《机器学习》教学大纲

《机器学习》教学大纲适用范围：202X版本科人才培养方案课程代码：08150461课程性质：专业选修课学分：3学分学时：48学时（理论32学时，实验16学时）先修课程：Python程序设计、人工智能等后续课程：无适用专业：数据科学与大数据技术开课单位：计算机科学与技术学院一、课程说明《机器学习》是数据科学与大数据技术专业本科生的一门专业选修课程。本课程主要传授机器学习的分类、聚类、贝叶斯、支持向量机、神经网络、深度学习等学习算法，是一门理论和实践并重的课程，为学习其他有关课程及以后从事技术工作打下必要的基础。本课程的教学应本着理论与实践相结合的原则，深入浅出，突出重点，在重视基础理论的同时，注意培养学生独立思考和动手能力。二、课程目标通过本课程的学习，使学生达到如下目标：课程目标1：强调培养学生的动手能力，要求学生通过编写机器学习的程序完成智能任务，并鼓励学生不断改善模型和代码实现从而提高机器的效能。课程目标2：掌握机器学习的相关概念、基本原理和基本方法，培养自主学习的能力，能够通过小组合作的方式完成设计开发解决方案。课程目标3：针对特定需求，能够综合运用机器学习算法，编写程序实现算法，能够利用模型评估的度量方法改进和调整模型，从而对新数据进行准确预测。三、课程目标与毕业要求《机器学习》课程教学目标对数据科学与大数据技术专业毕业要求的支撑见表1。表1课程教学目标与毕业要求关系毕业要求指标点课程目标支撑强度2.问题分析2.2能根据数学、自然科学和工程科学的基本原理为数据科学与大数据技术领域复杂工程问题选择合适的问题解决方案。课程目标1：强调培养学生的动手能力，要求学生通过编写机器学习的程序完成智能任务，并鼓励学生不断改善模型和代码实现从而提高机器的效能。H3.设计/开发解决方案3.1能够针对大数据应用系统设计与开发满足特定需求的模块或算法。课程目标2：掌握机器学习的相关概念、基本原理和基本方法，培养自主学习的能力，能够通过小组合作的方式完成设计开发解决方案。H5．使用现代工具5.2能够选择与使用恰当的技术、资源、现代工程工具和信息技术工具，对数据科学与大数据技术领域复杂工程问题进行预测与模拟。课程目标3：针对特定需求，能够综合运用机器学习算法，编写程序实现算法，能够利用模型评估的度量方法改进和调整模型，从而对新数据进行准确预测。H注：表中“H（高）、M（中）”表示课程与相关毕业要求的关联度。四、教学内容、基本要求与学时分配1.理论部分见表2表2教学内容、基本要求与学时分配教学内容教学要求，教学重点难点理论学时实验学时对应的课程目标1.绪论1.1机器学习是什么1.2机器学习算法1.3本书的学习之路教学要求：使学生了解机器学习的基本概念，机器学习算法及其分类，课程内容介绍，编程环境及工具包。重点：机器学习的基本概念，机器学习算法分类。难点：机器学习算法分类。2022.聚类2.1k均值聚类算法及应用示例2.2聚类算法基础2.3DBSCAN及其派生算法2.4AGNES算法教学要求：使学生掌握K均值聚类及其改进算法，聚类的任务，聚类算法评价指标，聚类算法分类，DBSCAN算法及其派生算法，AGNES算法。重点：距离度量，聚类算法评价指标，K均值算法，DBSCAN算法。难点：聚类算法评价指标，DBSCAN算法。841、2、33.回归3.1回归任务、评价与线性回归模型3.2机器学习中的最优化方法3.3多项式回归3.4过拟合与泛化3.5向量相关性与岭回归3.6局部回归教学要求：使学生理解回归任务与评价方法，线性回归模型，全局最优、凸优化等机器学习中的最优化理论，掌握迭代法、梯度下降法、牛顿法等最优化方法，学会运用最小二乘法求解线性回归模型。重点：线性回归模型，梯度下降法，多项式回归，过拟合与泛化，向量相关性与岭回归。难点：最小二乘法求解线性回归模型，岭回归算法。641、2、34.分类4.1决策树、随机森林及其应用4.2分类算法基础4.3逻辑回归4.4Softmax回归教学要求：使学生掌握决策树、随机森林算法，分类任务与分类模型评价指标，学会处理逻辑回归，Softmax回归，集成学习，类别不平衡问题。重点：决策树，Softmax回归，集成学习。难点：决策树的样本集分裂方法，AUC评价指标。641、2、35.特征工程、降维与超参数调优5.1特征工程5.2线性降维5.3超参数调优教学要求：使学生掌握降维方法，了解网格搜索超参数调优方法，随机搜索超参数调优方法。重点：数据预处理方法，主成分分析降维方法，网格搜索超参数调优方法。难点：数据预处理方法，主成分分析降维方法。201、26.概率模型与标注6.1概率模型6.2逻辑回归模型的概率分析6.3朴素贝叶斯分类6.4EM算法与高斯混合聚类6.5隐马尔可夫模型6.6条件随机场模型教学要求：使学生了解逻辑回归模型的概率分析，掌握朴素贝叶斯分类及隐马尔可夫模型。重点：朴素贝叶斯分类，EM算法，隐马尔可夫模型。难点：EM算法，隐马尔可夫模型。402、37.神经网络7.1神经网络模型7.2多层神经网络7.3竞争学习和自组织特征映射网络教学要求：使学生理解神经网络模型概念；理解神经网络中的激活函数；掌握反向传播算法；能够构建并训练优化神经网络。重点：神经元模型，神经网络的结构，误差反向传播学习算法，多层神经网络常用损失函数，多层神经网络常用优化算法，多层神经网络中过拟合的抑制。难点：误差反向传播学习算法，结合动量优化和步长优化的算法。441、2、3合计32162.实验/实践或上机部分见表3表3实验项目、实验内容与学时实验项目实验内容和要求实验学时对应的课程目标1.聚类算法实现及应用实验内容：编程实现K均值算法；利用K均值算法实现图像分割。实验要求：加深对非监督学习的理解和认识；能理解并编程实现K均值算法；能够利用K均值算法完成图像分割。41、2、32.logistic回归实现及应用实验内容：编程实现逻logistic回归算法；使用梯度下降方式实现logistic回归分类。实验要求：熟悉logistic回归模型；能利用logistic回归模型分类；理解梯度下降算法，并将其用于logistic回归分类。41、2、33.决策树实现及应用实验内容：编程构造决策树模型；实现决策树分类算法。实验要求：熟练掌握决策树的构造算法；能够理解并编程实现决策树的构造并能应用于分类问题。41、2、34.神经网络实现及应用实验内容：利用反向传播算法来编程实现神经网络模型，利用神经网络完成分类问题。实验要求：能掌握激活函数和神经网络的构建；能利用神经网络模型完成分类任务。41、2、3合计16五、教学方法及手段课程教学以课堂讲授为主，采用启发式、讨论式教学和案例教学等，培养学生积极思考的能力；结合实验、作业、慕课、雨课堂资源，配合多媒体课件等共同完成课堂授课内容。采用钉钉、QQ、微信等交流工具，加强和学生之间的交流和沟通。六、课程资源库1.推荐教材（1）王衡军.机器学习[M].北京:清华大学出版社,2020.（2）赵卫东.机器学习[M].北京:人民邮电出版社,2018.（3）汪荣贵.机器学习简明教程[M].北京:机械工业出版社,2020.2.参考书（1）卢官明.机器学习导论[M].北京:机械工业出版社,2021．（2）王成、黄晓辉.跟我一起学机器学习[M].北京:清华大学出版社,2022.（3）汪荣贵.机器学习及其应用[M].北京:机械工业出版社,2019．3.期刊（1）彭瑜.工业人工智能的应用前景及其边缘计算应用[J].自动化博览,2021,38(02):8-11.（2）钟智等.基于图注意力深度网络的电力系统暂态稳定评估[J].电网技术,2021,45(06):2122-2130.（3）冯蓉.机器学习算法在数据挖掘中的应用[J].中国高新科技,2022,(20):30-32.（4）RobertC.MachineLearning,aProbabilisticPerspective[J].CHANCE,2014,27(2).（5）SinghH.Machinelearningforsurveillanceoffluidleakagefromreservoirusingonlyinjectionratesandbottomholepressures[J].JournalofNaturalGasScienceandEngineering,2021,69(20):102933-102933.4.网络资源：（1）燕双嘤.机器学习：基本概念[R/OL].CSDN文库.2022./qq_42192693/article/details/120507206.（2）YYYMarshal.机器学习（MachineLearning）[R/OL].CSDN文库.2022./qq_41286942/article/details/125688584.七、课程考核对课程目标的支撑课程成绩由过程性考核成绩和期末测试成绩两部分构成，具体考核/评价细则及对课程目标的支撑关系见表4。表4课程考核对课程目标的支撑考核环节占比考核/评价细则课程目标123过程性考核课堂表现10（1）根据课堂出勤情况和课堂回答问题情况进行考核，满分100分。（2）以平时考核成绩乘以其在总评成绩中所占的比例计入课程总评成绩。√√√262实验15（1）根据每个实验的实验操作完成情况和实验报告质量单独评分，满分100分；（2）每次实验单独评分，取各次实验成绩的平均值作为此环节的最终成绩。（3）以实验成绩乘以其在总评成绩中所占的比例计入课程总评成绩。√√√636作业15（1）主要考核学生对各章节知识点的复习、理解和掌握程度，满分100分；（2）每次作业单独评分，取各次成绩的平均值作为此环节的最终成绩。（3）以作业成绩乘以其在总评成绩中所占的比例计入课程总评成绩。√√√555期末考核60（1）测试成绩100分，以测试成绩乘以其在总评成绩中所占的比例计入课程总评成绩。（2）主要考核深度学习基础知识、深度学习框架及其对比、机器学习基础知识、深度学习框架基础、Logistic回归、多层感知器、卷积神经网络与计算机视觉、神经网络与自然语言处理等内容。（3）测试题型为：填空题、选择题、简答题、计算题和分析题等。√√√153015合计：100分284428八、考核与成绩评定1.考核方式及成绩评定考核方式：本课程主要以课堂表现、实验、作业、期末测试等方式对学生进行考核评价。考核基本要求：（加强过程考核）考核总成绩由期末测试成绩和过程性考核成绩组成。其中：期末测试成绩为100分（权重60%），题目类型为填空题、选择题、简答题和分析题等类型，题目中基本知识、基本理论、基本技能的试题分值不超过50%，综合应用题、分析题不低于50%；课堂表现、实验、作业等过程性考核成绩为100分（权重40%）；过程性考核和测试题目分值分配应与教学大纲各章节的学时基本成比例。2.过程性考核成绩的标准过程性考核方式重点考核内容、评价标准、所占比重见表5。表5过程性考核方式评价标准考核方式所占比重(%)100>x≥9090>x≥8080>x≥7070>x≥60x<60课堂表现25笔记完整，积极参与教学活动，踊跃回答问题，准确率大于90%。笔记完整，认真参与教学活动，回答问题准确率大于80%。笔记不完整，偶尔参与教学活动，回答问题准确率大于70%。上课不认真，上课不记笔记，偶尔参与教学活动。上课不认真，上课不记笔记，不参与教学活动。实验37.5实验原理清晰、绘图规范，实验操作过程熟练、规范、正确，数据处理及讨论正确。