《机器学习》课程教学大纲

1、机器学习课程教学大纲一、课程基本信息课程名称（中文）机器学习课程名称（英文）Machine Learning课程类别1：专业选修课课程性质2选修授课语言3中文授课学期5学分3课程学时及分配总学时讲课实验课外4836120适用专业信息安全教材机器学习，周志华，清华大学出版社，2016年1月第1版授课学院计算机与软件学院先修课程数据结构，线性代数，概率统计等后续课程无课程简介课程基本定位：机器学习是信息安全专业的一门理论性和实践性很强的一门专业选修课。通过本课程的学习，使学生掌握经典机器学习方法、原理，了解目前业界主流的机器学习思想，为学生毕业后从事机器学习研究及相关工作打下理论及实践基础。核心学

2、习结果：本课程既培养学生分析问题、解决问题的能力，又能够使学生具备一定的实践能力。能够根据不同的任务，提出合理、可行的机器学习模型。主要教学方法：本课程重视理论与实际的结合，通过课上讨论、理论学习及机器学习课程实验来提高学生分析问题、解决问题的能力。大纲更新时间2020.08.注：1.课程类别：选填“通识核心课/通识拓展课/通修课/学科基础课/专业主干课/专业选修课/专业实践/素质拓展”2.课程性质：选填“选修/必修”3.授课语言：选填“中文/双语/全英文或其他语种”二、课程目标序号课程目标（参考培养目标、毕业要求、课程定位）支撑毕业要求指标点1达成途径1.课程目标1：掌握机器学习基础理论与经

3、典算法，了解机器学习前沿。指标点4.4：针对设计或开发的安全解决方案，能够通过理论证明、实验仿真或者系统实现等多种科学方法说明其有效性、合理性和安全性，并对解决方案的实施质量进行分析，通过信息综合得到合理有效的安全评估结论。讲授、案例、讨论2课程目标2：掌握目前主流机器学习开发工具及架构，并能自行编程验证主流算法。指标点12.3：能根据个人或职业发展的需求，具备不断学习和适应计算机技术快速发展的能力。讲授、案例、实验注：1.支撑毕业要求指标点：选填项。需要进行专业认证，有毕业要求指标点可参照的课程必填，无明确毕业要求指标点可参照的可不填。三、理论教学内容章标题教学内容学时思政融入点1学生学习预

4、期成果2教学方式3课程目标第一章绪论（2）1.机器学习基本术语11.掌握机器学习的基本术语2.了解机器学习的发展历程及应用现状讲授、讨论12.假设空间与归纳偏好1讲授、讨论13.机器学习的发展历程1讲授、讨论14.机器学习的应用现状1介绍我国在机器学习领域的贡献，激发学生爱国自豪感和自信心，鼓励学生学号机器学习，不断进行技术创新，为国家建设作出贡献。讲授、讨论1第二章模型评估与选择（2）1.经验误差与过拟合0.7过犹不及，由过拟合引导学生树立大局观，不拘泥于细枝末节。1. 掌握常用的评估方法：留出法、交叉验证法、调参与最终模型2. 了解经验误差与过拟合概念3. 了解常用性能度量：错误率与精度、

5、查准率与查全率、ROC与AUC 讲授、讨论12.评估方法0.7讲授、讨论13.性能度量0.6讲授、讨论1第三章线性模型（4）1.线性回归算法11. 掌握线性回归算法2. 掌握对数概率回归算法3. 了解线性判别分析以及类别不平衡问题讲授、讨论12.对数几率回归1讲授、讨论1、23.线性判别分析1讲授、讨论14.类别不平衡问题1由类别不平衡问题引申到美好的世界是丰富多彩的。如学术要百花齐放、生态要多样性等。讲授、讨论1第五章神经网络（6）1.神经元模型11.掌握神经元模型2. 掌握误差逆传播算法3. 掌握全局最小与局部极小概念4. 了解常见神经网络5. 理解深度学习与卷积神经网络讲授、讨论12.感

6、知机与多层网络1讲授、讨论13.误差逆传播算法0.5讲授、讨论14.全局最小与局部极小0.5讲授、讨论15.常见神经网络2讲授、讨论1、26. 深度学习2讲授、讨论1、2第六章支持向量机（3）1.间隔与支持向量11. 掌握支持向量、核函数、对偶问题、核方法等2. 掌握支持向量回归算法讲授、讨论12.对偶问题1讲授、讨论13.核函数1讲授、讨论14.支持向量回归1讲授、讨论1、25.核方法1讲授、讨论1第七章贝叶斯分类器（4）1.贝叶斯决策论11.掌握极大似然估计2. 掌握朴素贝叶斯分类器3. 了解贝叶斯决策论4. 了解贝叶斯网和EM算法讲授、讨论12.极大似然估计2讲授、讨论13.朴素贝叶斯分

7、类器2讲授、讨论1、24.贝叶斯网2讲授、讨论15.EM算法1讲授、讨论1第九章聚类（3）1.聚类任务11.了解聚类的任务和性能度量方法2. 掌握原型聚类3. 了解密度聚类和层次聚类讲授、讨论12.性能度量1讲授、讨论13.距离计算1讲授、讨论14.原型聚类1讲授、讨论15.密度聚类1讲授、讨论16.层次聚类1讲授、讨论1注：1.思政融入点：至少写3条，简述该课程教学中将思政教育内容与专业教育内容有机融合的知识点（下同）。 2.学生学习预期成果：描述学生在学完本节内容后应获得的知识、能力或素养水平（下同） 3.教学方式:包括讲授、讨论、案例、演示等，但不限于所列，根据课程实际需要列举四、实践（

8、实验或实习）教学1编号实验或实习项目名称教学内容学时实验或实习类型2思政融入点学生学习预期成果课程目标1线性回归模型实验编写对数概率回归模型的程序，对图像进行分类实验。3验证性理解线性回归模型原理。22神经网络实验构造3层神经网络对任意一条非线性曲线进行拟合；利用CNN对Cifar10图像进行分类（选做）。3验证性理解神经网络工作原理。23贝叶斯分类器实验编写贝叶斯分类器，对图像进行分类实验。3验证性理解贝叶斯分类器原理。24支持向量机实验编写SVM程序，对图像进行分类实验；了解常用SVM工具包及对应的基本思想。3验证性理解支持向量机原理。2注：1.此表可用于课内实践教学环节或某门综合实践课程

9、2.实验类型：选填”验证性/综合性/设计性”；实习类型：选填“认识实习/生产实习/毕业实习”五、课程评价（一）考核内容、考核方式与课程目标对应关系课程目标考核内容课程目标在各考核方式中占比1平时表现课程作业期末考试课内实验1掌握机器学习基础理论与经典算法，了解机器学习前沿。机器学习基本概念；模型评估与选择方法；线性模型、神经网络、支持向量机、贝叶斯分类器和聚类的基本原理与方法。50%80%90%0%2掌握目前主流机器学习开发工具及架构，并能自行编程验证主流算法。线性回归、神经网络、支持向量机、贝叶斯分类器的算法实现与实验分析。50%20%10%100%合计100%100%100%100%各考核

10、方式占总成绩权重（自行赋值）20%10%40%30%注：1. 课程目标在考核方式及占比：主要根据课程目标自行设计和制定多元化考核方式，表中所列仅为参考（红色数据可删除）。但所列考核方式必须覆盖全体学生，可根据当学期具体教学情况酌情调整。2. 各考核方式占总成绩权重：根据课程实际情况对各考核方式占总成绩的权重予以赋值。（二）考核方式评分标准1课程作业评分标准课程目标评分标准占比90-100（优）80-89（良）70-79（中）60-69（及格）0-59（不及格）1.掌握机器学习基础理论与经典算法，了解机器学习前沿。按时完成教师布置的等数量作业题目答题，字迹清楚、答题思路清晰，结论正确。按时完成教

11、师布置的等数量作业题目答题，答题较正确。按时完成教师布置的等数量作业题目答题，但部分存在错误问题。按时完成教师布置的75%以上作业题目答题，但部分存在错误。未能按时完成教师布置的75%以上作业题目，且答案存在部分错误。未交作业为0分。80%2.掌握目前主流机器学习开发工具及架构，并能自行编程验证主流算法。按时完成教师布置的等数量作业题目答题，程序设计的思路清晰，结论正确。按时完成教师布置的等数量作业题目答题，程序设计结论较正确。按时完成教师布置的等数量作业题目答题，有程序设计结论，但部分存在错误问题。按时完成教师布置的75%以上作业题目答题，有程序设计结论，但部分存在错误。未能按时完成教师布置

12、的75%以上作业题目，程序设计答案均错误。未交作业为0分。20%2期末考试评分标准（笔试类评分标准可在大纲中按以下格式予以说明，也可在通过“试卷分析表”予以说明）机器学习期末考试内容和考试题目针对课程目标设计，具体评分标准参考开课学期P机器学习期末试卷分析表及答案评分标准。3课内实验评分标准课程目标评分标准占比90-100（优）80-89（良）70-79（中）60-69（及格）0-59（不及格）1.掌握机器学习基础理论与经典算法，了解机器学习前沿。0%2.掌握目前主流机器学习开发工具及架构，并能自行编程验证主流算法。能够熟练地使用指定的编程语言编制程序实现和验证机器学习经典算法，实验程序设计或

13、验证结果正确，实验报告书写规范。能够使用指定的编程语言编制程序实现和验证机器学习经典算法，实验程序设计或验证结果正确，实验报告书写欠规范。能够使用指定的编程语言编制程序实现和验证机器学习经典算法，实验程序设计或验证结果基本正确，实验报告书写欠规范。基本能够使用指定的编程语言编制程序实现机器学习经典算法，实验程序设计或验证结果存在一定错误，实验报告书写不规范。实验报告中描述程序设计或验证原理错误，未能够使用指定的编程语言编制程序实现和验证机器学习经典算法。100%注：考核方式和课程目标在考核方式中占比应与“（一）考核内容、考核方式与课程目标对应关系”一致。所列考核环节，除了笔试类均须依次给出评分标准，格式同上。笔试类课程考核评分标准可以在本课程大纲里进行说明，也可以通过提交“试卷分析表”予以说明。五、参考书目及学习资料1.Foundations of Machine Learning(second edition) MehryarMohri, Afshin Rostamizadeh, and Ameet Talwalkar, The MIT Press2.统计学习方法