13SDC08005-机器学习与模式识别实验-2023版人才培养方案课程教学大纲.docxVIP

PAGE1

附件5-2

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3

5-3：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3

7-2：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

1

Bayes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3

2

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3

3

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3

4

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3

5

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