《机器学习从入门到精通》（陈怡然）课程教学大纲

佚名 · 0743

教学，学习

文件大小22.38 KB

文件格式docx

分享时间2025-04-10

更多此类文档

立即下载

还剩7页未读，继续阅读

文本内容:

《机器学习》课程教学大纲

一、课程基本信息表1课程基本信息表课程名称

[20211517]机器学习（中文）课程名称Machine LearningML（英文）课程性质必修课学分3学分总学时48学时，其中，理论学时

（32）、实践学时

（16）开设专业智能科学与技术课程类别专业课考核性质考查概率论与数理统计、Python程序设计、数据分析与挖掘技术、数字先修课程图像处理

二、课程定位与培养目标

（一）定位本课程是智能科学与技术专业的一门专业课程通过本课程的学习，学生能够掌握常见机器学习算法及其应用场景，初步具备利用机器学习方法和技术解决大数据智能化领域相关问题的能力，并能按照行业要求对算法和模型进行评价提升学生在机器学习领域中的综合实践应用能力，为后续课程的学习和今后的工作打下坚实的基础

（二）目标

1.知识目标

（1）了解机器学习的类型及常用的机器学习方法；

（2）了解机器学习的基本流程；

（3）理解SciPy等常见的机器学习算法库的使用；

（4）理解线性回归、多元线性回归、多项式回归模型的算法原理；

（5）理解KNN、SVM、逻辑回归、决策树等分类模型的算法原理；6理解K-Means等聚类模型的算法原理

2.能力目标1能够基于SciPy等常见的机器学习算法库实现常见的机器学习模型;2能够根据实际工程应用进行模型选择和调整相关参数实现模型优化；3能够识别、表达和分析机器学习领域的具体工程问题，并具备初步的模型选择及应用能力

3.素养目标1培养数据观察力，养成对数据的敏感性；2培养数学抽象能力及数学建模能力，形成归纳、思考和选择的工作习惯，逐步养成机器学习工程师的良好素养；3通过不同模型的应用与实现，强化批判性思维，养成善于独立思考问题的思维方式

三、教学内容及学时分配表2教学内容、目标及学时分配模块教学内容教学目标方式学时重点机器学习的流程、理解机器学习的基本常见的机器学习库难流程；了解机器学习点机器学习环境配置的应用范围；了解机教学内容

1.机器学习器学习的体系框架；基本流程了解常见的机器学习

2.机器学习的应用范围库，掌握其环境安装

一、机器学

3.机器学习的体系架构配置；理论讲授2习概述

4.常见的机器学习库

5.机器学习环境配置重点数据预处理基本流了解数据处理及分析程难点降维、关联规的基本流程；

二、数据则教学内容

1.数据处掌握Numpy Pandas库处理及分理论讲授2理及分析的基本流程的基本使用；了解降析基础维、关联规则分析等相关基本概念

2.Numpy的基本使用及应用；

3.Pandas的基本使用4,降维的概念及应用重点损失函数、经验误理解损失函数的基本差与拟合难点模型性概念；能的度量教学内容L掌握经验误差与拟合；损失函数的概念了解数据集划分的必

2.经验误差与拟合

三、模型选要性；掌握模型性能2理论讲授择与划分

3.数据集划分的必要的度量及评价方式性

4.模型性能的度量及评价方式重点线性回归模型、多掌握回归模型的基本项式回归模型、支持向概念；掌握线性回归模案例式教量机模型、模型的评价型；掌握多项式回归8学难点模型评价教学内模型；容

1.回归模型的基本掌握支持向量机模型；

四、回归模概念掌握回归模型的评价型

2.线性回归模型方式；能够运用回归

3.多项式回归模型模型进行预测分析

4.支持向量机模型实验

45.回归模型的评价理解分类模型的基本重点逻辑回归、支持向概念；掌握逻辑回归模量机分类、逻辑回归、型；掌握KNN分类模

五、分类模案例式教10KNN、简单贝叶斯分类、型；掌握支持向量机型学决策树分类难点模型分类模型；评价教学内容

1.分类模型的基本概掌握简单贝叶斯分类念模型；理解分类模型的评价方法；能够基

2.逻辑回归于分类模型进行分类

3.KNN模型分析实验

44.支持向量分类

5.简单贝叶斯分类

6.决策树分类

7.分类模型的评价重点K-Means模型难掌握聚类模型的基本案例式教点模型评估教学内容概念；4学

1.聚类模型的基本概念掌握K-Means模型;

六、聚类模

2.K-Means模型

3.聚掌握聚类模型的评估；型类模型的评估能够应用聚类模型进行聚类分析实验4重点单层感知机、多层掌握神经网络的基本感知机、BP神经网络难概念；4理论讲授点神经网络的搭建教掌握BP神经网络；掌学内容

1.神经网络的握神经网络的实际应相关知识

2.神经网络的

七、神经网用基本概念络

3.BP神经网络实验4总学时48表3实践教学环节（课内实验）实验项目名提交报教学内容类型学时备注序号称告

1.线性回归模型及应用；

2.多项式回归模型及应用；

3.基于鲍回归模型预1设计性4是鱼年龄预测分析测分析

1.逻辑回归、KNN模型、支持向量分类、简单贝叶斯分类和决策树分类模型的分类模型的应用；

2.2设计性4是应用基于分类模型实现莺尾花种类的预测分类

1.K-Means模型及应用；

2.聚类模型的评聚类分析模3估；设计性4是型的应用

3.基于手机基站数据实现区域属性分析

1.神经网络模型及其应用神经网络模

42.基于ANN神经网络设计性4是型的应用实现客户流失的预测分析16实验学时

四、课程思政方案表4课程思政要点德育兀素（预期目标）序号教学切入点思政教学设计以华为芯片事件引入科技发展对于国家的重要性让学生通过检培养民族使命感，增强索分析，课程主线中的技术哪些1机器学习概述创新意识技术有中国的身影引发学生思考，增强创新意识培养使命感以新冠肺炎疫情防控为例，我国政府采取了一系列措施阻止疫情向国外扩散，甚至以不惜封城为代价，其目的就是要杜绝病毒的“输入和输出”，力争实现“武汉胜则湖北胜，湖北胜则中国回归模型基于人通过数据相关性等特胜”，通过一系列科学有效的措口迁徙数据的新性，理解习近平总书记2施，终于控制住了病毒的蔓延冠肺炎疫情传播提出的“人类命运共目前，这场无硝烟的疫情之战已预测同体”理念经取得了阶段性胜利，我国为保护全世界人民生命健康安全贡献了中国力量和中国智慧，其背后遵循的正是“人类命运共同体”思想深度学习是大数据智能分析技术的核心，作为深度学习之父的杰夫•辛顿由于疾病困扰已经很长时间不能坐下了，每天只能站着数据科学思维之工作和学习，但这恰是辛顿经历“心”引导思维的方和决心的写照几十年来，从“感向，反映家国情怀、知机”诞生，到明斯基提出单层社会责任、伦理道德，3神经网络神经网络无法求解“异或”问通过事例持之以恒的题，到辛顿提出可解“异或”问坚守精神和永无止境题的多层神经网络，再到辛顿将的奋斗精神，重塑思深度网络成功应用于图像和语音维体系之“心”识别，深度学习的发展可为是历尽坎坷在人工神经网络几十年发展历程中，辛顿历尽艰辛和困难依然坚持，体现出他对信仰的坚守精神通过该事例把这种持之以恒的坚守精神延展到课堂教学和现实生活中，不要让信念的坚守被噪音淹没以阿里达摩院2020年研发的新冠肺炎全基因组检测分析技术，可将原本数小时的疑似病例基因将数据科学思维的实分析缩短至半小时，其效率提升践方法拓展到宏观层主要受益于将确定的核酸检测转算法综合应用实面，让同学们深刻领4变为对不确定的变异病毒进行全验员工流失的预悟，在实现两个一百年基因序列分析比对的方法，诠释测奋斗目标、实现中华了通过“洞见”将具有行为复杂民族伟大复兴的中国梦的进程中性的病毒数据转化为治病救人知识和智慧的

五、课程考核

（一）课程考核成绩构成平时成绩10%过程性考核40%期末考核50%课程考核成绩;平时成绩*10%+过程性考核*40%+期末考核*50%

（二）平时成绩说明

（1）平时成绩主要由作业成绩构成（可根据课堂表现适当加分），可采用百分制或等级制

①采用百分制的平时成绩计算（所有作业成绩之和/作业次数）.

②采用等级制的平时成绩计算首先换算为百分制，A级-90分、B级-85分，C级-75分、D级-65分，E级50分然后按公式（所有作业成绩之和/作业次数）计算平时成绩

（2）平时作业可采用纸质作业、电子作业或网络平台进行，由任课老师自行决定

（3）出勤不占平时成绩，但旷课3次以上取消考试资格

2.相关要求要求作业要按时独立完成，课堂要积极参与教学互动，表现好的同学将酌情给予加分

（三）过程性考核说明表5过程性考核一览表过程性考核中序号考核内容考核方式备注权重1回归算法实验实验报告25%2分类算法实验实验报告25%3聚类算法实验实验报告25%4神经网络实验实验报告25%合计100%采用等级制计算，等级换算为百分制按以下标准A级-90分、B级-85分,C级-75分、D级-65分，E级50分

（四）期末考核

1.期末考核本课程期末考核方式为撰写课程论文，课程论文题目范围由任课教师统一布置

2.命题要求说明课程论文题目应与机器学习理论相关，学生应独立完成撰写，不得抄袭，发现雷同一律计0分，论文应在截止时间前提交，提交形式为纸质论文

3.成绩评价参考《机器学习课程期末考试评分标准》

六、课程教材与参考资料

（一）教学参考资料

1.教材陈怡然、廖宁等.机器学习从入门到精通（第1版）.西安西安电子科技大学出版社，2020,ISBN978-7-5606-5639-

2.视频资料

[1]中国大学M00C机器学习，浙江大学

[2]中国大学M00C机器学习，中国地质大学（武汉）

[3]中国大学M00C机器学习，北京理工大学

（二）课外阅读书目与要求