机器学习导论 教学大纲及教案.pdfVIP

机器学习导论教学大纲

IntroductiontoMachineLearning

课程编号：学分：3/2

开课学院：学时：48/32

课程类别：专业课课程性质：

一、课程性质

本课程可作为计算机科学与技术、智能科学与技术相关本科专业的必修课，也可作为其

它本科专业的选修课。

二、课程目标

本课程的教学目标是：引导学生树立社会主义核心价值观，培养求真务实的科学态度、

独立思考的科学精神、团队合作的科学素养，理解机器学习的基本问题和思维方式，掌握机

器学习模型的性能度量、模型选择与评估、欠拟合与过拟合、最优化与正则化等基础知识，

熟悉常用的回归、分类、聚类和集成学习的基本原理和典型算法，理解深度学习模型并掌握

它们的工程应用方法，能够根据特定应用和需求，利用开源资源来实现相关算法，为学生今

后从事相关领域的研究工作或项目开发工作奠定坚实的基础。

（一）思想、素质教育目标

目标1.1培养学生严谨求实、不断探索、持之以恒、勇于创新的科学精神；

目标1.2培养学生实事求是、一切从实际出发、理论联系实际的科学态度；

目标1.3培养学生理解矛盾的对立统一、具体问题具体分析、抓主要矛盾等辩证唯物

主义思想。

（二）知识教学目标

目标2.1掌握机器学习模型的性能度量、模型选择与评估、欠拟合与过拟合、最优化

与正则化等基础知识；

目标2.2熟悉常用的回归、分类、聚类和集成学习的基本原理和典型算法；

目标2.3理解深度学习模型并掌握它们的工程应用方法。

（三）能力教学目标

目标3.1培养学生分析问题、解决问题的能力；

目标3.2培养学生类比、综合、归纳和演绎、等效等科学思维的能力；

目标3.3培养学生创新能力。

三、课程教学内容及基本要求

本课程主要的教学内容是机器学习的基本原理和典型算法。本课程介绍机器学习模型的

性能度量、模型选择与评估、欠拟合与过拟合、最优化与正则化等基础知识，线性回归、多

项式回归、岭回归、套索回归、弹性网络、逻辑斯谛回归、Softmax回归的基本原理，k-最

近邻和k-d树算法，支持向量机的基本原理，贝叶斯分类器与贝叶斯网络，ID3、C4.5、CART

决策树算法，AdaBoost、GBDT、随机森林和极端随机树等集成学习的基本原理和算法，

k-means、BIRCH、DBSCAN、OPTICS等聚类算法，以及卷积神经网络、循环神经网络、

生成式对抗网络等深度学习模型。

通过学习本课程，学生应达到：掌握机器学习模型的性能度量、模型选择与评估、欠拟

合与过拟合、最优化与正则化等基础知识，熟悉常用的回归、分类、聚类和集成学习的基本

原理和典型算法，理解深度学习模型并掌握它们的工程应用方法，能够根据特定应用和需求，

利用开源资源来实现相关算法。

（一）课程教学内容及知识模块顺序

1．知识单元一：机器学习概述（5/3学时）

（1）知识点一：机器学习的概念与基本术语

（2）知识点二：人工智能、机器学习、深度学习三者之间的关系

（3）知识点三：机器学习的三个基本要素

（4）知识点四：机器学习模型的分类

（5）知识点五：模型选择与评估

教学基本要求：

熟悉机器学习的基本概念、机器学习模型的分类，理解人工智能、机器学习、深度学习

三者之间的关系，掌握机器学习的三个基本要素，了解损失函数、代价函数和目标函数之间

的区别和联系，理解生成模型和判别模型，了解数据清洗、归一化（标准化）等处理方法，

掌握模型交叉验证法的步骤，熟悉混淆矩阵、分类准确率、错误率、查准率、查全