1 .知识方面课程目标LL了解机器学习理论和方法的发展、动机以及新进展。课程目标1.2：理解机器学习、欠拟合、过拟合、线性回归、K近邻、SVU、神经网络、聚类、流形学习和深度学习的理论和方法。课程目标L3：掌握线性回归、K近邻、SVk神经网络、聚类、流形学习和深度学习的使用方法。2 .能力与素质方面课程目标2.1：能够借助各种网络资源，熟练查阅、下载、使用和维护常

3、用的机器学习模型。课程目标2.2：能够理解线性回归、K近邻、SYM、神经网络、聚类、流形学习和深度学习的基本原理、功能和作用，并能够分析这些方法和手段的优缺点以及对环境和社会可持续发展的影响。课程目标2.3：能够通过查阅资料，结合已经掌握的机器学习知识，灵活选用恰当的机器学习模型和方法，分析和解决日常生活中的复杂工程问题。（三）课程目标与专业毕业要求指标点的对应关系（认证专业必修课程填写）本课程支撑专业培养计划中毕业要求指标点：毕业要求指标点3.4：能够借助文献研究分析计算机领域复杂工程问题的解决方案，以获得有效结论。毕业要求指标点6.2：能够针对计算机科学与技术领域复杂工程问题，开发、选用恰

4、当的技术和资源，并能够了解其局限性。毕业要求指标点&1：了解与计算机技术的方法和手段对环境和社会可持续发展的影响。一巷业要求指标点课程目标3.46.28.11.1/1.2Z1.3/2.1/2.22.3/注：课程目标与毕业要求指标点对接的单元格中可输入也可标注“H、M、L”。二课程内容与教学要求（按章撰写）第一章绪论（2学时）（一）课程内容1. 1机器学习的概念、分类、动机与应用1.2欠拟合与过拟合（重点、难点）（二）教学要求1.了解机器学习的动机和应用2.掌握机器学习的概念、分类以及欠拟合和过拟合第二章监督学习（8学时）（一）课程内容2.1 线性回归（重点）2.2 分类方法（重点）2. 2.1

5、K近邻2. 2.2神经网络1 .3核方法（支持向量机）（难点）（二）教学要求1.理解线性回归，分类方法中的K近邻，神经网络方法2 .理解支持向量机3 .掌握线性回归、K近邻，神经网络以及支持向量机解决实际问题的方法第三章非监督学习（聚类）（4学时）（一）课程内容3.1 划分聚类（K均值）（重点）3. 2层次聚类（难点）（二）教学要求1.理解划分聚类和层次聚类的概念2 .了解聚类方法的种类和发展现状3 .掌握K均值的应用方法第四章特征降维技术（6学时）（一）课程内容4.1 线性子空间学习（重点）4.2 流形学习（难点）（二）教学要求1 .了解线性子空间和流形学习的原理2 .掌握线性子空间和流形学

6、习的应用第五章机器学习新技术(4学时)(一)课程内容5.1深度学习理论(重点)5. 2深度学习应用及案例分析(难点)(二)教学要求1 .理解深度学习理论2 .掌握常用的深度学习模型的应用三、本课程开设的实验项目(如课程不含实验，该项可不填)编号实验项目名称学时类型要求支撑的课程目标1典型监督学习方法分类实践与比较分析4综合型必做2.1,2.2,2.32传统特征提取方法和特征自动学习方法实践与比较分析4综合型必做2.1,2.2,2.3注：L“类型”填验证性、综合性、设计性等；2 .“要求”填必做、选做。实验L典型监督学习方法分类实践与比较分析3 .实验目的与要求(1)利用所学习的监督学习方法完成

7、目标识别实验方案的设计。(2)编程并利用相关软件完成实验测试，得到实验结果。(3)通过对实验数据的分析、整理，方法的对比，得出实验结论，培养学生创新思维和编写实验报告的能力，以及处理一般工程设计技术问题的初步能力及实事求是的科学态度。(4)利用实验更加直观、方便和易于操作的优势，提高学生学习兴趣，让学生自主发挥设计和实施实验，发挥出学生潜在的积极性和创造性。4 .实验主要内容(1)采用己经学过的监督学习的方法，如：神经网络、支持向量机等实现分类任务。(2)分析比较不同方法的优缺点。5 .设备要求PC一台。2 2)C+或者Matlab编程软件。实验2,传统特征提取方法和特征自动学习方法实践与比较

8、分析3 .实验目的与要求(1)利用所学习的传统特征提取方法和特征自动学习方法完成图像特征提取的实验方案的设计。(2)编程并利用相关软件完成实验测试，得到实验结果。(3)通过对实验数据的分析、整理，方法的对比，得出实验结论，培养学生创新思维和编写实验报告的能力，以及处理一般工程设计技术问题的初步能力及实事求是的科学态度。(4)利用实验更加直观、方便和易于操作的优势，提高学生学习兴趣，让学生自主发挥设计和实施实验，发挥出学生潜在的积极性和创造性。4 .实验主要内容(1)采用已经学过的特征提取方法，如：SIFT、GabOl小波以及深度学习网络等实现图像特征提取和学习的任务。(2)分析比较不同方法的优

9、缺点。5 .设备要求(I)PC一台。(2) C+或者Matlab编程软件。四、学时分配及教学方法章(按序填写)教学形式及学时分配主要教学方法支撑的课程目标课堂教学实验上机课程实践小计第一章2讲授法+案例教学1.1第二章82讲授法+案例教学+自学1.2,1.3第三章42讲授法+案例教学+自学1.2,1.3第四章62讲授法+案例教学+自学1.2,1.3第五章42讲授法+案例教学+自学1.2,1.3合计248注：L课程实践学时按相关专业培养计划列入表格;2 .主要教学方法包括讲授法、讨论法、演示法、研究型教学方法（基于问题、项目、案例等教学方法）等。五、课程考核考核形式考核要求考核权重备注课堂表现讨

10、论交流活跃程度和陈述正确性10%3.440%6.250%8.110%实验完成2个实验;具体要求见评分细则50%3.430%6.270%实验报告（课程报告）具体要求见评分细则40%3.420%6.250%8.130%注：1.分学期设置和考核的课程应按学期分别填写上表。3 .考核形式主要包括课堂表现、平时作业、阶段测试、期中考试、期末考试、大作业、小论文、项目设计和作品等。4 .考核要求包括作业次数、考试方式（开卷、闭卷）、项目设计要求等。5 .考核权重指该考核方式或途径在总成绩中所占比重。六、参考书目及学习资料（书名，主编，出版社，出版时间及版次）11.ChrisBishop,44PattemR

11、ecognitionandMachineLeaming,Springer,2007.2 .SimonHaykin,ttNeuralNetworkandLearningMachinesn.机械工业出版社，2009.3 .Hastie,Tibshrani,Fiedman,44ElementsofStatisticalLeaming,Springer,2010.4 .TomM.Mitchell,机器学习（英文版）原书名：MACHINELEARNING,机械工业出版社，2003.七、大纲说明（内容可包括课程基本要求、习题要求及其它一些必要的说明）制定人：毛启容审定人：潘雨青批准人：毛启容2017年8月

12、23日附录1:实验评价权重表评分项编号实验评价内容所占比重要求对毕业要求指标点支撑1问题分析和求解能力20%能够写出问题分析的过程3.1,6.22算法设计能力20%算法流程表示清楚3.1,623程序设计与调试能力20%能够编程实现并调试3.1,6.24结果分析与表述能力30%能够分析结果的有效性，并清晰表述结论3.1,6.2,8.15报告清晰，按时提交10%报告清晰，提交准时3.1,6.2,8.1具体实验报告评分细则如下:实验报告评分细则(每次实验按1()0分计算)项目优良中及格不及格问题分析和求解能力，20分能够依据有关原理进行分析，给出合适的数据结构和性能优良的算法；1820分能够依据有关

13、原理进行分析，给出合适的数据结构和正确的算法；16-17分能够依据有关原理进行分析，给出数据结构和正确的算法；14-15分能够依据有关原理进行分析，给出数据结构和基本正确的算法；12-13分能够依据有关原理进行分析，给出数据结构和算法，但算法存在问题：12分以下算法设计能力，20分能够用流程图清晰正确地描述算法；18-20分能够用流程图正确地描述算法；16-17分能够用流程图描述算法；14-15分能够用流程图描述算法，基本正确；12-13分错误较多：12分以下设计与调试能力,20分程序正确并清晰易读；18-20分程序正确；1667分程序正确但易读性稍差；14-15分程序基本正确；12-13分错误较多12分以下结果分析与表述能力，30分能够依据相关原理清晰明了地对实验结果进行分析，并清晰地表述结论；27-30分能够依据相关原理对实验结果进行分析，并得出正确结论；24-26分能够依据相关原理对实验结果进行分析，并得出结论；21-23分基本上能够依据相关原理对实验结果进行分析，并得出结论；18-20分对实验结果的分析依据不足，结论存在错误：18分以下报告清晰，按时提交IO分报告非常清楚，按时提交；9-10分报告清楚，按时提交；8分报告较清楚，按时提交；7分报告基本清楚，基本按时提交；6分未按时提交，报告不清楚；6分以下