《机器学习》课程教学大纲.doc

《机器学习》课程教学大纲 一、课程基本信息 课程代码课程中文名称：机器学习 课程英文名称：Machine Learning 讲课学时/学分：32/2 课内实验学时/学分： 8 课外实验/科研实践学时：8 课外研讨学时： 课外素质拓展学时： 课程类别： 专业选修课 课程性质： 选修 授课语种： 中文 适用专业： 软件工程 开设学期： 第五学期 先修课程： 无 责任单位： 二、课程地位与作用 《机器学习》课程是软件工程专业的专业选修课。2017年7月8日国务院发布关于印发新一代人工智能发展规划的通知，宣布我国人工智能技术的战略目标：2025年人工智能基础理论实现重大突破，2030年人工智能理论、技术与应用总体达到世界领先水平。2018年4月2日教育部发布关于印发《高等学校人工智能创新行动计划》的通知，指出加快机器学习等核心关键技术研究，形成新一代人工智能技术体系。机器学习作为人工智能技术的基础，是一门多学科融合的技术，通过机器学习，使计算机系统具有从数据中“学习”经验的能力以便实现人工智能。 通过本课程的学习，学生将理解机器学习的原理，掌握常见机器学习方法中主要算法、较新的深度学习网络，通过实验提高机器学习算法编程和应用的能力，能够跟踪机器学习发展前沿，为学生将来从事人工智能相关工作或研究打下基础。 三、课程内容简介 本课程涵盖了机器学习的大部分内容，从机器学习原理到实际应用，从传统机器学习方法到深度学习等该领域近年来较新的研究。具体包括：机器学习基础、数据预处理、分类算法、决策树、支持向量机、回归分析、聚类分析、神经网络训练与深度学习、卷积神经网络、循环神经网络、图神经网络、生成对抗网络等内容。 四、课程目标及对毕业要求的支撑 通过本课程的学习，应达到的目标及能力如下： 目标1：掌握机器学习相关的专业术语，了解机器学习的发展动态，能够查阅该领域的中英文文献。 目标2：了解监督/无监督学习方法，了解回归任务和分类任务，了解人工神经网络的原理和基本结构。 目标3：掌握贝叶斯、KNN、支持向量机、决策树、深度学习网络等机器学习方法及其使用，能够使用这些方法解决实际应用问题。 五、课程内容及教学进度安排 课程总学时为32学时，共包括12章内容。各章节学时进度安排如下表： 序号 知识单元 授课内容 学时分配 支撑课程目标 授课方式 1 机器学习基础 1.1 机器学习综述：发展历史、基本概念 1.2 性能评估 1.3 Python机器学习开发环境搭建 本单元重点知识点：了解机器学习的基本概念、评估方法，学习Python开发环境搭建 本单元难点知识点：监督/非监督学习的区别 2 1、2 启发讲授 2 分类算法 2.1 分类基本流程及分类算法的种类 2.2 贝叶斯算法 2.3 KNN算法 2.4 案例示范：使用KNN分类鸢尾花数据 本单元重点知识点：分类问题处理流程，经典算法 本单元难点知识点：贝叶斯算法、KNN算法 2 2、3 启发讲授 3 支持向量机 3.1 支持向量机原理和应用领域 3.2 常用核函数：线性核函数、径向基核函数、多项式核函数 本单元重点知识点：支持向量机原理和使用 本单元难点知识点：核函数 2 2、3 启发讲授 4 决策树 4.1 决策树处理流程 4.2 最优划分属性选择 4.3 决策树经典算法 4.4 案例示范：决策树分类鸢尾花数据 本单元重点知识点：决策树处理流程、经典算法 本单元难点知识点：最优划分属性选择 2 2、3 启发讲授 5 神经网络 5.1 神经网络概述：发展历史、定义 5.2 M-P神经元模型 5.3 单层感知机 5.4 多层前馈神经网络 5.5 深层神经网络 5.6 案例示范：手写数字识别 本单元重点知识点：神经网络的工作原理、不同部分在神经网络中的作用 本单元难点知识点：反向传播算法、梯度检验 4 2、3 启发讲授 6 回归分析 6.1 线性回归 6.2 正则化方法 6.3 逻辑斯蒂回归 6.4 随机森林 6.5 回归模型性能评估 6.6 案例示范：基于随机森林的房价预测 本单元重点知识点：成本函数、梯度下降算法 本单元难点知识点：使用正则化构建回归模型并避免过拟合 2 2、3 启发讲授 7 聚类分析 7.1 无监督学习概述 7.2 K-Means 7.3期望最大法 7.4密度与层次 本单元重点知识点：K-means算法的构建 本单元难点知识点：K-means算法及其应用 2 2、3 启发讲授 9 基于CNN的图像识别 9.1 卷积神经网络（CNN）基本组成 9.2 常用CNN结构：LeNet、VGG系列、ResNet系列 9.3 实验讲解：基于CNN的人脸性别识别 本单元重点知识点：CNN网络结构和应用 本单元难点知识点：卷积、池化运算 4 2、3 讲授2+实验2 10 基于R