机器学习导论教案

1、机器学习导论教案2020学年第 学期学院（ 部）教研室（系授课课程班学级分：2课程学时：32使 用 教 材 ：机器学习导论教案设计人： PAGE PAGE 17章节名称授课形式周次第1 次课学时2第 1 章 机器学习概述（第 1.1 节第 1.5 节）理论课 案例讨论课 实验课 习题课 其他熟悉机器学习的基本概念、机器学习模型的分类，理解人工智能、教学目的 机器学习深度学习三者之间的关系掌握机器学习的三个基本要素及要求了解损失函数、代价函数和目标函数之间的区别和联系，理解生成模型和判别模型，了解数据清洗、归一化（标准化）等处理方法。（1）教学重点 （2）机器学习的三个基本要素（3）生成式模型和

2、判别式模型教学难点机器学习的学习准则（策略）生成式模型和判别式模型机器学习的概念与基本术语教学内容 （3）机器学习的三个基本要素机器学习模型的分类数据预处理教学方法与手段设计板书设计以教师讲授为主，注重条理性和逻辑性；不断穿插提问和思考等互动环节，进行启发引导；PPT 为主，少量板书为辅，帮助学生理解；决。（详见 ppt 课件）以图片、公式、关键内容为核心，适当辅以提示性文字说明；涉及有关算法流程时，通过示例描述；关键推导过程用黑板手写。思考题和作业第 1.8 节 习题 110周次第2 次课学时21 章 机器学习概述（1.6 节2 章 回归模型（2.1 节）理论课 案例讨论课 实验课 习题课

3、其他掌握模型交叉验证法的步骤，熟悉混淆矩阵、分类准确率、错误率、查准率、查全率、F1-score、ROC 曲线及 ROC 曲线下面积（AUC） 等常用的分类模型评估指标及应用场合，理解模型欠拟合、过拟合与及要求泛化能力，掌握L1范数和L2范数正则化的方法。熟悉线性回归模型的定义以及学习准则（策略正规方程，掌握梯度下降法的原理。模型选择与交叉验证法常用的分类模型评估指标L 范数和L 范数正则化教学重点12线性回归模型最小二乘法和正规方程梯度下降法L 范数和L 范数正则化12教学难点 （2）最小二乘法求解线性回归模型（3）梯度下降法的迭代关系式教学内容教学方法与手段设计板书设计机器学习模型选择与评

4、估线性回归以教师讲授为主，注重条理性和逻辑性；不断穿插提问和思考等互动环节，进行启发引导；PPT 为主，少量板书为辅，帮助学生理解；决。（详见 ppt 课件）以图片、公式、关键内容为核心，适当辅以提示性文字说明涉及有关算法流程时，通过示例描述关键推导过程用黑板手写思考题和作业1.8 2.7 15及要求周 次 第 3 次 课 学 时 2第 2 章 回归模型（第 2.2 节第 2.5 节）理论课 案例讨论课 实验课 习题课 其他掌握多项式回归转化为线性回归求解的方法，熟悉岭回归回归（Lasso 回归Softmax 回归的原理以及两者的区别与联系。多项式回归转化为线性回归求解的方法岭回归和套索回归的

5、原理逻辑斯谛回归的原理和特点Softmax回归的原理和特点逻辑斯谛回归的极大似然估计Softmax回归模型的求解多项式回归线性回归的正则化岭回归和套索回归教学内容 （3）逻辑斯谛回归（4）Softmax 回归（1）以教师讲授为主，注重条理性和逻辑性；教学方法 （2）不断穿插提问和思考等互动环节，进行启发引导； 与手段设 （3）PPT 计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来决。（详见 ppt 课件）板书设计以图片、公式、关键内容为核心，适当辅以提示性文字说明涉及有关算法流程时，通过示例描述关键推导过程用黑板手写思考题和作业第 2.7 节 习题 712及要求周 次 第 4 次

6、 课 学 时 2第 3 章 k-最近邻和 k-d 树算法理论课 案例讨论课 实验课 习题课 其他掌握k-最近邻法的基本原理k-最近邻法的三个关键要素和优缺点，熟悉k的取值对k-k-d 和搜索方法。（1）k-最近邻的基本原理和优缺点（2）k-d 树的构建过程和搜索方法 树的构建过程（2）k-d 树的搜索方法（1）k-最近邻法教学内容 （2）k-d 树教学方法与手段设计板书设计以教师讲授为主，注重条理性和逻辑性；不断穿插提问和思考等互动环节，进行启发引导；PPT 为主，少量板书为辅，帮助学生理解；决。（详见 ppt 课件）以图片、公式、关键内容为核心，适当辅以提示性文字说明涉及有关算法流程时，通过

7、示例描述关键推导过程用黑板手写思考题和作业第 3.4 节 习题 17及要求周次第5 次课学时21 章3 章习题及讨论第4 章 支持向量机（4.1 节理论课 案例讨论课 实验课 习题课 其他理解经验风险最小化原则和结构风险最小化归纳原则，以及它们之间的区别。教学重点 （1）经验风险最小化原则（2）结构风险最小化归纳原则教学难点VC维的概念模型的复杂度与泛化能力经验风险最小化原则VC 维教学内容 （3）模型的复杂度与泛化能力推广性的界结构风险最小化归纳原则（1）以教师讲授为主，注重条理性和逻辑性；教学方法 （2）不断穿插提问和思考等互动环节，进行启发引导； 与手段设 （3）PPT 计（4）对于重点

8、和难点，通过例题讨论讲解、师生互动、作业等来决。（详见 ppt 课件）板书设计以图片、公式、关键内容为核心，适当辅以提示性文字说明涉及有关算法流程时，通过示例描述关键推导过程用黑板手写思考题和作业及要求周次第6 次课学时2第 4 章 支持向量机（第 4.2 节第 4.6 节）理论课 案例讨论课 实验课 习题课 其他理解“支持向量”的概念以及最大化间隔的基本思想，掌握支持向量机（SVM）的基本原理，熟悉核函数的作用以及核方法的原理，熟悉支持向量机（SVM）的特点及应用场合。“支持向量”的概念以及最大化间隔的基本思想支持向量机（SVM）的基本原理和特点题的求解方法基于“软间隔t”的广义最优超平面S

9、VM支持向量机的基本原理和特点SVM教学内容 （3）基于核函数的非线性 SVMSVM支持向量机的训练（1）以教师讲授为主，注重条理性和逻辑性；教学方法 （2）不断穿插提问和思考等互动环节，进行启发引导； 与手段设 （3）PPT 计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来决。（详见 ppt 课件）板书设计以图片、公式、关键内容为核心，适当辅以提示性文字说明涉及有关算法流程时，通过示例描述关键推导过程用黑板手写思考题和作业第 4.8 节 习题 17及要求周次第7 次课学时2第 5 章 贝叶斯分类器与贝叶斯网络（第 5.1 节第 5.2 节）理论课 案例讨论课 实验课 习题课 其他

10、掌握贝叶斯公式和朴素贝叶斯分类器原理，熟悉朴素贝叶斯分类器的优缺点及应用领域。（1）贝叶斯公式教学重点 （2）朴素贝叶斯分类器原理（3）朴素贝叶斯分类器的优缺点教学难点 （1）朴素贝叶斯分类器的特征条件独立假定教学内容教学方法与手段设计板书设计贝叶斯方法贝叶斯分类器以教师讲授为主，注重条理性和逻辑性；不断穿插提问和思考等互动环节，进行启发引导；PPT 为主，少量板书为辅，帮助学生理解；决。（详见 ppt 课件）以图片、公式、关键内容为核心，适当辅以提示性文字说明涉及有关算法流程时，通过示例描述关键推导过程用黑板手写思考题和作业第 5.5 节 习题 16及要求周次第8 次课学时25 章 贝叶斯分

11、类器与贝叶斯网络（5.3 节6 章 决策树（6.1 节6.3 节）理论课 案例讨论课 实验课 习题课 其他 了解贝叶斯网络的构建方法及推理过程。熟悉决策树的概念以及决策树的生成策略，熟悉决策树算法中所用的特征选择指标。（1）贝叶斯网络的构建方法及推理过程教学重点 （2）决策树的概念（3）决策树的生成策略教学难点 （1）贝叶斯网络的构建方法及推理过程（1）贝叶斯网络教学内容决策树概述决策树学习特征（或属性）选择（1）以教师讲授为主，注重条理性和逻辑性；教学方法 （2）不断穿插提问和思考等互动环节，进行启发引导； 与手段设 （3）PPT 计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来

12、决。（详见 ppt 课件）板书设计以图片、公式、关键内容为核心，适当辅以提示性文字说明涉及有关算法流程时，通过示例描述关键推导过程用黑板手写思考题和作业第 6.10 节 习题 12及要求周 次 第 9 次 课 学 时 2第 6 章 决策树（第 6.4 节第 6.8 节）理论课 案例讨论课 实验课 习题课 其他ID3C4.5CART ID3C4.5、CART 三种算法的优缺点及适用场合，了解决策树的剪枝处理方法， 熟悉决策树的优缺点。ID3、C4.5、CART算法及其所用的特征选择指标ID3、C4.5、CART三种算法的优缺点及适用场合教学难点 （1）ID3、C4.5、CART 决策树的算法流程

13、ID3算法C4.5 算法教学内容 （3）CART决策树的剪枝决策树的优缺点（1）以教师讲授为主，注重条理性和逻辑性；教学方法 （2）不断穿插提问和思考等互动环节，进行启发引导； 与手段设 （3）PPT 计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来决。（详见 ppt 课件）板书设计以图片、公式、关键内容为核心，适当辅以提示性文字说明涉及有关算法流程时，通过示例描述关键推导过程用黑板手写思考题和作业第 6.10 节 习题 37章节名称章节名称4 章6 章习题及讨论授课形式理论课 案例讨论课 实验课 习题课 其他及要求教学重点教学难点教学内容（1）以教师讲授为主，注重条理性和逻辑性；

14、教学方法 （2）不断穿插提问和思考等互动环节，进行启发引导； 与手段设 （3）以多媒体 PPT 为主，少量板书为辅，帮助学生理解；计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来解决。板书设计 （1）以图片、公式、关键内容为核心，适当辅以提示性文字说明涉及有关算法流程时，通过示例描述关键推导过程用黑板手写思考题和作业及要求周次第11 次课学时2第 7 章 集成学习（第 7.1 节第 7.3 节）理论课 案例讨论课 实验课 习题课 其他Bagging Boosting 集成学习方法的基本思想以及两者的异同点，熟悉基学习器的组合策略，掌握 AdaBoost、梯度提升决策树（GBDT）算

15、法的流程。BaggingBoosting集成学习方法的基本思想以及两者的异同点教学重点 （2）AdaBoost 算法的流程（3）GBDT 算法的流程教学难点 （1）GBDT 回归、分类算法流程（1）集成学习概述教学内容 （2）AdaBoost 算法（3）梯度提升决策树（GBDT）（1）以教师讲授为主，注重条理性和逻辑性；教学方法与手段设计板书设计不断穿插提问和思考等互动环节，进行启发引导；PPT 为主，少量板书为辅，帮助学生理解；决。（详见 ppt 课件）以图片、公式、关键内容为核心，适当辅以提示性文字说明涉及有关算法流程时，通过示例描述关键推导过程用黑板手写思考题和作业第 7.6 节 习题

16、14章节名称授课形式周次第12 次课学时27 章 集成学习（7.4 节） 8 章 聚类（8.1 节8.2 节理论课 案例讨论课 实验课 习题课 其他掌握随机森林的工作原理，了解随机森林和 GBDT 模型的区别。教学目的 熟悉聚类的基本思想以及聚类和分类的异同点，熟悉常用的聚类算及要求法，掌握k-均值算法的原理、优缺点及改进算法，熟悉初始的k个类中心（簇中心）对k-均值算法的影响。（1）随机森林的工作原理教学重点 （2）聚类算法的分类（3）k-均值、k-均值+算法流程教学难点（1）k-均值算法中簇中心的计算方法（2）k-均值+算法中选择初始簇中心的方法随机森林和极端随机树教学内容 （2）聚类概述

17、（3）k-均值算法（1）以教师讲授为主，注重条理性和逻辑性；教学方法与手段设计板书设计不断穿插提问和思考等互动环节，进行启发引导；PPT 为主，少量板书为辅，帮助学生理解；决。（详见 ppt 课件）以图片、公式、关键内容为核心，适当辅以提示性文字说明涉及有关算法流程时，通过示例描述关键推导过程用黑板手写思考题和作业7.6 8.6 及要求周 次 第 13 次 课 学 时 2第 8 章 聚类（第 8.3 节第 8.4 节）理论课 案例讨论课 实验课 习题课 其他熟悉聚类特征和聚类特征树CF-Tree 的构BIRCH DBSCAN 算法的优缺点，了OPTICS 算法的原理以及适用场合。（1）BIRC

18、H 算法教学重点 （2）基于密度聚类的基本概念（3）DBSCAN 算法的流程教学难点 （1）DBSCAN 算法的流程教学内容教学方法与手段设计板书设计BIRCH算法基于密度的聚类算法以教师讲授为主，注重条理性和逻辑性；不断穿插提问和思考等互动环节，进行启发引导；PPT 为主，少量板书为辅，帮助学生理解；决。（详见 ppt 课件）以图片、公式、关键内容为核心，适当辅以提示性文字说明涉及有关算法流程时，通过示例描述关键推导过程用黑板手写思考题和作业第 8.6 节 习题 710及要求周次第14 次课学时2第 9 章 深度学习（第 9.1 节第 9.2 节）理论课 案例讨论课 实验课 习题课 其他LR

19、eLU 等激活函数的特点及应用，熟悉卷池化操作。人工神经元模型误差反向传播学习算法教学重点 （3）Sigmoid、Tanh、ReLU、LReLU 等激活函数的特点及应用卷积神经网络的基本结构以及局部连接和权重共享等特点卷积、池化操作教学难点 （1）误差反向传播学习算法教学内容教学方法与手段设计板书设计人工神经网络基础卷积神经网络以教师讲授为主，注重条理性和逻辑性；不断穿插提问和思考等互动环节，进行启发引导；PPT 为主，少量板书为辅，帮助学生理解；决。（详见 ppt 课件）以图片、公式、关键内容为核心，适当辅以提示性文字说明涉及有关算法流程时，通过示例描述关键推导过程用黑板手写思考题和作业第 9.6 节 习题 19章节名称授课形式周次第15 次课学时2第 9 章 深度学习（第 9.3 节第 9.4 节）理论课