基于ROS的智能汽车设计与实训教程教学大纲（Word版）

教学大纲课程代码：课程名称（中/英）：例：机器学习（MachineLearning）学分：3.5总学时：56（或58）理论学时：56（或58，包含随堂实践）实验学时：（随堂实践的学时已包含在理论学时之中）课程类别：必修课（或选修课）开课学期：6左右（本科生）；1或2（硕士生）适用专业：计算机科学与技术、人工智能、物联网工程、数据科学与大数据、软件工程、通信工程、电子信息、机器人工程、自动化、智能制造等课程性质：专业方向类先修课程：高等数学、线性代数、概率论与数理统计、Python程序设计开课单位：计算机科学与工程学院大纲版本：制定（修订）人：审核人：大纲批准人：制定（修订）时间：审核时间：批准时间：一、课程简介本课程是人工智能、计算机科学与技术、物联网工程等专业必修的核心课程之一，包括理论教学环节与实践教学环节。本课程主要讲授机器学习领域中的监督学习、无监督学习、以及强化学习三大范式，包括线性回归、逻辑回归、支持向量机、k近邻、朴素贝叶斯、神经网络、k均值、主成分分析、自编码器、马尔可夫决策过程、Q学习等机器学习方法。学生通过本课程的学习，理解机器学习方法的原理，掌握如何使用Python编程语言实现机器学习方法，达到使用机器学习方法初步解决专业领域内问题的水平，为进一步学习深度学习方法奠定坚实的原理与实践基础。二、课程目标1、课程目标(1)课程目标一：使学生理解监督学习方法的原理、掌握监督学习方法的实现、并具备使用监督学习方法初步解决专业领域内问题的能力。（对应教材的第2章。）(2)课程目标二：使学生理解无监督学习方法的原理、掌握无监督学习方法的实现、并具备使用无监督学习方法初步解决问题的能力。（对应教材的第3章。）(3)课程目标三：使学生理解强化学习的原理、掌握强化学习方法的实现、并具备使用强化学习方法初步解决典型问题的能力。（对应教材的第4章。）2、课程目标对工程教育认证通用标准12项毕业要求的支撑情况课程目标支撑的通用标准毕业要求1工程知识5使用现代工具课程目标一课程目标二课程目标三3、教学内容安排总体思路本课程使用的教材为《机器学习原理与实践（微课版）》（陈喆著，清华大学出版社，2022年）。该教材的4章内容支撑上述2项毕业要求。其中，教材的第2章对应课程目标一，教材的第3章对应课程目标二，教材的第4章对应课程目标三；三个课程目标均支撑第1、5两项毕业要求。按照该教材安排理论教学内容和实践教学内容，可以达到支撑上述毕业要求的目的。三、教学内容及基本要求以下按照教材各章（或各节）内容来介绍理论教学内容的学时安排、主要内容、基本要求、重点难点、本章实验（或本节实验）、作业与练习。第1章引言（参考学时：2学时）主要内容：(1)机器学习与物联网之间的联系(2)机器学习简史(3)机器学习的概念(4)机器学习与人工智能、深度学习之间的关系(5)机器学习的应用(6)用Python编程语言实现机器学习方法(7)NumPy库及其常用函数与方法(8)Matplotlib库及其常用函数 基本要求：(1)了解机器学习的概念与简要发展历程(2)了解机器学习方法在不同领域中的应用(3)了解并掌握使用Python语言、NumPy库、Matplotlib库编程的方法重点难点： 重点：使用Python语言、NumPy库、Matplotlib库编程本章实验：实验1-1、实验1-2、实验1-3，建议均采用随堂实践的教学方式。全部学生都应独立完成这3个基本实验。Python初学者或缺乏编程实现思路的学生，可参考1.5节本章实验分析以及附录A。作业与练习：教材1.7节节思考与练习中列出了3道思考与练习题，可酌情选择一部分作为课后作业或随堂练习题。可酌情布置学生进一步查阅有关机器学习应用的资料与论文。可布置学生进一步练习使用教材中表1-1和表1-2列出的函数与方法。第2章监督学习；第2.1节线性回归（参考学时：10+2学时）主要内容：(1)监督学习、训练样本、标注、模型的概念、以及监督学习的例子(2)预测与回归的概念、以及回归的例子(3)线性回归的概念及其数学模型的得出(4)训练数据集、平均绝对误差、代价函数、损失函数、均方误差的概念(5)最优化问题、凸集、凸函数、凸优化问题的概念与理解、凸函数的证明过程、以及凸优化问题最优解的充分必要条件(6)线性回归模型的训练、最小二乘问题及其求解(7)梯度下降法、学习率、批梯度下降法、随机梯度下降法、小批梯度下降法(8)线性回归训练过程的矩阵形式、广播操作(9)验证数据集、测试数据集、均方根误差(10)单输出线性回归实践(11)特征缩放以及原因、最小最大归一化、均值归一化、标准化、特征缩放实践(12)多输出线性回归及其训练过程的矩阵形式(13)多输出线性回归实践（实验2-6和实验2-7两个实验，建议通信与电子信息相关专业学生必做，其他专业学生可以选做） 基本要求：(1)理解并掌握监督学习、线性回归的概念、以及单输出线性回归的训练过程(2)理解并掌握梯度下降法、学习率、批梯度下降法、随机梯度下降法、小批梯度下降法(3)掌握特征缩放的方法重点难点：重点：监督学习、训练样本、标注、模型的概念；代价函数、损失函数的概念；平均绝对误差、均方误差的计算；凸优化问题最优解的充分必要条件；梯度下降法；学习率的选取；批梯度下降法、随机梯度下降法、小批梯度下降法难点：凸优化问题、凸函数的证明；梯度下降法；训练过程的矩阵形式；广播操作；多输出线性回归及其训练过程的矩阵形式；多输出线性回归实践本节实验：实验2-1至实验2-7，建议均采用随堂实践的教学方式。其中，实验2-6和实验2-7两个实验，建议通信与电子信息相关专业学生必做，其他专业学生可以选做。缺乏编程实现思路的学生，可参考2.7节本章实验分析。编程基础较弱的学生，可参考2.7节本章实验分析以及附录A。作业与练习：教材2.9节思考与练习中的1至12题，可酌情选择一部分作为课后作业或随堂练习题。第2.2节逻辑回归（参考学时：6学时）主要内容：(1)分类任务及其例子、用线性回归完成二分类任务及其分析(2)sigmoid函数、逻辑回归及其解释(3)使用均方误差代价函数训练逻辑回归模型、非全局最优解的原因分析(4)交叉熵代价函数的得出、交叉熵代价函数的凸函数证明、逻辑回归训练过程的矩阵形式(5)二分类任务的性能指标，包括混淆矩阵、准确度、错误率、精度、召回率、F值、马修斯相关系数等概念(6)逻辑回归实践 基本要求：(1)理解并掌握分类任务、逻辑回归及其解释(2)理解交叉熵代价函数，掌握逻辑回归的训练过程(3)了解二分类任务的性能指标重点难点：重点：sigmoid函数；逻辑回归及其解释；交叉熵代价函数的得出；混淆矩阵、精度、召回率、F1难点：使用均方误差代价函数训练逻辑回归模型、非全局最优解的原因分析；逻辑回归训练过程的矩阵形式本节实验：实验2-8至实验2-10，建议均采用随堂实践的教学方式。重点掌握实验2-10。缺乏编程实现思路的学生，可参考2.7节本章实验分析。编程基础较弱的学生，可参考2.7节本章实验分析以及附录A。作业与练习：教材2.9节思考与练习中的13至17题，可酌情选择一部分作为课后作业或随堂练习题。第2.3节支持向量机（参考学时：4学时）主要内容：(1)支持向量机及其训练问题(2)支持向量机训练问题的初步求解(3)属性、特征映射、核函数、齐次多项式核、非齐次多项式核、高斯核(4)软间隔支持向量机、折页损失函数(5)支持向量机实践与分析(6)过拟合与欠拟合、k份交叉验证及实践 基本要求：(1)掌握支持向量机及其解释(2)理解特征映射与核函数(3)了解软间隔支持向量机(4)深入理解过拟合与欠拟合(5)掌握k份交叉验证重点难点：重点：支持向量机及其解释；过拟合与欠拟合难点：支持向量机训练问题的求解；核函数本节实验：实验2-11至实验2-13，建议均采用随堂实践的教学方式。缺乏编程实现思路的学生，可参考2.7节本章实验分析。编程基础较弱的学生，可参考2.7节本章实验分析以及附录A。作业与练习：教材2.9节思考与练习中的18至20题，可酌情选择一部分作为课后作业或随堂练习题。第2.4节k近邻（参考学时：2学时）主要内容：(1)多分类任务、k近邻分类方法(2)k近邻分类实践与分析(3)多分类任务的性能指标及实践，包括扩展混淆矩阵、精度、召回率、宏平均F1 基本要求：(1)掌握多分类任务与k近邻分类方法(2)了解多分类任务的性能平均指标重点难点：重点：多分类任务；k近邻分类方法本节实验：实验2-14至实验2-15，建议均采用随堂实践的教学方式。缺乏编程实现思路的学生，可参考2.7节本章实验分析。编程基础较弱的学生，可参考2.7节本章实验分析以及附录A。作业与练习：教材2.9节思考与练习中的21题，可酌情作为课后作业或随堂练习题。第2.5节朴素贝叶斯（参考学时：4学时）主要内容：(1)先验概率和后验概率的概念、最大后验概率准则(2)朴素贝叶斯分类方法及其假设、朴素贝叶斯分类器的训练(3)拉普拉斯平滑方法、高斯朴素贝叶斯及其训练(4)朴素贝叶斯实践 基本要求：(1)掌握先验概率和后验概率的概念、理解朴素贝叶斯分类方法(2)理解朴素贝叶斯分类方法做出的假设、了解朴素贝叶斯分类器的训练与拉普拉斯平滑方法(3)理解高斯朴素贝叶斯分类方法重点难点：重点：朴素贝叶斯分类方法及其假设难点：高斯朴素贝叶斯分类方法本节实验：实验2-16，建议采用随堂实践的教学方式。缺乏编程实现思路的学生，可参考2.7节本章实验分析。编程基础较弱的学生，可参考2.7节本章实验分析以及附录A。作业与练习：教材2.9节思考与练习中的22题，可酌情作为课后作业或随堂练习题。第2.6节神经网络（参考学时：10学时）主要内容：(1)one-hot编码方式、softmax函数、多分类逻辑回归及其分类过程(2)多分类任务的交叉熵代价函数、求代价函数对参数的偏导数、多分类逻辑回归的训练过程及矩阵形式(3)多分类逻辑回归实践(4)使用二分类逻辑回归对扩充后的成绩数据集进行分类、多条sigmoid函数曲线及其叠加、简单的二分类神经网络、改进后模型(5)人工神经网络及其输入层、隐含层、输出层、激活函数、ReLU激活函数(6)二分类神经网络及其分类过程的矩阵形式、正向传播(7)二分类神经网络代价函数对第2层参数的偏导数、通过反向传播求代价函数对各层参数的偏导数、二分类神经网络训练过程的矩阵形式(8)二分类神经网络实践(9)多分类神经网络及其分类过程的矩阵形式、多分类神经网络的损失函数与代价函数、通过反向传播求代价函数对各层参数的偏导数、多分类神经网络训练过程的矩阵形式(10)多分类神经网络实践 基本要求：(1)掌握one-hot编码方式、softmax函数、多分类逻辑回归方法、多分类任务的交叉熵代价函数(2)理解二分类神经网络的解释，掌握神经网络的概念以及ReLU激活函数(3)掌握通过反向传播求代价函数对各层参数偏导数的方法与过程(4)掌握多分类神经网络及其代价函数重点难点：重点：one-hot编码方式；softmax函数；多分类任务中的交叉熵代价函数；二分类神经网络的解释；人工神经网络及其输入层、隐含层、输出层、激活函数等概念；ReLU激活函数；通过反向传播求神经网络代价函数对各层参数偏导数的方法与过程；多分类神经网络及其代价函数难点：二分类神经网络的解释；通过反向传播求神经网络代价函数对各层参数偏导数的方法与过程；二分类神经网络分类与训练过程的矩阵形式；多分类神经网络分类与训练过程的矩阵形式本节实验：实验2-17至实验2-19，建议均采用随堂实践的教学方式。缺乏编程实现思路的学生，可参考2.7节本章实验分析。编程基础较弱的学生，可参考2.7节本章实验分析以及附录A。作业与练习：教材2.9节思考与练习中的23至27题，可酌情选择一部分作为课后作业或随堂练习题。第3章无监督学习（参考学时：8学时）主要内容：(1)无监督学习、聚类、k均值聚类的概念(2)k均值聚类的分析与推导过程、k均值聚类方法（算法）(3)轮廓系数、平均轮廓系数、k均值聚类实践(4)降维、主成分分析降维及其推导过程(5)基于特征分解的主成分分析降维方法、降维后的维数、基于奇异值分解的主成分分析降维方法、主成分分析降维实践(6)基本的自编码器、自编码器的训练与降维过程、自编码器降维实践 基本要求：(1)理解无监督学习、聚类、降维的概念(2)理解k均值聚类的解释，掌握k均值聚类方法，了解轮廓系数(3)理解主成分分析的解释，掌握主成分分析降维方法（两种）(4)理解基本的自编码器，掌握用自编码器降维的方法重点难点：重点：k均值聚类方法；主成分分析降维方法；自编码器降维难点：k均值聚类的分析与推导过程；主成分分析降维的推导过程；自编码器训练与降维过程的矩阵形式本章实验：实验3-1至实验3-7，建议均采用随堂实践的教学方式。缺乏编程实现思路的学生，可参考3.4节本章实验分析。编程基础较弱的学生，可参考3.4节本章实验分析以及附录A。作业与练习：教材3.6节思考与练习中列出了20道思考与练习题，可酌情选择一部分作为课后作业或随堂练习题。第4章强化学习（参考学时：10学时）主要内容：(1)强化学习、多老虎机问题、多老虎机问题的建模与求解、贪婪方法、多老虎机问题实践(2)利用与探索、ε贪婪方法、ε贪婪方法实践(3)智能体、行动、环境、策略、奖赏信号、价值函数、状态的概念(4)马尔可夫性、马尔可夫决策过程（MDP）、如何确定一个MDP、收益、阶段性任务、连续性任务、折扣收益、最优策略(5)状态价值函数、贝尔曼方程及其推导、最优状态价值函数及其得出、贝尔曼最优性方程及其得出(6)动态规划、收敛证明、价值迭代及算法、变量存储方式(7)马尔可夫决策过程实践(8)实际应用中确定一个MDP的困难、最优行动价值函数、收敛证明、Q学习及其更新公式的得出、Q学习算法(9)Q学习实践 基本要求：(1)理解强化学习、多老虎机问题、贪婪方法、利用与探索、ε贪婪方法，掌握多老虎机问题的建模与求解(2)理解智能体、行动、环境、策略、奖赏信号、价值函数、状态、马尔可夫性、马尔可夫决策过程、收益、阶段性任务、连续性任务、折扣收益、最优策略、状态价值函数、动态规划、最优行动价值函数的概念(3)了解贝尔曼方程及其推导、最优状态价值函数及其得出、贝尔曼最优性方程及其得出、实际应用中确定一个MDP的困难、Q学习及其更新公式的得出(4)掌握价值迭代算法、Q学习算法重点难点：重点：利用与探索；ε贪婪方法；强化学习的要素；如何确定一个MDP；价值迭代及算法；Q学习算法难点：多老虎机问题的建模与求解；折扣收益；最优策略；状态价值函数；贝尔曼方程及其推导；最优状态价值函数及其得出；贝尔曼最优性方程及其得出；收敛证明；最优行动价值函数；收敛证明；Q学习及其更新公式的得出本章实验：实验4-1至实验4-6，建议均采用随堂实践的教学方式。缺乏编程实现思路的学生，可参考4.4节本章实验分析。编程基础较弱的学生，可参考4.4节本章实验分析以及附录A。作业与练习：教材4.6节思考与练习中列出了20道思考与练习题，可酌情选择一部分作为课后作业或随堂练习题。四、教学安排及教学方式课程总学时为56学时（如果选做2.1.7节中的实验，则需增加约2学时），每学时按50分钟计算。建议每周安排4～8学时。本课程实践教学环节（实验）的教学方式，建议授课教师采用随堂实践的方式，并将随堂实践穿插在理论教学环节之中，学生在课堂上使用便携的笔记本电脑完成随堂实践，授课教师可即时给予指导。建议学生在课程授课开始之前自行下载并安装Anaconda个人版（/products/individu