机器学习 教学大纲

《机器学习》课程教学大纲课程名称机器学习英文名称MachineLearning课程编码课程类型专业必修课学分数4先修课程线性代数、概率论与随机过程，程序设计基础学时数64其中实验学时16其中实践学时适用范围人工智能，计算机工程，控制工程，电子信息工程制订单位执笔者审核者一、教学大纲说明（一）课程的性质、地位、作用和任务《机器学习》在航天航空、生物医学工程、信息工程、计算机工程、军事和安防、工业机器视觉、视频和多媒体、文化艺术和电子商务等用领域已经普遍应用。可作为人工智能、智能科学与技术和计算机科学与技术等相关本科专业必修课，也可作为控制工程等本科专业的选修课。此外，还可以作为智能科学等相关专业研究生的必修或选修课程。本课程的目的是让学生理解机器学习的基本问题和基本算法，掌握它们的实际应用技巧，为学生今后从事相关领域的研究工作或项目开发工作奠定基础。掌握机器学习中各单元的基本概念、算法、评价指标，为进一步学习其它课程奠定理论基础；通过介绍机器学习中算法及其改进算法，培养学生创新的逻辑思维。课程思政目标，培养学生主动学习能力，加深学生对祖国科技历史的认识，树立民族自信和文化自信，同时建立学生对科学探索的欲望，树立科技振兴中华的自信。（二）课程教学目标及其与本专业毕业要求的对应关系序号课程教学目标毕业要求1了解机器学习研究及应用领域的现状；理解机器学习的基本理论、方法。毕业要求2：问题分析2.3能认识到解决机器人工程领域复杂工程问题的方案存在多种可能性，会通过文献研究寻求并归纳多种解决方案。2理解和掌握几种典型机器学习算法的基本原理和基础方法，并能用于机器人智能化系统的工程设计。毕业要求1：工程知识1.3掌握从事机器人工程工作所需的设计、研发和控制等专业知识，能用于复杂机器人工程问题的设计和功能实现。毕业要求3：设计/开发解决方法能够针对复杂机器人工程问题，设计合理的解决方案，能对机器人系统、单元和工艺进行合理设计，并在设计中体现创新意识。（三）课程教学方法与手段本课以课堂理论讲授为主，同时辅以学生课堂讨论讨论；强调课程实验，将抽象理论转化为可感知的实验，体验理论联系实践和应用。本课可以全部利用PowerPoint课件和工程计算软件python进行仿真的手段进行多媒体教学。（四）课程与其它课程的联系先修课程：线性代数、概率论与随机过程，python程序设计后续课程：机器视觉、智能控制。（五）教材与教学参考书教材：胡晓,《机器学习》．机器工业出版社，2024参考教材：[1]周志华.《机器学习》，清华大学出版社，2016[2]李航.《统计学习方法》，清华大学出版社，2012二、课程的教学内容和教学要求基本知识教学内容：了解机器学习的目的、属性和标注；理解监督学习、非监督学习和强化学习；掌握分类模型评估和回归模型评估测度；理解损失函数和目标函数定义；掌握最小二乘法和梯度下降法的理论（学习率和梯度修正）和应用。重点：模型评估和目标函数的设计；难点：梯度下降法的理解与应用。课程思政1：通过介绍我国著名数学家中国科学院院士吴文俊先生在人工智能领域的贡献，激励学生树立爱国主义学习观。课程思政2：在模型评价章节中，引入“《论语·述而》：三人行，必有我师焉。择其善者而从之，其不善者而改之。”引导树立正确的价值观，在爱祖国爱地球理念下，选择适合自己的评价体系，以便选择合适人群交往，建立自信，共同为中华民族伟大复兴和全人类命运共同体奉献自己的力量。表征学习教学内容：了解表征学习的目的和数据预处理的方法；理解主成分分析和线性鉴别分析原理，并掌握它们的应用技巧；了解多维缩放和等度量映射、局部线性嵌入等流行学习的降维算法；理解随机近邻嵌入理论，并掌握其可视化应用技巧；理解压缩感知理论，掌握重构算法和字典学习。重点：主成分分析和线性鉴别分析；随机近邻嵌入理论；压缩感知理论；难点：类内散布矩阵和类间散布矩阵，字典学习。贝叶斯分类器教学内容：掌握贝叶斯基本概念；理解贝叶斯决策准则和高斯混合模型；理解极大似然估计、极大后验概率和期望极大算法，并掌握它们的应用；了解朴素贝叶斯和拉普拉斯平滑。重点：贝叶斯决策准则、极大似然估计和极大后验概率。难点：期望极大算法。最近邻分类器教学内容：掌握最近邻规则；理解加权最近邻分类器；了解消极样本；掌握构建搜索树理论；了解部分维度距离计算。重点：最近邻规则和最近邻分类器；难点：kd树。线性模型教学内容：了解二类线性模型；理解Lasso回归理论，掌握Lasso回归求解和坐标轴下降法；理解逻辑回归；掌握支持向量机，并掌握其具体应用；了解多类线性模型和类不平衡问题； 重点：二类线性模型、逻辑回归和支持向量机。难点：支持向量集。非线性模型教学内容：了解分段线性判别和二次判别分析；了解希尔伯特空间，理解核函数，掌握常用核函数；掌握核技巧的具体应用。重点：核函数和常用核函数；难点：核技巧。集成学习教学内容：了解集成学习理论依据和学习机制；掌握ID3和C4.5和CART等决策树；了解剪枝和随机森林；理解自适应助推理论，并掌握Adaboost算法的应用。重点：决策树和自适应助推理论；难点：Adaboost算法。课程思政3：将弱分类器比作臭皮匠，集成后的强分类器比作诸葛亮。三个臭皮匠顶个诸葛亮。让学生懂得弱小的力量只要团结起来，就可以形成一股能解决挑战的力量。祖国人民只要团结起来，就能形成一股历史洪流，推动中华民族伟大复兴。聚类教学内容：理解聚类的性质、相似性测度、类簇中心和评价指标等基本理论；了解握K均值聚类、层次聚类和密度聚类等算法；掌握均值聚类、凝聚筑巢、平衡迭代削减层次聚类、DBSCAN和高斯混合聚类。重点：聚类的基本理论和K均值聚类；难点：平衡迭代削减层次聚类和高斯混合聚类。课程思政4：“物以类聚，人以群分”。选择志同道合者为朋友，有共同价值观异性为伴侣，树立正确的交友观和爱情观。概率图模型教学内容：了解联合概率和图模型分类；理解有向图模型和无向图模型的基本理论；理解有向分离、条件独立性和团和势函数等理论；掌握贝叶斯网络、隐马尔可夫模型和条件随机场；理解因子图与和积算法，掌握置信传播。重点：有向分离、条件独立性、团和势函数、因子图。难点：置信传播、贝叶斯网络、隐马尔可夫模型和条件随机场。人工神经网络教学内容：了解神经元及基本模型；掌握饱和激活函数、校正线性单元和Swish激活函数；理解感知机的建模和参数学习；理解前馈神经网络模型和反向传播算法；理解互相关和卷积，掌握卷积神经网络架构和卷积神经网络残差反向传播；了解LeNet-5、AlexNet、VGGNet、Inception和ResNet等简单卷积神经网络。重点：激活函数、前馈神经网络和卷积神经网络；难点：反向传播算法和卷积神经网络残差反向传播。课程思政5：介绍中国青年学者何凯明建立的ResNet时，鼓励年轻学生，只要有理想能努力可坚持，贡献不问年龄不讲辈分。强化学习教学内容：理解强化学习基本概念，掌握策略评估和策略控制，了解强化学习分类；理解蒙特卡洛、动态规划和时序差分学习等表格强化学习算法；掌握深度Q网络(DQN)和Dueling网络。重点：价值函数、状态价值函数；策略控制和策略评估；难点：动态规划和深度Q网络。三、学时分配教学单元学时分配其中：各教学环节学时分配章节主要内容学时分配讲授实验讨论习题实践在线学习其它支撑课程教学目标1第1章基本知识4412第2章表征学习8621，23第3章贝叶斯分类64224第4章最近邻分类器2215第5章线性模型8621，26第6章非线性模型2227第7章集成学习6421，28第8章聚类2219第9章概率图模型8621，210第10章人工神经网络10641，211第11章强化学习8621，2合计644816注：“在线学习”主要指在线开放课程采用混合式教学方式，学生在线学习的学时数。四、课程考核考核方式考核要求考核权重（%）