《Matlab与机器学习导论》教学大纲

《Matlab与机器学习导论》教学大纲适用范围：202X版本科人才培养方案课程代码：05156051课程性质：专业必修课学分：2学分学时：32学时（理论16学时，实验16学时）先修课程：高等数学、概率论与数理统计等后续课程：机器学习、聚类分析、凸优化等适用专业：自动化等专业开课单位：电气工程与自动化学院一、课程说明《Matlab与机器学习导论》是自动化专业的一门专业选修课。通过本课程的学习，使学生掌握机器学习的基本概念和算法，为将来从事这一方面的研究打下初步基础。培养学生的专业工程知识尤其是专利工程理论知识，使之具有多领域的工程技术专门知识。本课程注重基本理论知识的深入学习，强调培养运用基础理论知识解决生产实际中问题的能力，兼顾新技术、新工艺及其发展方向的介绍，培养“厚基础、宽口径、高素质、强能力”的人才。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： 学习机器学习算法的基本理论知识、算法的求解思想和基本流程，能够实现智能机器人、智能控制系统的自动化、信息化、智能化等复杂工程问题。课程目标2：通过对机器学习算法的学习，能够针对智能控制系统、智能机器人等复杂工程问题，开发、选择与使用合理的智能技术、资源，实现对复杂工程问题的预测与模拟。课程目标3：了解本专业领域的最新进展与发展动态，具有跟踪学科发展前沿的意识和文献检索基本技能，能够在跨文化背景下进行沟通和交流。课程目标4：培养学生的工匠精神，爱国情怀，规范意识，安全意识，节能环保等意识和能力。三、课程目标与毕业要求《Matlab与机器学习导论》课程教学目标对自动化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1.工程知识:1．1掌握数学、物理的基础知识，领会数学、自然科学的重要思想和思维方法，理解工程问题的数理本质及其表述方法。课程目标1：掌握机器学习的原理，能够合理地选择机器学习算法、改变人工智能领域的分类手段用于实际应用。H2.问题分析：2.1能应用数学、自然科学和工程科学的基本原理和标准规范，识别与表达自动控制领域相关的复杂工程问题。课程目标2：能正确运用机器学习原理、分类的特性的知识分析需求，了解机器学习算法设计的影响因素，能够选择合适的机器学习算法，并能够设计或改进原有的方案。M4.研究：4.1能够对自动控制工程相关的系统工作原理进行研究和实验验证。课程目标3：了解本专业领域的最新进展与发展动态，具有跟踪学科发展前沿的意识和文献检索基本技能，能够在跨文化背景下进行沟通和交流。课程目标4：培养学生的工匠精神，爱国情怀，规范意识，安全意识，节能环保等意识和能力。M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.理论部分理论部分的教学内容、基本要求与学时分配见表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（实践）(上机)学时对应的课程目标1.K-近邻算法1.1k值的选取1.2距离的度量1.3快速检索1.4实力分析教学要求：使学生理解并掌握k-近邻算法从所有训练样本集合中找到与x最近的k个样本，然后通过投票法选择这k个样本中出现次数最多的类别作为x的预测结果，对于回归问题，k-近邻算法同样找到与x最近的k个样本，然后对这k个样本的标签求平均，得到x的预测结果。重点：投票法的准则是少数服从多数，所以当k值很小时，得到的结果就容易产生偏差。最近邻算法是这种情况下的极端，也就是k=1时的k-近邻算法。最近邻算法中，样本x的预测结果只由训练集中与其距离最近的那个样本决定。难点：k值选取。442、32.朴素贝叶斯分类器2.1极大似然估计2.2朴素贝叶斯分类2.3拉普拉斯平滑教学要求：贝叶斯推理提供了一种概率手段，基于如下的假定：待考察的量遵循某概率分布，且可根据这些概率及已观察到的数据进行推理，以作出最优的决策。重点：贝叶斯方法为理解多数学习算法提供了一种有效的手段，而这些算法不一定直接操纵概率数据，贝叶斯方法可允许假设做出不确定性的预测。难点：需要概率的初始知识，当概率预先未知时，可以基于背景知识、预先准备好的数据以及基准分布的假定来估计这些概率。442、33.EM算法及其应用3.1EM算法3.2高斯混合模型3.3隐马尔可夫模型教学要求：使学生掌握EM算法是一种迭代优化算法。主要用于含有隐变量的模型的参数估计。含有隐变量的模型往往用于对不完全数据进行建模。EM算法是一种参数估计的思想，典型的EM算法有高斯混合模型、隐马尔可夫模型和K-均值聚类等。重点：最大期望算法经过两个步骤交替进行计算，第一步是计算期望（E），也就是将隐藏变量能够观测到的一样包含在内从而计算最大似然的期望值；另外一步是最大化（M），也就是最大化在E步上找到的最大似然的期望值从而计算参数的最大似然估计。M步上找到的参数然后用于另外一个E步计算，这个过程不断交替进行。难点：P(Z/x,o)。无法求解，干脆找一个与P(Z/x,o)最接近的概率分布替换。442、34.神经网络与深度学习4.1神经元模型4.2多层感知机4.4损失函数4.5反向传播算法4.6卷积神经网络教学要求：使学生了解人工神经元的数学模型、互连结构和学习规则（算法）是决定人工神经网络模型的信息处理性能的2个关键特性。（1）生物神经元的结构与功能生物神经元中的树突接收来自其他神经元的输入，轴突将神经元的输出传递给其他神经元，神经元之间通过突触互相连接。神经元对不同突触接收的输入信号进行时空整合，在一定条件下触发产生输出信号。（2）人工神经元模型人工神经元是对生物神经元结构和功能的模拟，一般是一个多输入单输出的非线性器件。重点：人工神经网络的互连结构。难点：人工神经网络的学习规则。442、3合计16162.实验（实践）(上机)部分实验(实践)(上机)部分的教学内容、基本要求与学时分配见表3。表3实验（实践）(上机)项目、实验（实践）(上机)内容与学时实验（实践）(上机)项目实验（实践）(上机)内容和要求实验（实践）(上机)学时对应的课程目标1.基于k-近邻实现鸢尾花分类实验（实践）(上机)内容：掌握k-近邻算法的原理，及处理数据的过程。222.实例：基于逻辑回归实现乳腺癌预测实验（实践）(上机)内容：掌握逻辑回归的算法思路。223.基于决策树实现葡萄酒分类实验（实践）(上机)内容：掌握决策树算法的思路以及数据分析流程。224.基于朴素贝叶斯实现垃圾短信分类实验（实践）(上机)内容：掌握贝叶斯算法的原理。225.基于支持向量机实现葡萄酒分类实验（实践）(上机)内容：掌握支持向量机的算法。226.基于梯度下降树实现波士顿房价预测实验（实践）(上机)内容：掌握梯度下降法的原理。227.基于高斯混合模型实现鸢尾花分类实验（实践）(上机)内容：掌握EM算法的原理及应用。228.基于卷积神经网络实现手写数字识别实验（实践）(上机)内容：掌握卷积神经网络的算法思路。22合计1616五、教学方法及手段本课程以课堂讲授为主，结合讨论、案例、视频资源共享、实验等教学手段完成课程教学任务和相关能力的培养。学生比较全面地理解机器学习的基本方法与设计原理，在机器学习原理的基础上，具有进行机器学习算法设计的初步能力。在实验教学环节中，通过启发式教学、讨论式教学培养学生机器学习的基本理论、基本知识和基本技能。培养学生自主学习能力、实际动手能力，激发学生的创新思维。实验教学着重讲授如何用科学的手段来完成理论的验证；如何组织实验、处理数据和分析实验现象；介绍常用算法的原理、构造和使用维护方法以及综合实验内容的思路和方案设计等。采用教师讲授和学生动手操作的方法；在实验前学生应复习和掌握与本实验有关的教学内容、认真阅读实验指导书；在实验中要严格遵守实验纪律；每完成一项实验，要认真完成一份实验报告。六、课程资源1.推荐教材：（1）吕云翔、王渌汀、袁琪等主编.《机器学习原理及应用》[M].北京:机械工业出版社，2021.7.2.参考书：（1）汪荣贵、杨娟、薛丽霞主编.《机器学习及其应用》[M].北京:机械工业出版社，2022.1（2）张晓江、顾绳谷主编.《Python数据分析与机器学习》[M].北京:机械工业出版社，2022.6.（3）郭羽含、陈虹、肖成龙主编.《Python机器学习》[M].北京:机械工业出版社，2021.3.3.期刊：（1）HartGLW,MuellerT,ToherC,etal.Machinelearningforalloys[J].NatureReviewsMaterials,2021,6(8):730-755.（2）SarkerIH.Machinelearning:Algorithms,real-worldapplicationsandresearchdirections[J].SNComputerScience,2021,2(3):1-21.（3）JanieschC,ZschechP,HeinrichK.Machinelearninganddeeplearning[J].ElectronicMarkets,2021,31(3):685-695.（4）ZhongS,ZhangK,BagheriM,etal.Machinelearning:newideasandtoolsinenvironmentalscienceandengineering[J].EnvironmentalScience&Technology,2021,55(19):12741-12754.（5）BruntonSL,NoackBR,KoumoutsakosP.Machinelearningforfluidmechanics[J].Annualreviewoffluidmechanics,2020,52:477-508.（6）ArtrithN,ButlerKT,CoudertFX,etal.Bestpracticesinmachinelearningforchemistry[J].Naturechemistry,2021,13(6):505-508.4.网络资源：（1）知网，/.（2）万方，/wanfang/.（3）IEEE，/.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考核成绩两部分构成，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40（1）根据课堂出勤情况、课堂回答问题和互动情况进行考核，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。√√√664实验20（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。√224作业20（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。√√√222期末大作业20（1）成绩100分，以大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。（2）主要考核算法原理及编程程序对错等方面的内容。（3）题型为：简答题。√√√202030合计：100分303040八、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、作业等方式对学生进行考核评价。考核基本要求：考核总成绩由期末大作业成绩和过程性考核成绩组成。其中：期末大作业成绩为100分（权重20%），试题类型为简答题；课堂表现、实验、作业等过程性考核成绩为100分（权重80%）；过程性考核和考试试题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60积极完成各项作业，积极参与教学活动，踊跃回答问题，准确率大于90%。积极完成各项作业，认真参与教学活动，回答问题准确率大于80%。完成作业不积极，偶尔参与教学活动，回答问题准确率大于70%。上课不认真，上课不参与互动，偶尔参与教学活动。上课不认真，上课不参与互动，不参与教学活动。作业20作业完整，思路清晰，准确率大于90%，字迹工整。作业完整，准确率大于80%，字迹