《机器学习基础》课程教学大纲（本科）

1、机器学习基础Machine Learning Foundation课程代码：05410160学分：1.5学时：24 （其中：课堂教学学时：18 实验学时：0 上机学时：6 课程实践学时：0）先修课程：高等数学、线性代数适用专业：生物医学工程教材：机器学习，周志华，清华大学出版社，第一版,2016年1月一、课程性质与课程目标（-）课程性质（需说明课程对人才培养方面的贡献）机器学习基础是一门理论与实践、原理与应用紧密结合的专业选修课。该课程学习各种经 典机器学习的方法及其应用，课程还会介绍当前深度学习在人工智能领域的最新重大进展。主要讲 授如何将机器学习的基本概念及其经典的算法，使学生掌握常用机器

2、学习算法的基本理论、基本分 析方法等生物医学工程中的应用。本课程是生物医学工程专业的重要专业选修课，为后续学生进行 从事医学图像分析，医学信号处理等应用奠定基础。（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。）机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学 习中改善具体算法的性能。机器学习的目标就是通过训练集学习得出一个假设来反映数据的某种规 律，并具有泛化的能力（不仅适应训练样本，还能适应新样本）。近年来，随着深度学习的兴起，使 得机器学习在计算机视觉，自然语言处理，医疗领域，金融股票、设备维护、自动驾驶、航空航天

3、 等领域取得了重大进展。课程目标包括知识目标和能力目标，具体如下：课程目标1: 了解机器学习的基本概念、常见方法及其应用背景；包括了解不同机器学习范式 之间的联系与区别。课程目标2：掌握线性回归的原理和方法，了解其优化求解过程；理解单变量线性回归和多变 量线性回归的区别。课程目标3：掌握线性分类和非线性分类的原理及实现方法，了解基于感知器的线性分类器学习的原理及实现方法，了解Logistic Regression的非线性分类方法原理及其实现。课程目标4：掌握深度学习的基本原理和常见模型。掌握卷积神经网络的基本原理，了解其算 法实现。注：工程类专业通识课程的课程目标应覆盖相应的工程教育认证毕业要

4、求通用标准；（三）课程目标与专业毕业要求指标点的对应关系（认证专业专业必修课程填写）本课程支撑专业培养计划中毕业要求指标点：.毕业要求1:具备从事生物医学工程专业工作所需的数理科学、自然科学与经济管理知识，具 有应用这些知识进行思维、感知、分析和推理的能力.毕业要求2：通过对生命科学基本原理和基础医学知识的学习，结合自然科学与工程科学知 识，具有分析与解决生物医学工程领域复杂工程问题的能力.毕、也要求3：具备较强的创新意识，能够综合考虑社会、法律、安全、健康、文化及环境等 因素，进行专业相关设计与开发.毕业要求4：掌握电子、计算机和信息处理等专业基本知识，通过生物医学信号的获取，具 备对其进行

5、分析、处理、模拟和识别的能力.毕业要求9：具有自主学习的意识，树立终身学习的决心，可以通过各种现代化的工具与手 段，不断学习，以提高自身适应社会的能力课程目标毕业要求指标课程目标1课程目标2课程目标3课程目标4毕业要求1毕业要求2/毕业要求3Z/毕业要求4/毕业要求9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（一）课程内容了解机器学习的基本概念，监督学习和非监督学习，另外还会介绍当前最新的深度学习等基本 概念，并介绍一些最新的深度学习方法在人工智能领域的实际应用实例。（二）教学要求理解监督学习和非监督学习的基本概念，机器学习

6、在工业领域的应用。梳理课程内容涉及的知 识框架。（三）重点与难点（若不单独列出，需在教学要求中适当注明）.重点机器学习的基本概念及其不同学习范式。.难点机器学习不同学习范式之间的区别。第二章（一）课程内容.线性回归：掌握单变量线性回归模型及其求解算法，学会使用该模型解决实际问题，并通过上机实验 来加深理解线性回归基本概念。.线性分类：理解线性分类模型和非线性分类模型的基本概念，掌握常见的线性分类器学习算法感知器 和非线性分类器Logistic Regression.Logistic Regression：掌握非线性分类模型，能够利用该模型进行实际问题分析。（二）教学要求.线性回归：复习梯度下降

7、数值分析算法，根据实际例子讲解和演示线性回归流程。.线性分类：理解线性分类的基本概念，介绍常见的线性分类器感知器及其学习方法。.Logistic Regression：熟悉sigmoid函数，及其利用该方法构建非线性分类器模型，并优化求解（三）重点与难点.重点掌握如何使用线性回归方法，线性分类器.难点理解Logistic Regression的求解过程第三章非监督学习（-）课程内容.聚类分析：掌握常见的非监督学习方法，聚类分析和维数约简的基本概念，能够利用这些工具解决实 际问题。.维数约简：主成分分析；应用实例演示。（二）教学要求聚类分析：掌握非监督学习的基本概念，理解K均值聚类算法，及其实现

8、。维数约简：掌握维数约简的基本概念，熟悉主成分分析算法，并利用该算法进行演示。（三）重点与难点.重点掌握如何使用K均值聚类算法解决实际问题，使用主成分分析方法分析数据.难点理解主成分分析的原理，矩阵特征值分解算法第四章深度学习（一）课程内容深度学习：介绍神经网络基本概念和当前机器学习领域最新进展，介绍经典的卷积神经网络模型。（二）教学要求卷积神经网络的结构，网络学习算法。（三）重点与难点了解深度学习与普通神经网络的区别，了解常见的深度学习工具。理解卷积神经网络的基 本概念，并介绍当前深度学习在计算机领域的应用。.重点掌握神经网络的结构体系，理解卷积神经网络基本概念。.难点使用卷积神经网络进行数

9、据分类与预测。三、本课程开设的上机项目（如课程不含实验，该项可不填）注：L “类型”填验证性、综合性、设计性等;编号实验项目名称学时类型要求支撑的课程目标1监督学习实战2验证性必做课程目标22非监督学习实战2验证性必做课程目标33卷积神经网络2综合性必做课程目标4. “要求”填必做、选做。上机1:监督学习实战1、上机目的1 .理解监督学习的过程，掌握实际分析数据的能力2、主要上机内容.实现感知器算法.实现 Logistic Regression 算法上机2：非监督学习实战1、上机目的.理解非监督学习的过程，掌握实际分析数据的能力2、主要上机内容.实现K均值聚类算法.应用主成分分析算法上机3：卷

10、积神经网络的训练与测试1、上机目的理解深度学习的应用，掌握实际分析处理数据的能力2、主要上机内容应用卷积神经网络进行数据分类四、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20002讲授法、演示法1第二章40004讲授法、演示法、基 于案例的研究型教 学方法24 * 第二早40206讲授法、演示法、基 于案例的研究型教 学方法2第四章40206讲授法、演示法、基 于案例的研究型教 学方法3第五章40206讲授法、演示法、基 于案例的研究型教 学方法4合计1806024注：1 .课程实践学时按相关专业培养计划列入表格；.主

11、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平时作业课后完成1项大作业,主要考 核学生对医学图像处理的理 解和掌握度，大作业的成绩按 5%计入总成绩；可让学生查 阅资料，了解本课程相关技术 发展情况，自主学习并完成。20%根据平时 作业得分 取平均值 或结合平 时测试情 况上机完成4次上机，主要训练学生 验证所学知识,并解决一定实 际问题的能力，最后按10% 计入课程总成绩。40%评分细则 见附不1项目设计由学生自由组成团队（34 人），每个团队解决一个复杂 工程问题。训练学生团队合作 的能力和解决复杂工程问

12、题 的能力。要求算法合理、程序 满足基本要求，最后按15% 计入课程总成绩40%要求每个 团队在完 成项目后， 撰写报告， 准备ppt, 最后以科 研报告的形式，面向 全班答辩，最后由任 课老师综合评分注：1.分学期设置和考核的课程应按学期分别填写上表。.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。.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。.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）1 .数据挖掘：实用机器学习工具与技术，Ian H. Witten ,

13、机械工业出版社，第3版,2014. 52,机器学习实战，Peter Harrington （译者：李锐），人民邮电出版社,第一版,2013. 6.统计学习基础，Trevor Hastie,世界图书出版公司，第一版,2015. 1.机器学习,Peter Flach;人民邮电出版社,第一版,2016. 1七、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）.本课程的上机主要是关于线性回归、线性分类和K均值聚类，神经网络的上机操作。.本课程采用多媒体教学.教学过程中布置一次大作业。作业内容要求利用MATLAB语言编程解决具体工程问题、撰 写报告并做公开汇报。可另行布置一些思考题供学生理解教学内容。2017年9 月 1 日附录1上机考核方式及评分细则本上机以考查为主，考核的内容包括上机过程的表现（其中包含分析与解决问题的能力）、上机报告的质量等。分析与解决问题的能力采用提问和现场操作的方式进行。 上机成绩中出勤、预习占10%,上机过程表现占60%、上机报告及思考题占30%。成绩组成考核/评价环节分值考核/评价细则对应的毕业 要求指标点出勤、预习10%出勤状况，预习 评价10能按时到勤，遵守规定，不损坏设备（占5%）