《机器学习-Python实践》教学大纲、授课计划

《机器学习-Python实践》教学大纲课程代码：课程类别：专业必修课适用对象：人工智能专业总学时：64线下教学学时：50线上教学学时：14一、课程的性质、任务与基本要求（一）课程的性质、任务《机器学习-Python》是人工智能专业的一门专业必修课。本课程是一门人工智能方面入门性质的技术课程，具有自身的体系和很强的实践性。本课程的任务是：通过对常用机器学习算法和数据挖掘基本流程的分析和实践的学习，使学生获得机器学习方面的基本知识、基本理论和基本技能，为深入数据挖掘和人工智能算法应用打下基础。（二）课程的教学目标1.基本理论要求要求学生掌握典型机器学习算法的分类和基本思想。2.基本技能要求要求学生掌握机器学习的业务应用，模型训练和优化的能力。3.职业素质要求要求学生通过理论学习和案例实践，培养学生的团队协作、敬业乐业的工作作风。二、主要教学内容学习情境1机器学习入门基础1.1什么是机器学习1.2机器学习的思维1.3机器学习的基本框架体系1.4机器学习项目的实施流程1.5机器学习有什么用学习情境2机器学习数学基础学习任务2.1线性代数2.1.1向量空间2.1.2矩阵分析学习任务2.2概率与统计2.2.1概率与条件概率2.2.2贝叶斯理论2.2.3信息论基础学习任务2.3多元微积分2.3.1导数与偏导数2.3.2梯度和海森矩阵2.3.3最速下降法2.3.4随机梯度下降法练习任务2.4习题学习情境3回归算法3.1一元线性回归3.2代价函数3.3梯度下降法3.4标准方程法3.5scikit-learn一元线性回归应用3.6多元线性回归3.7scikit-learn多元线性回归应用3.8非线性回归介绍练习任务3.9习题实践任务3.1小案例实践任务3.2实践练习学习情境4朴素贝叶斯 学习任务4.1贝叶斯分类器的分类原理4.1.1贝叶斯定理4.1.2贝叶斯定理的一个简单例子4.1.3贝叶斯分类的原理与特点 学习任务4.2朴素贝叶斯分类4.2.1朴素贝叶斯为什么是“朴素”的4.2.2朴素贝叶斯分类算法的原理4.2.3朴素贝叶斯分类算法的参数估计4.2.4朴素贝叶斯的优、缺点及应用场景 学习任务4.3高斯朴素贝叶斯分类算法4.3.1高斯朴素贝叶斯分类算法的原理4.3.2高斯朴素贝叶斯的Python实现 学习任务4.4多项式朴素贝叶斯分类算法4.4.1多项式朴素贝叶斯算法的原理4.4.2多项式朴素贝叶斯的Python实现 学习任务4.5伯努利朴素贝叶斯分类算法 练习任务4.6习题 实践任务4.1小案例 实践任务4.2实践练习学习情境5决策树算法学习任务5.1决策树分类算法原理 5.1.1以信息论为基础的分类原理 5.1.2决策树分类算法框架 5.1.3衡量标准：信息熵 5.1.4决策树算法的简化 5.1.5决策树算法的优、缺点与应用学习任务5.2决策树分类算法 5.2.1ID3决策树 5.2.2C4.5决策树 5.2.3CART决策树学习任务5.3决策树剪枝学习任务5.4决策树的scikit-learn实现学习任务5.5决策树解决线性二分类问题学习任务5.6决策树解决非线性二分类问题练习任务5.7习题实践任务5.1小案例实践任务5.2实践练习学习情境6Logistic回归学习任务6.1Logistic回归概述学习任务6.2Logistic回归原理 6.2.1Logistic回归模型 6.2.2Logistic回归学习策略 6.2.3Logistic回归优化算法学习任务6.3多项Logistic回归学习任务6.4Logistic回归的scikit-learn实现练习任务6.5习题实践任务6.1小案例实践任务6.2实践练习学习情境7支持向量机学习任务7.1支持向量机的基本知识 7.1.1超平面 7.1.2间隔与间隔最大化 7.1.3函数间隔与几何间隔学习任务7.2不同情形下的支持向量机 7.2.1线性可分下的支持向量机 7.2.2线性不可分下的支持向量机 7.2.3非线性支持向量机 7.2.4非线性支持向量机之核函数 7.2.5多类分类支持向量机 7.2.6支持向量回归机学习任务7.3SVM的scikit-learn实现 7.3.1线性SVM 7.3.2非线性SVM练习任务7.4习题实践任务7.1小案例实践任务7.2实践练习学习情境8随机森林学习任务8.1认识集成学习8.1.1集成学习的基本思想8.1.2集成学习分类学习任务8.2认识Bagging算法8.2.1Bagging算法的基本思想8.2.2Bagging算法的基本流程学习任务8.3认识随机森林算法8.3.1随机森林算法的基本思想8.3.2随机森林算法的基本流程8.3.3随机森林算法应用案例实践练习任务8.4习题实践任务8.1随机森林算法模型参数优化实践任务8.2实践练习学习情境9认识AdaBoost算法学习任务9.1认识Boosting算法9.1.1Boosting算法基本原理9.1.2Boosting算法与Bagging的区别学习任务9.2认识AdaBoost算法9.2.1AdaBoost的基本原理9.2.2AdaBoost分类算法9.2.3AdaBoost回归算法9.2.4AdaBoost算法的基本流程学习任务9.3认识AdaBoost的sklearn应用实现9.3.1AdaBoost模块介绍9.3.2AdaBoost参数介绍练习任务9.4习题实践任务9.1AdaBoost的波斯顿放假预测实践任务9.2实践练习学习情境10认识聚类算法学习任务10.1认识无监督学习算法10.1.1无监督学习的基本思想10.1.2常见的无监督学习算法学习任务10.2认识聚类算法10.2.1聚类算法的基本思想10.2.2聚类算法的应用场景10.2.3常见聚类算法的分类学习任务10.3K-Means聚类10.3.1K-Means聚类过程和原理10.3.2K-Means算法优化10.3.3K-Means应用实例学习任务10.4层次聚类10.4.1层次聚类的过程和原理10.4.2层次聚类应用实例学习任务10.5密度聚类算法10.4.1密度聚类算法过程和原理10.4.2密度聚类应用实例练习任务10.3习题实践任务10.1摩拜用户群体细分实践任务10.2实践练习学习情境11认识聚类算法学习任务11.1认识无监督学习算法11.1.1无监督学习的基本思想11.1.2常见的无监督学习算法学习任务11.2认识聚类算法11.2.1聚类算法的基本思想11.2.2聚类算法的应用场景11.2.3常见聚类算法的分类学习任务11.3K-Means聚类11.3.1K-Means聚类过程和原理11.3.2K-Means算法优化11.3.3K-Means应用实例学习任务11.4层次聚类11.4.1层次聚类的过程和原理11.4.2层次聚类应用实例学习任务11.5密度聚类算法11.5.1密度聚类算法过程和原理11.5.2密度聚类应用实例练习任务11.6习题实践任务11.1电信用户群体细分实践任务11.2实践练习学习情境12认识神经网络学习任务12.1认识神经网络算法12.1.1神经网络12.1.2神经网络入门学习任务12.2神经网络基本理论12.2.1激活函数12.2.2神经网络损失函数12.2.3神经网络算法求解12.2.4神经网络的基本结构12.2.5神经网络的特点学习任务12.3BP神经网络算法12.3.1BP算法的网络结构与训练方式12.3.2信息正向传递与误差反向传播12.3.3BP神经网络的学习流程学习任务12.4神经网络的Python实现12.4.1神经网络的Python案例：手写数字的识别12.4.2手写数字数据的神经网络训练12.4.3手写数字数据的神经网络评价与预测学习任务12.5从人工神经网络到深度学习12.5.1从人工神经网络到深度学习的演进12.5.2深度学习相比ANN的技术突破练习任务12.6习题实践任务12.1基于BP神经网络的手写数字识别实践任务12.2实践练习学习情境13实战案例1实践任务13.1定义问题实践任务13.2导入数据实践任务13.3理解数据并预处理实践任务13.4数据特征选定（可选）实践任务13.5分离评估数据集实践任务13.6评估算法实践任务13.7算法调参实践任务13.8集成算法实践任务13.9集成算法调参实践任务13.10确定最终模型学习情境14实战案例2实践任务14.1定义问题实践任务14.2导入数据实践任务14.3理解数据并预处理实践任务14.4数据特征选定（可选）实践任务14.5分离评估数据集实践任务14.6评估算法实践任务14.7算法调参实践任务14.8随机森林算法实践任务14.9随机森林调参实践任务14.10确定最终模型三、学时分配序号教学内容学时线下教学线上教学讲授实践1学习情境1机器学习入门基础42112学习情境2机器学习数学基础42113学习情境3回归算法42114学习情境4朴素贝叶斯63215学习情境5决策树算法63216学习情境6Logistic回归42117学习情境7支持向量机42118学习情境8随机森林42119学习情境9AdaBoost421110学习情境10聚类632111学习情境11降维技术与关联规则挖掘632112学习情境12神经网络421113学习情境13实践案例412114学习情境14实践案例4121学时总计64302014教学过程中，根据教学周数和周学时数、学生接受能力等实际情况，可适当调整学时分配和教学内容。四、必要说明（一）课程开设的基本条件1.理论授课：教室配备有电脑、投影仪、白板、水性笔等教辅设备，为教学提供保障。2.实践教学：教室配备有电脑、投影仪、白板、水性笔、白纸等教辅设备，为教学提供保障。3.线上教学：为每位学生提供电脑。（二）建议使用的教材及教学参考书1．教材：《机器学习-Python实践》讲义，夏林中主编，2021年10月。2．参考书机器学习实战，PeterHarrington，2013-6数据挖掘导论，Pang-NingTan，2010-12-10（三）考核方式及成绩评定1．考核方式及形式本课程为集中考试课。2．总评成绩的组成及评定标准成绩主要由期末考试、线下教学（主要由考勤、平时作业、以及实验完成情况等组成）、线上教学（主要由线上资源学习情况、线上作业等组成）综合评定。其中：期末成绩考试占40%；线下成绩教学占40%；线上成绩教学占20%。（四）修订说明本大纲根据电子信息类高职专业（三年制）授课计划编订。（五）其他说明大纲编订部门：信息与通信学院执笔人：夏林中大纲审订部门：信息与通信学院审订部门负责人：编订日期：年11月修订日期：年11月学期授课计划年/年第1学期课程名称机器学习-Python实践课程类别专业支撑课专业人工智能任课教师夏林中教师所属系部智能制造与装备学院教研室主任签名院长签名教研室通过日期：年11月2日学期授课计划编订说明教学大纲名称、批准单位及时间大纲名称：《机器学习-Python实践》教学大纲批准单位：****批准时间：年11月本学期主要讲授的内容（授课内容起止章节）第一章机器学习入门基础第二章机器学习数学基础第三章回归算法第四章朴素贝叶斯第五章决策树算法第六章逻辑回归算法第七章支持向量机第八章随机森林第九章AdaBoost第十章聚类第十一章降维技术与关联规则挖掘第十二章神经网络第十三章实战案例一第十四章实战案例二采用教材名称、作者及版本《机器学习-Python实践》。教学参考资料《机器学习实战》PeterHarrington主编，2018年6月。教学时数本学期授课时数班次本学期教学周数本学期周学时数本学期计划教学时数预计假日缺课时数本学期实际教学时数总时数其中讲授实践小结课测验习题课机动时数****144564524480000****144564524480000PAGE12PAGE深圳信息职业技术学院教师学期授课计划教师姓名：夏林中课程名称：机器学习-Python实践授课班级：****周次授课日期授课