机器学习导论教案

周次×第1次课学时2章节名称第1章机器学习概述（第1.1节~第1.5节）授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求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、机器学习、深度学习三者之间的关系，机器学习的三个基本要素，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，数据清洗、归一化（标准化）等处理方法。教学重点（1）机器学习的概念与基本术语（2）机器学习的三个基本要素（3）生成式模型和判别式模型教学难点（1）机器学习的学习准则（策略）（2）生成式模型和判别式模型教学内容（1）机器学习的概念与基本术语（2）人工智能、机器学习、深度学习三者之间的关系（3）机器学习的三个基本要素（4）机器学习模型的分类（5）数据预处理教学方法与手段设计（1）以教师讲授为主，注重条理性和逻辑性；（2）不断穿插提问和思考等互动环节，进行启发引导；（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；（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（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明；（2）涉及有关算法流程时，通过示例描述；（3）关键推导过程用黑板手写。思考题和作业第1.8节习题1~10周次×第2次课学时2章节名称第1章机器学习概述（第1.6节）第2章回归模型（第2.1节）授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求混淆矩阵、分类准确率、错误率、、F1-score、ROC曲线及ROC曲线下面积（AUC）等欠拟合、过拟合，。熟悉线性回归模型的定义以及学习准则（策略），熟悉最小二乘法和正规方程，掌握梯度下降法的原理。教学重点（1）模型选择与（2）最小二乘法和正规方程（6）梯度下降法教学难点（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（1）机器学习模型选择与评估（2）线性回归教学方法与手段设计（1）以教师讲授为主，注重条理性和逻辑性；（2）不断穿插提问和思考等互动环节，进行启发引导；（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；（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（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题和作业第1.8节习题11~22第2.7节习题1~5周次×第3次课学时2章节名称第2章回归模型（第2.2节~第2.5节）授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求掌握多项式回归转化为线性回归求解的方法，熟悉岭回归（Ridge回归）和套索回归（Lasso回归）的原理，掌握逻辑斯蒂回归和Softmax回归的原理以及两者的区别与联系。教学重点（1）多项式回归转化为线性回归求解的方法（2）岭回归和套索回归的原理（3）的原理和特点的原理和特点教学难点（2）教学内容（1）多项式回归（2）线性回归的正则化——岭回归和套索回归（3）逻辑斯谛回归（4）Softmax回归教学方法与手段设计（1）以教师讲授为主，注重条理性和逻辑性；（2）不断穿插提问和思考等互动环节，进行启发引导；（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；（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（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题和作业第2.7节习题7~12周次×第4次课学时2章节名称第3章k-最近邻和k-d树算法授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求熟悉三个关键要素和熟悉的取值对-最近邻法的影响因素，熟悉k-d树的构建过程和搜索方法。教学重点（1）k-最近邻和（2）k-d树的构建过程和搜索方法教学难点k-d树的构建过程（2）k-d树的搜索方法教学内容（1）k-最近邻法（2）k-d树教学方法与手段设计（1）以教师讲授为主，注重条理性和逻辑性；（2）不断穿插提问和思考等互动环节，进行启发引导；（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；（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（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题和作业第3.4节习题1~7周次×第5次课学时2章节名称第1章~第3章习题及讨论第4章支持向量机（第4.1节）授课形式理论课■案例讨论课□实验课□习题课■其他□教学目的及要求教学重点（1）（2）教学难点的概念（2）模型的复杂度与泛化能力教学内容（1）（2）函数集的学习性能与VC维（3）模型的复杂度与泛化能力（4）推广性的界（5）教学方法与手段设计（1）以教师讲授为主，注重条理性和逻辑性；（2）不断穿插提问和思考等互动环节，进行启发引导；（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；（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（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题和作业周次×第6次课学时2章节名称第4章支持向量机（第4.2节~第4.6节）授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解“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。教学重点（1）“支持向量”的概念以及最大化间隔的基本思想（2）支持向量机（SVM）的基本原理和特点（3）采用适当的核函数技巧，将非线性分类问题转化为线性分类问题的求解方法教学难点基于“软间隔（SoftMargin）”的广义最优超平面（2）基于核函数的非线性SVM教学内容（1）支持向量机的基本原理和特点（2）线性SVM（3）基于核函数的非线性SVM（4）多分类SVM（5）支持向量机的训练教学方法与手段设计（1）以教师讲授为主，注重条理性和逻辑性；（2）不断穿插提问和思考等互动环节，进行启发引导；（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；（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（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题和作业第4.8节习题1~7周次×第7次课学时2章节名称第5章贝叶斯分类器与贝叶斯网络（第5.1节~第5.2节）授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求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。教学重点（1）贝叶斯公式（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朴素贝叶斯分类器的特征条件独立假定教学内容（1）贝叶斯方法（2）贝叶斯分类器教学方法与手段设计（1）以教师讲授为主，注重条理性和逻辑性；（2）不断穿插提问和思考等互动环节，进行启发引导；（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；（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（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题和作业第5.5节习题1~6周次×第8次课学时2章节名称第5章贝叶斯分类器与贝叶斯网络（第5.3节）第6章决策树（第6.1节~第6.3节）授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求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。教学重点（1）贝叶斯网络的构建方法及推理过程（2）决策树的概念（3）决策树的生成策略教学难点贝叶斯网络的构建方法及推理过程教学内容（1）贝叶斯网络（2）决策树概述（3）决策树学习（4）特征（或属性）选择教学方法与手段设计（1）以教师讲授为主，注重条理性和逻辑性；（2）不断穿插提问和思考等互动环节，进行启发引导；（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；（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（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题和作业第6.10节习题1~2周次×第9次课学时2章节名称第6章决策树（第6.4节~第6.8节）授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求熟悉ID3、C4.5、CART算法中所用的特征选择指标，了解ID3、C4.5、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。教学重点（1）ID3、C4.5、CART算法及其所用的特征选择指标（2）ID3、C4.5、CART三种算法的优缺点及适用场合教学难点ID3、C4.5、CART决策树的算法流程教学内容（1）ID3算法（2）C4.5算法（3）CART算法（4）决策树的剪枝（5）决策树的优缺点教学方法与手段设计（1）以教师讲授为主，注重条理性和逻辑性；（2）不断穿插提问和思考等互动环节，进行启发引导；（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；（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（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题和作业第6.10节习题3~7周次×第10次课学时2章节名称第4章~第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□教学目的及要求教学重点教学难点教学内容教学方法与手段设计（1）以教师讲授为主，注重条理性和逻辑性；（2）不断穿插提问和思考等互动环节，进行启发引导；（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；（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（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题和作业周次×第11次课学时2章节名称第7章集成学习（第7.1节~第7.3节）授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求熟悉Bagging与Boosting集成学习方法点，熟悉基学习器的组合策略，AdaBoost、梯度提升决策树（GBDT）算法流程。教学重点（1）Bagging与Boosting集成学习方法点（2）AdaBoost算法流程（3）GBDT算法流程教学难点GBDT回归、分类算法流程教学内容（1）集成学习概述（2）AdaBoost算法（3）梯度提升决策树（GBDT）教学方法与手段设计（1）以教师讲授为主，注重条理性和逻辑性；（2）不断穿插提问和思考等互动环节，进行启发引导；（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；（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（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题和作业第7.6节习题1~4周次×第12次课学时2章节名称第7章集成学习（第7.4节）第8章聚类（第8.1节~第8.2节）授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求掌握随机森林的工作原理，了解随机森林和GBDT模型的区别。熟悉聚类聚类和分类的异同点，熟悉常用的聚类算法，均值算法的原理、优缺点及改进算法，熟悉个聚类中心（簇中心）-均值教学重点（1）随机森林的工作原理（2）聚类算法的分类（3）均值、k-均值++算法流程教学难点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教学内容（1）随机森林和极端随机树（2）聚类概述（3）均值算法教学方法与手段设计（1）以教师讲授为主，注重条理性和逻辑性；（2）不断穿插提问和思考等互动环节，进行启发引导；（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；（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（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题和作业第7.6节习题5~8第8.6节习题1~6周次×第13次课学时2章节名称第8章聚类（第8.3节~第8.4节）授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求熟悉聚类特征和聚类特征树（CF-Tree）的概念，熟悉CF-Tree的构建过程及BIRCH算法的优缺点，熟悉DBSCAN算法的优缺点，了解教学重点（1）BIRCH算法（2）基于密度聚类的基本概念（3）DBSCAN算法的流程教学难点DBSCAN算法的流程教学内容（1）BIRCH算法（2）基于密度的聚类算法教学方法与手段设计（1）以教师讲授为主，注重条理性和逻辑性；（2）不断穿插提问和思考等互动环节，进行启发引导；（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；（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（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题和作业第8.6节习题7~10周次×第14次课学时2章节名称第9章深度学习（第9.1节~第9.2节）授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求感知机的基本原理，前馈神经网络的特征以及误差反向传播学习算法，教学重点（1）（3）（4）教学难点误差反向传播学习算法教学内容（1）人工神经网络基础（2）卷积神经网络教学方法与手段设计（1）以教师讲授为主，注重条理性和逻辑性；（2）不断穿插提问和思考等互动环节，进行启发引导；（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；（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（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明（2）涉及有关算