《机器学习》教学大纲.docx

机器学习教学大纲适用范围：2O2X版本科人才培养方案涕程代码：08150461课程性质：专业选修深学分：3学分学时：48学时（理论32学时,实骏16学时）先修课程：Py1.hOn程序设计、人工智能等后续课程：无适用专业：数据科学与大数据技术开课单位：计算机科学与技术学院一、课程说明4机器学习是数据科学与大数据技术专业本科生的一门专业选修课程.本课程主要传授机器学习的分类、聚类、贝叶斯、支持向鬓机、神经网络、深度学习等学习舞法，是一门理论和实践并H1.的课程，为学习其他有关课程及以后从犷技术工作打下必要的丛础，本课程的教学应本着理出与实践相结合的原则，深入浅出，突H1.iR点，在Hi视基础理论的同时，注意培笄学生独立思考和动手能力.二、课程目标通过本课程的学习,使学生达到如下目标：课程目标h强调培养学生的动手能力要求学生通过编写机器学习的程序完成智能任务.并鼓励学生不断改善模型和代码实现从而提高机器的效能.课程目标2：掌握.机器学习的相关概念、基本潦理和将本方法，培养自主学习的能力.能师通过小组合作的方式完成设计开发解决方案。课程目标3：针对特定箍求，能陇综合运用机器学习算法，编写程序实现我法，能修利用模型评估的度量方法改进和两整模型，从而对新数据进行准确预测.三'课程目标与毕业要求力机器学习3i果程教学目标对数掘科学与大散业:技术专业毕业要求的支掠见发I.表1鼻程教学目标与毕业要求关系毕业要求指标点獴程目标支獐92.问Ji分析2.2能根据数学、自然科学和工程科学的鹤本原理为数据科学与大数据技术第域复杂工程问题选择合适的问即解决方案.双程I1.标1：强调培养学生的动手能力，要求学生通过编写机器学习的程序完成智能任务，并鼓助学生不断改善模型和代码实现从而提高机器的效能.H3.设计/开发解决方案3.1能修针对大数据应用系统设计与开发海足特定需求的模块或律法。课程目标2：掌:提机器学习的相关慨念、恭本原理和范本方法，培养自主学习的能力,能修通过小组合作的方式完成设计开发解决方案.H5.使用现代工具5.2能弊选择与使用恰当的技术、资源、现代工程工具和信息技术工具对数据科学与大数据技术领域复杂_1.程问应进行预测与模拟，课程目标3：针对特定衢求，能移媒合运用机器学习算法，编写悭序实现以法,他蜂利用模型评估的度质方法改进和调整模型，从而对新数据进行准确预测.H注：表中-H（XM（中）*表示课程与相关毕业要求的关联度.四、教学内容,基本要求与学时分配1.理论部分见表2*2教学内容、基本要求与学时分配教学内容教学要求，做学重点难点理论学时实物学时对应的僵程目标1.缗论1. 1机器学习是什么1.2机器学习算法1.3本书的学习之路教学要求I使学生了解机器学习的基本概含，机器学习算法及其分类.课程内容介绍，编程环境及工具包，点；机器学习的基本概念，机盘学习豫法分类.难点，机器学习算法分类.2O22豪美2.Ik均值聚类算法及应用示例2.2聚类算法基础2.3DBSCAN及其派生算法2.4GNES算法教学要求，使学生拿握K均值聚类及其改进算法，聚类的任务，聚类算法评价指标，聚类算法分类DBSC心算法及其派生算法，AGNES算法.点；距离度属，聚类算法评价指标，K均值算法，DBScAN算法。建点，溟类笄法评价指标，DBSCAX"法。841、2、33.回归3.1回归任务、评价与线性回归模型3.2机涔学习中的最优化方法3.3多项式回归3.1过拟合与泛化3.5向不相关性与岭回归教学要求：使学生理解回归任芬与评价方法,践性回归模型,全局最优、凸优化等机器学习中的公优化理论,掌握迭代法、梯度下降法、牛顿法等股优化方法.学会运用最小二乘法求解线性I可归模型.点；线性回归模型，梯吱下降法，笠政式回归，过拟合与泛化，向成相关性与岭回归。难点,最小:乘法求解线性回IJI模型.岭6K2、33.6局部回归回归算法.，分类4.1决策树、防机森林及其应用42分类算法基础1.3逻辑回归-1.ISoftmax回归敦学要求，使学生掌握决策树、随机森林算法,分类任务与分类模型评价指标,学会处埋逻辑I可归，SonmaXW1.归，佻成学习，类别不平衡问题。点：决策树，Soft三ax回归，集成学习。点,决策树的样本集分裂方法，AUCirw指标.611、2、36.特征工程、降罐与超ftWtt5.1特征程5.2战性降维5.3超参数调优教学要求：使学生掌握降爆方法，rwi«格搜索超参数调优方法，随机搜索超参数调优方法.重点：数加强处理方法，主成分分析降维方法，网格搜索超参数两优方法.难点：数据预处理方法，主成分分析静朝方法。201、26.率模S1.与标注6.1概率模型6.2逻辑回旧帙里的概率分析6.3朴素贝叶斯分类6.4EM算法与高斯混合聚类6.5隐马尔可夫模型6.6条件随机场模型教学襄求：使学生了解逻辑回归模型的概率分析，聚握朴素贝叶斯分类及防马尔可夫模型.点，朴泰贝叶斯分类，EM算法,除马尔可夫模型.难点：口I算法，陷马尔可夫模型.402,31.WfiRtt7.1神经网络模型7.2多层神经网络7.3竞争学习和自组织特征映射网络教学要求，使学生卉解神经网络模型概念；理解神经网络中的激活函数:掌握反向传播算法：能够构建并调练优化神经网络.点；神经元模型，神经网络的结构.误差反向传播学习算法,多层神经网络常用损失由数，多层神经网络常用优化算法，多层神经网络中过拟合的抑制。难点：误差反向传播学习算法,结合动址优化和步长优化的算法，411、2、3合计32162.实验/实践或上机部分见表3实验项目实验内容和要求实验学时对应的课程目标1.聚类兜法实现及应用实验内容：编程实现K均值比法：利用K均位算法实现图像分割.实Ift襄求：加深对非监怦学习的理解和认i1.1.：能理解并编程实现K均假算法：能够利用K均值舞法完成图像分割.41、2、32.1.ogistic回归实现及应用实验内容：编程实现设1.ogistic回归算法:使用梯度下降方式实现1.ogistic回归分类.实”要求I熟悉1.ogistic回归模型:能利用IogiStiC回归模型分类：理解梯度下降算法,并将其用于1.ogistic回归分4I、2、33.决策树实现及应用实验内容，编程构造决饺树模型；实现决策树分类算法.实Ift要求，钻练掌握决策树的构造算法：能够理解邪漏程实现决策树的构造并能应用于分类问题.4I.2.3I.神经网络实现及应用实3内春,利用反向传播算法来籁程实现神经网络模型，利刖神经网络完成分类问题,实睑要求，能掌握激活函数和神经网络的构建：能利用神经网络模型完成分类任务.4I、2、316五、教学方法及手段课程教学以课堂讲授为主,采用启发式、讨论式教学和案例教学等,培养学生枳极思考的能力：结合实验、作业、期课雨课堂资源,M合多媒体课件等共同完成课堂授课内容.采用钉钉、QQ,微信等交流工具，加强和学生之间的交流和沟通.六、课程资源库I,推存软材(I)王衡军,机器学习M.北京:消华大学出版社,2020.(2)赵卫东,机器学习M.北京：人民由口电出版社,2018.(3)汪荣贵.机器学习简明教程(MJ.北京：机械工业出版社,2020.2 .参考书(I)卢官明.机器学习导论M.北京：机械工业出版社.2021.(2)王成、黄晓辉.跟我一起学机器学习IM1.北京:清华大学出版社.2022.(3)汪荣世.机器学习及其应用M.北京:机械工业出版社.2019.3 .期刊(D彭瑜.工业人工智能的应用前景及其边缘计算应用J1.自动化博览,2021,38(02):8-11.(2)钟智等.基于图注意力深度网络的电力系统暂态稳定评估5.电网技术.2021,45(06):2122-2130.(3)河膏.机器学习算法在数据挖提中的应用(J中国高新科技.2022.(20):30-32.(4) RobetiC.Machine1.earning,aProbabi1.isticRerspectivefJI.CHANCE,2014.27(2).(5) SinghH.Machine1.earningforsurvei1.1.anceoff1.uid1.eakagefromreservoirusingon1.yinjectionra1.esandbo<nho1.epressures!J.Journa1.ofNatura1.GasScienceandEngineering.2021.69(20):102933-102933.4.网络资源：(1)燕双嘤,机器学习:基本微组RJO1.CSDN文库.2022.hups:/*b1.og.csdn.ne1.'qq_42192693ar1.ic1.e,de1.ai1.s/120507206.(2)YYYMarSha1.机器学习(MaChinC1.gEing)R.O1.CSDN文库.2022.hps,b1.og.csdn.ne1.,qq.41.286942*ric1.edeiai1.sd2568854.七、课程考核对课程目标的支撑课程成缄由过程性考核成统和期末测试成缄两部分构成，具体考核/评价细则及对课程目标的支撑关系见我4.表4课程考楼对课程目标的支撑环节占比考核/评价例则课程目标123过程性考核10< 1>根据课堂出勤情况和课堂回答问鹿情况进行考核，满分】00分。< 2>以平时考核成绩乘以其在总评成绩中所占的比例计入课程总评成绩.J262实验15<1根据短个实验的实蚣操作完成情况和实粉报告质量单独评分.满分100分：<2）每次实验单独评分.取各次实脸成绩的平均值作为此环节的最终成绩.3以实裟成绩乘以其在总评成绩中所占的比例计入课程总评成绩。J636作业15< 1>主要考核学生对各章节知识点的复习、理解和掌握程强，满分100分：< 2>短次作业单独评分，取齐次成绩的平均值作为此环节的最终成绩.< 3）以作业成绩媒以其在总评成绩中所占的比例计入i果程总评成缄.J555期末考核60< 1）测试成绩100分,以测试成绩乘以其在总评成绩中所占的比例计入课程总评成绩.< 2>主要考核i深度学习基础知识、深度学习框架及其对比、机器学习基础知识、深度学习框架基础、1.OgiStiC回归、多层感知湍、卷枳神经网络与计算机视觉、神羟网络与自然语言处理等内容.< 3>测试鹿型为：埴空题、选择题、筒答题、计算题和分析题等。153015合计：100分28V1.28八、考核与成绩评定1 .考核方式及成愦褥定考核方式：本课程由要以课堂衣现、实脸、作业.期末测试等方式对学生进行考核评价.考核基本要求：（加强过程考核考核总成绩由期末测试成绩和过程性考核成绩组成。其中：期末测试成绩为IOQ分权!R60%）,题目类型为填空胭、选择题、简答想和分