11.机器学习-教学大纲.docVIP

PAGE1

《机器学习》教学大纲

课程英文名

Machinelearning

课程代码

03M0135

学分

3

总学时

48

理论学时

48

实验/实践学时

0

课程类别

学科基础课

课程性质

任选

先修课程

高等数学、概率论与数理统计、

线性代数、Python程序设计

适用专业

电子信息工程

开课学院

信息工程学院

执笔人

审定人

制定时间

2024年12月

注：课程类别是指公共基础课/学科基础课/专业课；课程性质是指必修/限选/任选。

一、课程地位与课程目标

（一）课程地位

机器学习是电子信息工程专业方向一门学科基础选修课程。机器学习是电子信息工程、通信工程、文化艺术、机器人视觉、视频和多媒体系统、科学可视化、电子商务等应用共同需要的基础技术，是电子技术、计算机技术和图像处理技术的有机结合。本课程采用图像处理、计算机编程、数据结构、人工智能等知识，介绍经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习等）等技术，以及在机器学习技术有智能交通、智能视频、工业机器视觉等中的应用。本课程可使学生:掌握信息获取和处理的基本原理和应用的一般方法，了解电子信息工程专业的前沿理论与发展现状和趋势，以及具备信号获取与处理设计与实施工程实验的能力，并能够对实验结果进行分析。为电子信息相关专业学生毕业后，从事智能交通、智能视频监控、工业机器视觉、机器人视觉等应用行业打下坚实基础。

课程目标

该课程应达到的预期学习结果（ILO，IntendedLearningOutcomes）如下所示：

ILO-1：了解机器学习的发展历程、现状、必威体育精装版进展和发展趋势，了解机器学习中模型评估的基本方法，了解方法的特点、分类及相关领域的典型应用。

ILO-2：掌握机器学习中经典方法，如：决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习等的基本概念和原理，注重逻辑思维和创新思维能力的培养。

ILO-3：掌握实际问题中机器学习技术的建模、评估、可视化等方法,培养学生自主分析与解决工程实践问题的能力。

（三）思政教育目标

通过介绍机器学习技术的前沿进展和应用实例，激发学生的创新思维；通过探讨机器学习算法的工作原理与实际应用，激发学生对知识的渴求和深入探索的精神；通过讲解中国在人工智能和机器学习领域的发展历程与成就，提升学生的家国情怀和使命担当。

课程目标达成的途径与方法

课程目标主要以课堂教学为主，结合期末测试、课堂测试、课程讨论等途径和方式来达成。具体课程目标的达成途径与方法如下表所示。

课程目标

达成途径

ILO-1

课堂教学、课后作业、和期末测试

ILO-2

课堂教学、课后作业、课堂测试、和期末测试

ILO-3

课堂教学、课后作业、课堂测试、和期末测试

三、课程目标与相关毕业要求的对应关系

本课程支撑的毕业要求如表一所示，具体如下：

毕业要求1：能够将数学、自然科学、工程基础和专业知识应用于解决电子信息领域复杂工程问题。

毕业要求1-1：能将数学、自然科学、电子信息工程基础和专业知识用于对复杂工程问题的合理定义和恰当表述中。

毕业要求2：能够应用数学、自然科学和工程科学的基本原理，识别、表达、并通过文献研究分析电子信息领域复杂工程问题，以获得有效结论。

毕业要求2-3：能利用电子信息工程领域的专业知识对各项工程问题进行分析和求解。

毕业要求12：对电子信息工程领域的理论和技术发展规律有明确的认识，具有自主学习和终身学习的意识，有不断学习和适应发展的能力。

毕业要求12-2：具有自主学习和终身学习的意识并掌握自主学习的科学方法。

表1课程目标对毕业要求的支撑关系

毕业要求

课程目标

毕业要求1-1

(支撑强度：M)

毕业要求2-3

(支撑强度：M)

毕业要求12-2

(支撑强度：M)

ILO-1

1

/

/

ILO-2

/

1

/

ILO-3

/

/

1

四、课程主要内容与基本要求

第1章绪论

了解人工智能及机器学习的基本概念、应用场景、发展历程、必威体育精装版进展、重要事件；理解机器学习的分类方法及其工作原理；掌握机器学习所需的预备知识，包括线性代数基础、概率论基础、约束优化问题；熟练掌握机器学习编程语言与基本工具；讨论人工智能技术与人类发展关系。通过介绍中国在人工智能和机器学习领域的发展历程与成就，启发学生的创新思维，培养锲而不舍、勇于实践的创新精神，激发学生的家国情怀和使命担当。

第2章模型评估与选择

了解机器学习常用的模型估计与优化方法；掌握模型参数估计方法：最小二乘估计、最大似然估计、最大后验估计；熟悉经验误差、过拟合、比较检验、偏差与方差等基本概念；了解梯度下降法、牛顿迭代法等模型优化方法；了解随机梯度法、最大期望法、蒙特卡罗法等模型优化的概率方法；掌握常用的模