《机器学习与应用》教学大纲

《机器学习与应用》教学大纲课程编号：13180520英文名称：MachineLearning&Application学分：3学时：总学时64学时，其中理论32学时，实践32学时先修课程：高级语言、数据结构课程类别：专业主干课授课对象：数据科学与大数据技术专业学生教学单位：机械与电气工程学院修读学期：第4学期一、课程描述和目标机器学习与应用是数据科学理论基础研究的重要组成部分,机器学习与应用课程是数据科学与大数据技术专业的专业主干课。通过本课程的学习使学生掌握常见机器学习算法,包括算法的主要思想和基本步骤,并通过编程练习和典型应用实例加深了解；同时对机器学习的一般理论有深刻认识。课程目标1:对国际上机器学习研究及应用领域的现状和发展有较全面地把握和及时了解。课程目标2：掌握主流的机器学习方法和模型，并能根据实际问题的需要选择并实现相应的算法。课程目标3：增强逻辑思维能力与实践能力，为后续高级课程奠定基础。二、课程目标对毕业要求的支撑关系毕业要求指标点课程目标权重1-2：能够将程序设计、数据结构与算法等知识与方法，用于大数据系统工程的分析。课程目标2M3-1：针对大数据系统工程问题，能够在理解复杂工程问题的基础上定义功能、目标和限制，并设计开发复杂工程问题的解决方案。课程目标2H4-1：能够通过文献阅读和实验设计并采用大数据技术原理，就复杂工程应用中涉及的局部性功能或性能问题进行研究，对结果或数据进行分析和解释。课程目标1M5-1：能够针对大数据工程问题，为构建复杂工程问题的模拟环境选择和使用合适的现代工程工具和信息技术工具，并能理解其局限性。课程目标3H5-2：能够针对大数据工程问题，为预测与分析工程模型选择和使用合适的现代工程工具和信息技术工具，并能理解其局限性。课程目标3M三、教学内容、基本要求与学时分配序号教学内容基本要求学时教学方式对应课程目标1机器学习概述了解时代背景、发展现状，并掌握机器学习基本概念。2讲授式启发式课程目标12线性回归掌握回归算法、归一化及优化方法2讲授式启发式课程目标1、课程目标33逻辑回归理解分类算法原理、逻辑回归算法、Sigmoid函数2讲授式启发式课程目标1、课程目标24朴素贝叶斯理解贝叶斯公式原理，掌握朴素贝叶斯算法2讲授式启发式课程目标1、课程目标25支持向量机掌握支持向量机算法原理，理解线性可分及线性不可分的区别，掌握核方法4讲授式启发式课程目标1、课程目标26K近邻算法掌握距离度量方式，掌握K近邻算法2讲授式启发式课程目标1、课程目标27聚类算法理解无监督学习原理，掌握K-means聚类算法，掌握密度聚类和层次聚类算法，运用多种聚类算法评价指标分析各种聚类算法4讲授式启发式课程目标1、课程目标38降维算法理解降维算法的原理，掌握LDA算法，掌握PCA算法2讲授式启发式课程目标1、课程目标39决策树理解决策树的原理，掌握ID3算法，掌握C4.5算法4讲授式启发式课程目标1、课程目标310集成学习理解集成学习的原理，掌握Adboost算法，掌握XGboost算法4讲授式启发式课程目标1、课程目标311深度学习了解深度学习的基本概念、掌握常见结构及对应算法的应用4讲授式启发式课程目标1、课程目标3合计32序号实验项目实验内容与要求学时类型对应课程目标1线性回归算法的实现与应用掌握数据处理的基本技巧，掌握线性回归算法的基本应用。6设计课程目标22逻辑回归算法的设计与实现掌握逻辑回归算法的技术，利用逻辑回归算法进行分类。6设计课程目标23支持向量机的实现与应用掌握支持向量机的学习与推理，利用支持向量机完成不同场景的分类。6设计课程目标24聚类算法的实现与应用掌握K-means聚类算法技术，并完成无监督聚类算法的具体应用。6设计课程目标25卷积神经网络的设计与实现掌握卷积神经网络的卷积核、池化层等参数的配置，及训练的技巧。8综合课程目标2合计32注：实验要求包括必修、选修；实验类型包括演示、验证、综合、设计等，后两类占比大于80%。四、课程教学方法采取集中讲授、课堂讨论、案例分析、在线教学等教学方式。五、学业评价和课程考核（一）考核方式及具体要求1.课程成绩构成与要求课程考核注重形成性和终结性评价相结合，考核内容主要由平时作业、课程实验、期末综合大作业组成，均按百分制计分，其中平时作业成绩占20%、课程实验成绩占30%、期末考核成绩占50%。2.课程目标达成考核与评价序号教学环节课程目标1（分值）课程目标2（分值）课程目标3（分值）合计1平时作业10100202课程实验101010303期末综合大作业10202050课程目标对应分值304030100（二）考核与评价标准1.平时作业考核与评价标准分值观测点90-100分70-89分60-69分0-59分作业按时完成，90%以上的作业内容齐全，基本知识点理解、掌握到位。按时完成，70%以上的作业内容齐全，基本知识点理解、掌握得较为到位。延时完成，60%以上的作业内容齐全，基本知识点理解、掌握得基本到位。不交和补交，50%以下的作业内容齐全，基本知识点理解、掌握有偏差。2.课程实验考核与评价标准分值观测点90-100分70-89分60-69分0-59分课程实验能根据实验要求自主设计实验方案，有自己的设计理念，实验完成度高，效果好。实验报告内容完整。能根据实验要求自主设计实验方案，有自己的设计理念，实验完成度较高，效果较好。实验报告比较完整。能根据实验要求自主设计实验方案，实验完成度一般，效果一般。实验报告基本完整。基本能根据实验要求自主设计实验方案，实验完成度较差，效果较差。实验报告不完整。3.期末综合大作业考核与评价标准分值观测点90-100分70-89分60-69分0-59分课程论文大作业规范，符合课程论文写作要求；内容主题明确，符合课程教学内容，有明确的综合分析论点。叙述清楚，理论正确，结论严谨合理；文字规范。结果正确、完整，分析准确，有条理，截图清晰。总结不空洞，具体、有内涵，体现出深入的思考过程。大作业格式符合课程论文写作要求；主题明确，符合课程教学内容，具有较好的综合分析论点。叙述描述良好，理论正确，结论合理；文字较规范。结果正确、比较完整，分析比较准确，条理一般，截图清晰。总结不空洞，具体、有内涵，较好地体现出思考过程。大作业格式符合课程论文写作要求；主题基本明确，较符合课程教学内容，具有较好的综合分析论点。叙述清楚，理论正确，结论基本合理；文字一般。结果正确、比较完整，分析、条理一般，截图不清晰。总结不空洞，具体、有内涵，基本体现出思考过程。大作业格式不符合课程论文要求，仅能反映部分主题内容，论文结构不完整，论点分析不清晰。叙述不清楚，理论不正确，结论不合理；文字不通顺。结果不正确，分析条理不清楚，截图不清晰。总结空洞，不具体；缺乏思考过程。六、教材与参考书（一）推荐教材1．《机器学习实践应用》，李博著，人民邮电出版社，2017年7月版；2．《机器学习实战》，[美]PeterHarrington著，李锐，李鹏，曲亚东等译，人民邮电出版社，2013年6月版。（二）参考资料1．《Python机器学习基础教程》，[德]安德