《机器学习》课程教学大纲

《机器学习》课程教学大纲一、课程基本信息课程代码：21133600课程中文名称：机器学习课程英文名称：MachineLearning讲课学时/学分：32/2课内实验学时/学分：8课外实验/科研实践学时：8课外研讨学时：课外素质拓展学时：课程类别：专业选修课课程性质：选修授课语种：中文适用专业：软件工程开设学期：第五学期先修课程：无责任单位：二、课程地位与作用《机器学习》课程是软件工程专业的专业选修课。2017年7月8日国务院发布关于印发新一代人工智能发展规划的通知，宣布我国人工智能技术的战略目标：2025年人工智能基础理论实现重大突破，2030年人工智能理论、技术与应用总体达到世界领先水平。2018年4月2日教育部发布关于印发《高等学校人工智能创新行动计划》的通知，指出加快机器学习等核心关键技术研究，形成新一代人工智能技术体系。机器学习作为人工智能技术的基础，是一门多学科融合的技术，通过机器学习，使计算机系统具有从数据中“学习”经验的能力以便实现人工智能。通过本课程的学习，学生将理解机器学习的原理，掌握常见机器学习方法中主要算法、较新的深度学习网络，通过实验提高机器学习算法编程和应用的能力，能够跟踪机器学习发展前沿，为学生将来从事人工智能相关工作或研究打下基础。三、课程内容简介本课程涵盖了机器学习的大部分内容，从机器学习原理到实际应用，从传统机器学习方法到深度学习等该领域近年来较新的研究。具体包括：机器学习基础、数据预处理、分类算法、决策树、支持向量机、回归分析、聚类分析、神经网络训练与深度学习、卷积神经网络、循环神经网络、图神经网络、生成对抗网络等内容。四、课程目标及对毕业要求的支撑通过本课程的学习，应达到的目标及能力如下：目标1：掌握机器学习相关的专业术语，了解机器学习的发展动态，能够查阅该领域的中英文文献。目标2：了解监督/无监督学习方法，了解回归任务和分类任务，了解人工神经网络的原理和基本结构。目标3：掌握贝叶斯、KNN、支持向量机、决策树、深度学习网络等机器学习方法及其使用，能够使用这些方法解决实际应用问题。五、课程内容及教学进度安排课程总学时为32学时，共包括12章内容。各章节学时进度安排如下表：序号知识单元授课内容学时分配支撑课程目标授课方式1机器学习基础1.1机器学习综述：发展历史、基本概念1.2性能评估1.3Python机器学习开发环境搭建本单元重点知识点：了解机器学习的基本概念、评估方法，学习Python开发环境搭建本单元难点知识点：监督/非监督学习的区别21、2启发讲授2分类算法2.1分类基本流程及分类算法的种类2.2贝叶斯算法2.3KNN算法2.4案例示范：使用KNN分类鸢尾花数据本单元重点知识点：分类问题处理流程，经典算法本单元难点知识点：贝叶斯算法、KNN算法22、3启发讲授3支持向量机3.1支持向量机原理和应用领域3.2常用核函数：线性核函数、径向基核函数、多项式核函数本单元重点知识点：支持向量机原理和使用本单元难点知识点：核函数22、3启发讲授4决策树4.1决策树处理流程4.2最优划分属性选择4.3决策树经典算法4.4案例示范：决策树分类鸢尾花数据本单元重点知识点：决策树处理流程、经典算法本单元难点知识点：最优划分属性选择22、3启发讲授5神经网络5.1神经网络概述：发展历史、定义5.2M-P神经元模型5.3单层感知机5.4多层前馈神经网络5.5深层神经网络5.6案例示范：手写数字识别本单元重点知识点：神经网络的工作原理、不同部分在神经网络中的作用本单元难点知识点：反向传播算法、梯度检验42、3启发讲授6回归分析6.1线性回归6.2正则化方法6.3逻辑斯蒂回归6.4随机森林6.5回归模型性能评估6.6案例示范：基于随机森林的房价预测本单元重点知识点：成本函数、梯度下降算法本单元难点知识点：使用正则化构建回归模型并避免过拟合22、3启发讲授7聚类分析7.1无监督学习概述7.2K-Means7.3期望最大法7.4密度与层次本单元重点知识点：K-means算法的构建本单元难点知识点：K-means算法及其应用22、3启发讲授9基于CNN的图像识别9.1卷积神经网络（CNN）基本组成9.2常用CNN结构：LeNet、VGG系列、ResNet系列9.3实验讲解：基于CNN的人脸性别识别本单元重点知识点：CNN网络结构和应用本单元难点知识点：卷积、池化运算42、3讲授2+实验210基于RNN的序列数据建模10.1循环神经网络（RNN）概述10.2常用RNN结构：基本结构、简单循环模型、门控算法模型、多层RNN算法模型10.3实验讲解：基于LSTM的文本情感分类本单元重点知识点：RNN网络结构和应用本单元难点知识点：门控算法模型42、3讲授2+实验211GNN网络与应用11.1图神经网络（GNN）基本思想11.2图卷积网络（GCN）介绍11.3实验讲解：基于GCN的文本分类本单元重点知识点：GNN网络结构和应用本单元难点知识点：GNN特征编码基本思想和原理42、3讲授2+实验212基于GAN的数据生成12.1生成对抗网络（GAN）基本原理、结构和目标函数10.2GAN存在的问题及优化10.3实验讲解：基于GAN的图像生成本单元重点知识点：GAN网络结构和应用本单元难点知识点：GAN训练及优化42、3讲授2+实验2

实验安排：序号实验内容重点和难点1基于CNN的人脸性别识别卷积、池化等概念，相关API使用2基于LSTM的文本情感分类门控算法3基于GCN的聚类分析图神经网络4基于GAN的图像生成生成对抗网络，GAN优化六、课程目标达成途径与措施课堂讲授把握主线，深入浅出讲解原理和算法，以实际背景问题引入，分析解决问题的思路与方法，对不同方法进行总结归纳比较，引导学生掌握机器学习的相关概念、原理、方法和应用场景。注重理论与实践相结合。在讲解算法的同时，演示算法在实际案例中的使用，避免停留在概念和抽象的理论上。同时结合教学内容，安排4次实验，督促学生在掌握理论的同时，应用于实践，不断提升学生理论分析与实践动手能力。教学过程中，以学生为主体，鼓励学生自主学习、团队协作等，加强职业能力的训练，运用启发引导、任务引领、问题导向、分组讨论、协同教学等多种互动式教学方法，完成课程教学任务。教学实施过程中，提供丰富的教育资源丰富，如课件、源码、网络资源等。七、课程的考核与成绩评定（一）考核形式本课程考核以检验学生能力培养目标达成为主要目的，以检查学生对各知识点的掌握情况和应用能力为重点内容，课程总成绩由平时成绩、实验成绩和期末成绩组成，课程总成绩=平时成绩+实验成绩+期末成绩，课程总评成绩满分为100分。其中，平时成绩由（课堂）日常表现和课堂问答记录组成，考查教学过程中学生对知识点的理解和掌握程度；实验成绩为课内实验的报告成绩；期末成绩通过考核课程大作业的形式给出。各部分考核内容及所占比例如下表所示：

考核项目考核主要内容考核时间权重课堂问答及日常表现考查学生上课出勤、已学或正在学习的知识内容的掌握情况每次课堂20%实验报告3个实验报告相关课程结束时30%期末考核课程大作业相关课程结束时50%（二）考核与评价标准实验报告考核与评价标准实验报告主要考核学生对相应知识点的理解程度、实际应用能力，每次报告评分标准（百分制）如下表所示：评分项作业评价细则及得分100~9089~8079~7069~6059~0作业按时交报告；概念解释清晰，分析问题条理清楚，代码层次清晰，结果正确率高于90%；表述合理，排版规范等按时交报告；概念解释、分析问题、计算过程等比较清晰，结果正确率不低于80%；表述比较合理，排版比较规范等按时交报告；概念解释、分析问题、计算过程等基本清晰，结果正确率不低于70%；表述比较合理，排版基本规范等短时迟交报告；概念解释、分析问题、计算过程等基本清晰，结果正确率不低于60%；表述基本合理，排版基本规范等不交或严重超时迟交报告；概念解释、分析问题、计算过程等不清晰，结果正确率低于合格水平；表述不合理，排版不规范等课堂问答、日常表现考核与评价标准1）日常表现：主要考查学生遵守学习相关规定，按时参加课堂学习的情况。迟到、早退一次扣1分，旷课一次扣2分。2）课堂问答：就所上课堂内容、知识点随机点学生回答，根据问题难易和学生回答情况进行评价打分并做好记录。期末考试考核与评价标准期末考核方式为考核课程大作业，可综述机器学习在本专业中研究应用和发展趋势，或以机器学习方法解决本专业某一研究课题提交实验报告及源码，课程大作业评价标准同实验报告评价标准。八、课程目标达成度评价方法与改进机制（一）课程目标达成度评价方法：期末试题中全部为简答题。课程目标、毕业要求指标点与考核成绩的对应关系如下表所示：课程目标毕业要求指标点考核环节及占比总目标分数期末考核（50%）考勤及课堂问答（20%）实验报告（30%）目标分数目标分数对应题型目标分数目标120*0.515*0.2实验1~310*0.310+3+3=16目标220*0.515*0.2实验1~310*0.310+3+3=16目标360*0.570*0.2实验1~380*0.330+14+24=68（二）改进机制学校、学院教学督导组，系课程群组的教学质量管理人员，负责组织和实施对课程教学过程与结果的评价工作。主要措施有：三级联合评估、过程监控、总结与评价、持续改进。1）三级联合评估：学校、学院、系三级联合评估。每年度进行一次课程评估，从课程目标、内容、教学实施、教学资源建设、教学效果等进行全方位的评价，提出存在问题和改进建议。2）过程监控：学院质量监控委员会、各级领导干部及同行实施学院统一的听课制度，监控教学实施过程并进行反馈。授课期间面