图说图解机器学习（第2版）-教案

《图说图解机器学习（第2版）》电子教案课程信息课程名称：图说图解机器学习（第2版）适用对象：人工智能入门者、技术应用者，高职高专理工科学生，本科非理工科专业学生教材版本：第2版总学时：64学时授课方式：理论讲解+实践操作（利用KNIME软件）课程简介本课程以图形化软件KNIME为工具，通过拖、拉、拽等直观操作，引导学生从简单到复杂地完成机器学习项目。课程内容涵盖人工智能入门、机器学习和深度学习三大部分，旨在帮助学生掌握机器学习的基础知识和实战技能，培养解决实际问题的能力。课程教学要求理论知识：掌握人工智能、机器学习和深度学习的基本概念、原理和方法。实践技能：熟练使用KNIME软件进行机器学习项目的构建、训练和评估。分析与解决问题：培养学生分析问题、解决问题的能力，能够根据实际需求选择合适的机器学习算法和策略。课程教学内容章节主要内容重难点学时第1章人工智能及机器学习概述4学时1.1人工智能概述人工智能简史、定义、能力了解：人工智能的发展历程和趋势2学时1.2机器学习概述机器学习的定义、任务、基本问题、优化模型和工作流程熟悉：机器学习的基本概念和流程1学时1.3深度学习概述深度学习的特点、与机器学习的关系掌握：深度学习的基本概念1学时第2章机器学习基础知识6学时2.1数学基础数据的分类、基本统计学术语、回归、最小二乘法掌握：机器学习所需的数学基础知识3学时2.2读图数值数据和分类数据的分布熟悉：数据可视化方法1学时2.3KNIMEKNIME简介、下载安装和基本使用掌握：KNIME软件的基本操作2学时第3章线性回归10学时3.1简单线性回归场景说明、KNIME工作流建立、数据获取与观察、模型训练和测试掌握：简单线性回归的建模流程4学时3.2多元线性回归初步任务及数据说明、建立基准工作流、读取并观察数据熟悉：多元线性回归的基本概念3学时3.3多元线性回归进阶优化模型、特征归一化、相关系数掌握：多元线性回归的进阶技巧3学时第4章逻辑回归10学时4.1逻辑回归基本概念分类问题、从线性回归到逻辑回归、判定边界掌握：逻辑回归的基本原理3学时4.2逻辑回归实战泰坦尼克号生存问题背景介绍、数据预处理、模型训练和测试熟悉：逻辑回归的实战应用4学时4.3模型评价混淆矩阵、F1分数、ROC曲线和AUC掌握：模型评价的方法和指标3学时第5章模型优化8学时5.1梯度下降损失函数、使用KNIME优化模型掌握：梯度下降优化方法2学时5.2正则化准确性和健壮性、欠拟合和过拟合、正则化防止过拟合熟悉：正则化的原理和应用3学时5.3模型评价混淆矩阵、F1分数、ROC曲线和AUC的深入理解掌握：模型评价的深入理解和应用3学时第6章支持向量机8学时6.1支持向量机基本概念支持向量机是什么、支持向量是什么、核掌握：支持向量机的基本原理3学时6.2SVM初战问题说明、建立工作流、数据观察、模型训练与测试熟悉：支持向量机的实战应用3学时6.3支持向量机解决泰坦尼克号问题归一化、核函数、建立工作流、模型调参掌握：支持向量机的进阶应用2学时第7章树类算法8学时7.1决策树简介决策树的特点、防止过拟合、集成学习掌握：决策树的基本原理和防止过拟合的方法3学时7.2使用决策树解决泰坦尼克号生存问题工作流建立、数据预处理、模型训练和测试熟悉：决策树的实战应用2学时7.3决策树高级应用实战探索性数据分析、特征工程、异常数据处理掌握：决策树的高级应用技巧3学时第8章深入理解决策树6学时8.1决策树进阶如何构建决策树、ID3算法和CART算法掌握：决策树的构建方法和算法原理3学时8.2数据不平衡问题优化对多数数据降采样、对少数数据过采样、SMOTE算法熟悉：数据不平衡问题的优化方法3学时第9章贝叶斯分析6学时9.1贝叶斯定理基本术语、条件概率、全概率公式、贝叶斯定理掌握：贝叶斯定理的基本原理3学时9.2贝叶斯算法解决银行客户分类问题工作流建立、贝叶斯算法的学习器节点熟悉：贝叶斯算法的实战应用2学时9.3情感分析案例安装插件、建立工作流掌握：情感分析的基本方法和流程1学时第10章计算机视觉与自然语言处理8学时10.1深度学习简介深度学习的关键、目标、原理概述掌握：深度学习的基本原理和概念2学时10.2计算机视觉著名的卷积神经网络LeNet-5、AlexNet、VggNet、GoogLeNet、ResNet熟悉：计算机视觉中的卷积神经网络3学时10.3KNIME实现卷积神经网络环境构建、安装所需工具、步骤分析掌握：KNIME实现卷积神经网络的方法2学时10.4自然语言处理自然语言数字化、特征提取、KNIME实现自然语言处理了解：自然语言处理的基本原理和方法1学时考核要求及成绩评定平时成绩（40%）：包括课堂参与度、作业完成情况、实践操作表现。期中考试（30%）：理论考试，测试学生对机器学习基础知识的掌握情况。期末考试（30%）：实践操作考试，要求学生独立完成一个机器学习项目，包括数据预处理、模型选择和训练、结果评估等。学生学习建议理论与实践结合：注重理论知识的学习，同时加强实践操作，通过KNIME软件完成课后练习和项目实战。多做练习：利用教材中的实例和课后练习，反复练习，提高操作熟练度和问题解决能力。积极思考：遇到问题时要积极思考，尝试自己解决问题，培养解决问题的能力。团队合作：与同学组成学习小组，共同讨论问题，分享学习经验，提高学习效率。课程改革与建议引入新技术：随着机器学习技术的不断发展，应及时将新技术、新算法引入教学内容，保持课程的先进性。强化实践环节：增加实践操作学时，提供更多实际案例和项目，让学生在实践中学习，提高解决问题的能力。开展校企合作：与企业合作，引入企业真实项目作为教学案例，增