机器学习原理及应用 教学日历.doc

教学日历

2022～2023学年第1学期

教学单位软件学院

课程名称机器学习

课程编号

学时32学分2

适用专业软件工程、电子信息

授课教师

职称职务教师

学时

分配

课堂讲授

自学指导

学术研讨

专题报告

上机

其它

32

使用教材

名称

出版社

出版时间

获奖情况

机器学习

清华大学出版社

2022年9月

全国优秀教材一等奖

参

考

书

目

Python机器学习手册

从数据预处理到深度学习

清华大学出版社

2022年1月

机器学习应用实战

清华大学出版社

2022年4月

教

学

要

求

1、要求掌握的基本知识

了解机器学习的发展历程和应用领域，理解机器学习的定义，掌握模型评估和选择的方法，掌握各种学习模型的各自特点以及相应的应用领域。

2、要求掌握的基本理论和方法

（1）了解UML中各种图在系统中的作用及其重要性；

（2）理解线性模型、决策树、神经网络、支持向量机、贝叶斯分类器、集成学习和聚类等模型的相关特点；

（3）理解线性模型、决策树、神经网络、支持向量机、贝叶斯分类器、集成学习和聚类等模型的算法推导过程；

（4）掌握线性模型、决策树、神经网络、支持向量机、贝叶斯分类器、集成学习和聚类等模型的算法实现过程。

3、要求掌握的基本技能

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。

教

学

目

的

机器学习课程为软件工程专业电子信息方向研究生所开设的一门专业选修课。它的目的是向学生介绍机器学习的相关术语、相关概念，使学生了解机器学习的发展动态，能够查阅该领域的中英文文献。理解回归模型、决策树、神经网络、支持向量机、贝叶斯分类器、集成学习和聚类等模型的工作原理，掌握这些机器学习模型的算法实现。使学生能够利用所掌握的机器学习模型解决实际应用问题的流程来解决各种应用领域的问题。

考核方式

大作业

成绩计算方法

总成绩=平时成绩×50%+大作业×50%

平时成绩包括：作业（占总成绩20%），上机报告（30%）

课时安排

从第1周至第8周

星期二／5一6节

星期四／1一2节

星期／一节

星期／一节

研309教室

研309教室

教室

教室

周次

课次

教学方式

教学内容

学习重点及要求

备注

(作业)

1

1

启发讲授

第一章绪论

什么是机器学习

基本术语

机器学习需要哪些数学基础知识额

机器学习需要哪些python基础知识

机器学习的发展历程

机器学习的应用现状

学习重点：

机器学习的定义和相关术语

要求：

熟悉机器学习的相关定义

了解机器学习需要哪些数学知识和python知识

作业：查阅机器学习的发展历史

1

2

启发讲授

模型评估与选择

2.1经验误差与过拟合

2.2评估方法

2.3性能度量

学习重点：

欠拟合和过拟合的定义

数据集划分的留出法、交叉验证法和自助法

性能度量中的错误率、查准率、查全率。

要求：

1、掌握欠拟合和过拟合的定义

2、掌握数据集划分的三种方法，即留出法、交叉验证法和自助法

3、掌握性能度量中的错误率、查准率、查全率的定义。

作业：

教材习题中的2.1,2.2和2.4三道题

2

1

启发讲授

2.4比较检验

第三章线性模型

2.1基本形式

2.2线性回归

学习重点：

一元线性回归的模型以及参数的求解过程

多元线性回归的模型以及参数的求解过程

要求：

通过某种编程语言实现一元线性回归模型和多元线性回归模型

熟悉线性回归的定义

上机报告：

自己寻找数据集，编程实现一元线性回归和多元线性回归（不允许调用工具包）。

周次

课次

教学方式

教学内容

学习重点及要求

备注

(作业)

2

2

启发讲授

第三章线性模型

3.3对数几率回归

3.4线性判别分析

3.5多分类学习

学习重点：

对数几率回归模型以及相应参数的求解过程

梯度下降法

要求：

了解线性判别分析的思想

理解多分类学习模型

掌握对数几率回归模型的定义以及相应参数的求解过程。

作业：

选择两个UCI数据集，比较10折交叉验证法和留一法所估计的对率回归的错误率。

3

1

启发讲授

第四章决策树

4.1基本流程

4.2划分选择

学习重点：

决策树算法思想

属性特征选择的三种方法，如信息增益、增益率、基尼指数

要求：

理解决策树算法的基