《机器学习（含实验实践）》课程教学大纲（机械设计制造及其自动化专业）

《机器学习》课程教学大纲一、课程简介课程中文名机器学习课程英文名Machinelearning双语授课□是否课程代码24122094课程学分4总学时数64（含实践32）课程类别□通识教育课程□公共基础课程专业教育课程□综合实践课程□教师教育课程课程性质□必修选修□其他课程形态□线上线下□线上线下混合式□社会实践□虚拟仿真实验教学考核方式□闭卷□开卷□课程论文课程作品汇报展示□报告课堂表现□阶段性测试平时作业□其他（可多选）开课学院大数据与智能工程学院开课系(教研室)计算机科学与技术系面向专业计算机科学与技术开课学期第5学期先修课程数据结构与算法、Python程序设计后续课程企业级应用系统综合实训选用教材1.安德里亚斯·穆勒、莎拉·吉多著，张亮译，Python机器学习基础教程[M]，北京：清华大学出版社，2018.参考书目1.周志华，机器学习[M]，北京：清华大学出版社，20162.塞巴斯蒂安·拉施卡著，陈斌译，Python机器学习[M]，北京：机器工业出版社，2021课程资源/paths/ijeknthr课程简介机器学习是计算机科学与技术专业学生和电子信息专业的选修课，课程内容包括机器学习概述、模型的评估与选择，和线性回归、广义线性回归、决策树、支持向量机、贝叶斯分类器、集成学习、聚类、降维与推荐等机器学习算法。课程通过对机器学习基础知识的学习，使学生循序渐进地掌握机器学习算法原理及建模过程，达到具有分析问题、解决实际问题的能力。二、课程目标表1课程目标序号具体课程目标课程目标1掌握线性回归、广义线性回归、决策树、支持向量机、贝叶斯分类器、集成学习、聚类、降维与推荐等常用机器学习算法原理，能够设计并实现一些经典机器学习算法如如支持向量机、线性回归、逻辑回归、贝叶斯分类器、K最近邻、主成分分析及K均值等，并能够使用特定方法对模型性能进行评估和优化。课程目标2能够识别计算机软件系统设计与实现中的关键问题，选择合适的机器学习算法对其进行建模和实现，并根据实现问题需求对模型进行改进及持续优化，从而更好地解决工程领域中的相关问题，并在设计和实现环节中体现创新性。课程目标3通过在研究过程中，使用Numpy、Pandas、Scikit-learn等工具开发、选择与使用恰当机器学习算法，对计算机复杂工程问题进行研究、设计实验、分析实验结果、并对数据合理性进行解释。表2-1课程目标与毕业要求对应关系（计算机科学与技术专业）毕业要求指标点课程目标1.工程知识：能够将数学、自然科学、工程基础和计算机科学与技术专业知识用于解决计算机复杂工程问题。【L】1.3能够对计算系统的设计方案和所建模型进行分析推理，并能够得出有效结论。课程目标13.设计/开发解决方案：能够针对计算机复杂工程问题的解决方案，设计并实现满足特定需求的软件系统，并能够在设计和实现环节中体现创新意识，考虑社会、健康、安全、法律、文化以及环境等因素。【H】3.2能够识别计算机软件系统设计与实现中的关键问题，并对方案进行持续优化，体现创新性。课程目标23.设计/开发解决方案：能够针对计算机复杂工程问题的解决方案，设计并实现满足特定需求的软件系统，并能够在设计和实现环节中体现创新意识，考虑社会、健康、安全、法律、文化以及环境等因素。【M】4.1能够使用基本的实验方法和工具，在适当的环境下，针对计算机复杂工程问题研究的需要设计实验方案，并进行实验。课程目标3三、课程学习内容与方法（一）理论学习内容及要求表3-1课程目标、学习内容和教学方法对应关系序号课程模块学习内容学习任务课程目标学习重点难点教学方法学时1机器学习基础1.机器学习的概念1.了解机器学习的相关概念2.理解监督学习与无监督学习的区别3.查阅相关文献，整理目前机器学习的最新的技术课程目标1重点：1.机器学习的定义难点：2.机器学习的分支1.讲授法：引导学生掌握机器学习的概念。2.专题研讨：促进学习理解不同机器学习分支的特点。22.机器学习的发展历史课程目标13.机器学习的主要分支课程目标14.机器学习的相关应用领域课程目标22相关工具1.Numpy基本操作1.掌握Numpy库中serial和dataframe数据类型及常用函数2.掌握Pandas相关数据分析及可视化方法3.掌握Scikit-learn构建机器学习模型的过程4.能够对不同模型使用相应的方法进行评估课程目标3重点：1.Numpy库的使用2.Pandas库的使用难点：1.模型的选择、训练和预测2.模型的评估方法和性能度量标准1.讲授法：引导学生掌握机器学习的概念。2.专题研讨：促进学习理解不同机器学习分支的特点。42.Pandas基本操作课程目标33.sklearn工具的使用课程目标34.机器学习模型构建课程目标25.模型的评估和性能度量课程目标23回归分析1.线性回归原理1.掌握线性回归原理2.掌握岭回归、Lasso回归原理3.掌握逻辑回归的原理4.能够使用Python语言实现回归模型6.能够对回归进行诊断，判别回归过程中的过拟合与欠拟合问题课程目标1重点：1.线性回归模型的原理2.岭回归与Lasso回归的原理4.逻辑回归的原理难点：1.回归模型的实现2.回归模型的性能评估1.讲授法：引导学生掌握机回归分析的原理。2.专题研讨：促进学生掌握回归分析模型的构建及性能评估。62.岭回归与Lasso回归原理课程目标13.逻辑回归的原理课程目标14.回归模型的实现课程目标25.线性回归诊断课程目标36混淆矩阵、ROC、AUC课程目标34分类1.K-最近邻1.掌握K-最近邻分类器原理2.掌握支持向量机分类器原理3.掌握决策树分类器原理4.掌握贝叶斯分类器原理5.能够使用Python语言实现分类模型6.能够对分类模型进行性能评估课程目标1重点：1.K-最近邻分类器原理2.支持向量机分类器原理3.决策树分类器原理4.贝叶斯分类器原理难点：1.回归模型实现2.回归模型性能评估1.讲授法：引导学生掌握各类分类器原理。2.专题研讨：促进学生掌握分类模型的构建及性能评估。82.支持向量机课程目标13.决策树课程目标14.贝叶斯分类器课程目标15.分类器实现课程目标26.分类器性能评估课程目标35聚类1.原理聚类1.掌握K-means聚类算法原理2.掌握DBSCAN聚类算法原理3.掌握层次聚类算法原理4.能够使用Python语言实现聚类模型5.能够对聚类模型进行性能评估课程目标1重点：1.K-means聚类算法原理2.DBSCAN聚类算法原理3.层次聚类算法原理4.贝叶斯分类器原理难点：1.聚类算法实现2.聚类算法性能评估1.讲授法：引导学生掌握各类聚类原理。2.专题研讨：促进学生掌握聚类模型的构建及性能评估。42.密度聚类课程目标13.层次聚类课程目标14.聚类算法实现课程目标25.聚类算法性能评估课程目标36降维1.降维原理1.掌握降维原理2.掌握主成分分析算法原理3.掌握流形学习算法原理4.能够使用Python语言实现聚类模型5.能够对聚类模型进行性能评估课程目标1重点：1.主成分分析算法原理2.流形学习算法原理难点：1.降维算法实现2.降维算法性能评估1.讲授法：引导学生掌握各类降维算法原理。2.专题研讨：促进学生掌握降维算法的构建及性能评估。42.主成分分析原理课程目标13.流形学习原理课程目标14.降维算法实现课程目标25.降维算法性能评估课程目标37推荐1.关联规则原理1.掌握关联规则原理2.掌握Apriori算法原理3.掌握协同过滤算法原理4.能够使用Python语言实现推荐算法5.能够对推荐算法进行性能评估课程目标1重点：1.Apriori算法原理2.协同过滤算法算法原理难点：1.推荐算法实现2.推荐算法性能评估1.讲授法：引导学生掌握各类推荐算法原理。2.专题研讨：促进学生掌握推荐算法的构建及性能评估。42.Apriori算法课程目标13.协同过滤算法原理课程目标14.推荐算法实现课程目标25.推荐算法性能评估课程目标3合计=SUM(ABOVE)32实验学习内容及要求表3-2课程目标、学习内容和教学方法对应关系序号项目名称项目来源教学目标（观测点、重难点）学时数项目类型要求每组人数教学方法课程目标1基于多元线性回归的汽车油耗预测模型实验教材1.掌握线性回归的原理4设计研究型必做1案例教学、实验指导课程目标2、32.掌握线性回归模型的构建（重点）3.能够对模型预测结果进行验证分析（难点）2基于逻辑回归的非线性分类预测实验教材1.掌握逻辑归模型的原理4设计研究型必做1案例教学、实验指导课程目标1、2、32.掌握逻辑回归模型的构建（重点）3.使用混淆矩阵、精确率、召回率、准确率、f1-score可以量化衡量模型3基于朴素贝叶斯分类器的幸存者预测实验教材1.掌握朴素贝叶斯分类器原理4设计研究型必做1案例教学、实验指导课程目标1、2、32.能够建立朴素贝叶斯分类器，对幸存者进行预测（重点）3.学习绘制ROC曲线，比较predict和predict_prob的区别（难点）4.基于决策树的泰坦尼克号幸存者预测实验教材1.掌握决策树分类器原理4设计研究型必做1案例教学、实验指导课程目标1、22.能够建立决策树分类器，对幸存者进行预测（重点）3.习使用LabelEncoder对离散变量进行编码和简单的缺失值处理方法。5.kmeans、DBSCAN和谱聚类的聚类对比实验实验教材1.能够构建kmeans、DBSCAN、谱聚类的聚类算法4设计研究型必做1案例教学、实验指导课程目标2、32.能够分析kmeans、DBSCAN、谱聚类的聚类效果差异6基于PCA模型的鸢尾花数据可视化实验教材1.能够通过线性组合特征值为“主成分”实现降维6设计研究型必做1案例教学、实验指导课程目标2、32.能够使用降维后的数据进行可视化。7

基于FP树的商品推荐模型实验教材1.掌握关联规则挖掘原理6设计研究型必做1案例教学、实验指导课程目标2、32能够将结构化数据转化为”购物篮”数据3.能够建立FP关联规则模型，生成规则。四、课程考核（一）考核内容与考核方式表4课程目标、考核内容与考核方式对应关系课程目标考核内容所属学习模块/项目考核占比考核方式课程目标11.机器学习相关概念学习模块1-7/项目1-450%课程音视频章节测验课程积分实验项目2.回归分析原理学习模块8/项目63.分类器原理学习模块1、2/项目14.聚类算法原理5.降维算法原理6.推荐算法原是学习模块9/项目7课程目标21.回归分析实现学习模块4/项目130%课程项目设计2.分类器实现学习模块4/项目13.聚类算法实现4.降维算法及推荐算法实现学习模块4、6、8、10、11/项目3、5、7、8、9课程目标31.数据可视化工具使用学习模块6/项目520×%课程项目设计2.数据分析工具使用学习模块11/项目93.算法性能评估学习模块6、11/项目5、9（二）成绩评定1. 平时成绩评定（1）课程章节练习（20%）：学生在网络学习平台上的音视频学习情况。（2）章节测验（20%）：学生在网络学习平台上的章节测试完成情况。（3）课程积分（30%）：学生参与投票、问卷、抢答、选人、讨论、随堂练习等课程活动的情况。（4）实验项目（30%）：学生的作业（包括实验）完成情况。2.期末成绩评定期末考核方式为课程项目设计。主要考察学生分析问题、解决问题、编写程序实现Web项目的能力及团队协作和软件工程人才素养等。3.总成绩评定总成绩（100%）=平时成绩（50%）+期末成绩（50%）（三）评分标准1.平时成绩（1）课程音视频：课程视频/音频全部完成得满分，单个视频/音频分值平均分配，满分100分。成绩由网络学习平台记录确定。（2）章节测验：只计算为任务点的章节测验，取学生章节测验平均分，未做测验按“