《机器学习与模式识别实验》课程教学大纲

ADDINCNKISM.UserStyle《机器学习与模式识别实验》课程教学大纲（实验课程）一、课程基本信息课程号1323S08005开课单位电子信息工程学院课程名称机器学习与模式识别实验ExperimentforMachineLearningandPatternRecognition课程性质必修考核类型考查课程学分0.5课程学时18课程类别专业发展课程-专业核心课适用专业（类）智能医学工程二、课程描述及目标（一）课程简介《机器学习与模式识别实验》是配合智能医学工程专业课程《机器学习与模式识别》开设的实验课程。要求学生在理解机器学习与模式识别理论及方法的基础上，应具有针对智能医学系统应用问题,设计、实现、分析和维护机器学习与模式识别等方面的能力。（二）教学目标通过本实验课程的训练，使学生熟练掌握模式识别的基本原理和方法，加深对各方法涉及的基础知识的认识，强化编程技能，培养创新能力。课程目标1：理解模式识别系统的结构、工作流程以及各组成部分的设计原理和实现技术；课程目标2：掌握机器学习与模式识别系统各部分的设计和实现技术，包括分类器的设计与实现、特征提取方法及其实现；课程目标3：培养学生运用Matlab等编程语言，设计机器学习与模式识别软件，解决智能医学领域应用问题的能力。三、课程目标对毕业要求的支撑关系毕业要求指标点课程目标5-1：掌握智能医学系统实现手段课程目标1课程目标2课程目标35-3：能运用智能医学系统仿真软件课程目标1课程目标2课程目标37-2：能针对实际智能医学工程项目，评价其安全性课程目标1课程目标2课程目标3四、教学方式与方法教学方式：学生动手实验为主，辅以适当的提问、小组讨论及实验点评等。教学方法：探讨式教学、启发式教学、实验教学相结合；实验设计、研究设计、答辩等环节教学尝试基于任务的学习（TBL）教学模式。五、教学重点与难点（一）教学重点理解模式识别系统的基本原理，掌握模式识别中Bayes分类器、支持向量机、神经网络等，学会使用相应工具进行模式识别方法的设计与实现，从而进一步理解模式识别课程中所讲授的理论知识。（二）教学难点非线性分类器、机器学习与模式识别算法在智能医学领域的应用。六、实验内容、基本要求与学时分配序号实验项目名称实验内容与要求学时类型对应课程目标1Bayes分类器设计产生正态分布数据集，并设计Bayes分类器。要求如下：1．产生二维正态分布模式，并将产生的样本集随机地分为训练集和测试集；2．分别设计最小错误率的Bayes分类器和最小风险Bayes分类器，并对测试集进行分类，观察代价函数的设置对分类结果的影响；3．统计错分概率。3验证性课程目标1课程目标2课程目标32支持向量机算法（必修）实现支持向量机算法，构造相应的分类器。要求如下：在UCI数据库中，选取两类数据集，将其分为训练集与测试集，利用训练集构造分类器。利用构造的分类器对测试集进行测试，并计算错误率。3验证性课程目标1课程目标2课程目标33反向传播算法针对异或数据集，利用BP网络对该数据集分类。要求如下：1.用1与0分别表示真与假，或用1与-1分别表示真与假，使用该数据集，通过BP学习算法训练神经网络；2.输出神经网络收敛后权值与阈值。3验证性课程目标1课程目标2课程目标34基于R-R间期特征的房颤识别1.编写心电信号预处理程序,获取R-R间期；2.提取熵，过零率，R-R间期差等特征；3.设计分类器,识别房颤。3设计性课程目标1课程目标2课程目标35基于影像组学的乳腺癌分类乳腺超声图像去噪；乳腺超声图像对比度增强3.影像组学特征提取乳腺超声图像；4.降维;5.乳腺癌分类；6设计性课程目标1课程目标2课程目标3合计18注：实验要求包括必修、选修；实验类型包括“验证性”、“设计性”、“……”等。七、学业评价和课程考核（一）考核类型：考试考查（二）考核方式：¨实验报告¨实验作品其它：（平时成绩占100%）（三）成绩评定：考核依据建议分值（百分比）考核/评价细则对应课程目标平时考核100%实验记录30%实验过程记录完整（时间、地点、任务、遇到的问题及解决策略等等）课程目标1课程目标2课程目标3实验结果30%实验结果详细，答辩演示流畅课程目标1课程目标2课程目标3实验报告40%实验报告清晰、完整、规范。能够对给定问题分析多种实验方案，选择合适的算法，提出可行的解决思路和方法，建立正确的模型；能够对实验结果进行分析，并验证结果。课程目标1课程目标2课程目标3期末考核等于平时成绩八、课程目标达成评价课程目标的实际达成效果计算方式如下，达成值越高，教学效果越好。课程目标达成度毕业要求指标点达成度九、教材与教学参考书（（一）教材《模式识别》，张学工编著，清华大学出版社，2010，第3版。教学