《机器学习》课程教学大纲

1、机器学习课程教学大纲一、课程基本信息课程编号：12229课程名称：机器学习英文名称：Machine Learning课程类型：专业课课程要求：必修学时/学分：32/2（讲课学时：24实验学时：8）先修课程：概率论与数理统计、Python语言程序设计、数据分析与挖掘算法后续课程：机器学习实践、大数据项目综合实践适用专业：数据科学与大数据技术二、课程描述“机器学习”是人工智能领域的重要分支，旨在引导学生在概率论、统计学、优化算法等数学基础上掌握机器学习的基础知识和常用机器学习方法，建立良好的应用计算机构造可行动知识的工具集合能力。通过对基本概念的深刻理解，掌握实际问题的知识描述在计算机中的定义和表

2、达方法；利用不同的机器学习算法，完成区分和选择合适机器学习方案解决实际应用问题的训练；通过对不同学习模型、学习算法和基于大数据平台的机器学习，建立较完整的机器学习过程，形成利用计算机模拟或实现人类的学习行为，以获取新的知识或技能的能力。通过课程学习，使学生能够利用机器学习的基本原理和方法，能够对大数据背景下的工程问题进行数据获取、抽象表达、一般化表达，并能够将机器学习过程及结果对模型性能进行评估和改进，从而获得该类问题合理有效的结论。三、课程教学目标1. 能正确表述机器学习的基本概念，说明主要机器学习过程和主要机器学习算法及其重要应用领域。(支持毕业能力要求4)2. 能熟练运用机器学习的知识表

3、达方法和学习方法，对大数据应用领域中的实际问题提出合适解决方案（包括进行数据处理、分析、训练模型和评估），并论证方案的适用性和有效性。(支持毕业能力要求2)3. 能够利用Python语言和开发工具，结合相应的机器学习过程解决大数据背景下的实际工程问题。 (支持毕业能力要求5)四、教学内容、安排及与教学目标的对应关系单元教学内容单元教学目标学时教学方式对应课程教学目标1一、机器学习概述1.1机器学习基本概念1.2机器学习的分类1.3机器学习的数据分析案例1.4机器学习开发环境(1)了解机器学习的基本概念，能够简要说明机器学习的内涵；(2)能够区分不同类型的机器学习的策略；(3)能够举例说明机器学

4、习的应用领域及应用的发展趋势；(4)了解机器学习的开发环境及语言，如PyCharm开发环境与Python。2讲授11.5机器学习形式分类和主要策略1.6机器学习的基本结构1.7数据及其预处理方式(1)针对不同应用领域，能够选择不同的学习的分类形式，如监督学习及其学习策略或非监督学习及其学习策略；(2)掌握机器学习的基本结构，能够辨析机器学习各部分对系统功能的影响；(3)熟悉一维数据和二维数据，并能够针对数据进行预处理。2讲授12二、贝叶斯分类器及其实现2.1贝叶斯公式推导2.2朴素贝叶斯算法实现及改进2.3评估分类结果(1)能够利用大数据构造模型；(2)掌握过拟合和欠拟合、正确性核查；(3)能

5、够根据分类结果进行评价并得出结果优劣的结论。2讲授自学13三、聚类分析3.1聚类原理3.2聚类分析类型3.3聚类算法的对比与评估(1)熟悉常用的聚类分析方法；(2)掌握使用聚类分析类型，能够根据不同应用选择相应的聚类方法，如k均值聚类、凝聚聚类等；(3)对不同聚类算法进行比较，能够明确其不同算法完成数据分析效果。4讲授自学1、2实验1：聚类算法企业案例(1)能够根据实际应用案例选择具体的聚类方法；(2)能够编写一个聚类程序，实现如用户位置信息的商业选址、中文地址标准化处理等应用，或自选应用项目。2实验1、2、34四、线性回归4.1线性回归模型及算法4.2拟合、残差分析、过拟合和欠拟合等4.3梯

6、度下降法(1)掌握线性回归模型，能够明确模型的构建过程和选择相应的算法；(2)能够分析并得出不同情况下的拟合结果；(3)能够使用剃度下降法完成回归过程。4讲授自学1、2实验2：回归分析企业案例(1)能够根据线性回归的特点，根据实际案例确定相应的模型，如预测房子的销售金额、气温与气压关系预测等案例或类似的案例；(2)编写一个回归程序，实现上述案例之一，验证模型计算法的正确性和有效性。2实验1、2、35五、决策树5.1决策树基本概念5.2决策树的分类5.3决策树的构造算法(2)能够明确决策树的不同分支及节点的构成；(2)理解单变量决策树、多变量决策树、分类树和回归树等，能够区分不同数据采用的不同分

7、类规则；(3)能够根据具体问题，如鸟是否能飞的训练实例构造决策树，并给出具体的算法如ID3、CART等的具体设计过程；(4)了解多变量决策树的使用。2讲授自学1、2实验3：决策树企业案例(1)能够根据决策树的特点，根据实际案例确定相应的模型，如投资决策、建大/小厂房决策、工厂生产决策等案例或类似的案例；(2)编写一个决策树程序，实现上述案例之一，验证模型计算法的正确性和有效性。2实验1、2、36六、支持向量机6.1支持向量机的理论基础6.2SVM的数学推导及拉格朗日乘子法6.3SMO算法(1)能够简要说明什么是支持向量机以及关键定理与VC维、经验风险、结构风险；(2)能够利用拉格朗提算法分析K

8、KT条件与对偶变换、能够设计分类器函数等；(3)能够利用SMO算法构造SMO类、主函数、通过训练数据求解SVM。2讲授自学1、27七、神经网络学习7.1基于反向传播网络的学习及BP网络的学习7.2基本Hopfield网络的学习(1)明确神经网络的训练过程、正向/反向传播的组成，能够利用BP网络学习算法解决如熟人识别问题类似的案例；(2)能够理解动态反馈神经网络的模型和学习算法，并能够针对案例，如简单的实时智能控制系统设计相应的系统框架。2讲授自学1、28八、推荐系统原理8.1推荐系统概述8.2协同过滤及其算法8.3KMeans算法8.4SVD算法(1)了解推荐系统的架构，能够分析如亚马逊网站的

9、推荐系统的构成；(2)能够利用协同过滤及其算法能够实现如百度里的用户评分过程，设计一个简单的推荐系统；(3)能过拓展理解KMeans算法的辅助函数、主函数设计方法，对其分类的结果能够给出相应的评估；(4)能够了解SVD算方法常用的距离函数、数据集及主函数设计方法。2讲授自学1、29九、大数据平台上的机器学习9.1一般开发流程9.2读取数据9.3预处理和清洗数据9.4选择正确模型和学习算法(1)理解大数据平台上的机器学习方法及应用流程；(2)能够根据实际案例选择相应的机器学习模型和算法，并对平台中的数据完成数据的读取、预处理和清洗数据。2讲授1、2实验4：机器学习应用企业案例(1)编写一个综合机

10、器学习应用程序；(2)通过案例分析体会大数据平台上的机器学习过程。2实验1、2、3五、其他教学环节（课外教学环节、要求、目标）1. 自学对于某个具体的机器学习算法单元要在授课前自学授课内容，达到能运用相应知识表述方式描述该种学习方法的要求。2. 运用在贝叶斯、决策树、线性回归、神经网络和支持向量机等机器学习单元学习后，自行收集资料，阅读文献，分别针对大数据背景下的某个实际工程的应用问题设计解决方案，综合运用数据预处理、抽象表达、一般表达等（可含其他单元）的机器学习过程建立模型，设计解决方案（可进行实验或程序得到结果），并进行评估和总结。六、教学方法本课程采用课堂教学和实践教学结合方式。在课堂教

11、学中，以讲授为主，结合自学和慕课等教学方法和手段完成课程教学任务。1.在课堂教学中，将单元教学目标通过讲授及对预先设置自学内容，使学生学会理论课程的学习方法，迅速掌握核心内容。2.聚类分析、线性回归、决策树等是机器学习的重要内容，辅助以企业案例和具有实际工程背景案例，通过教师的教授，培养学生根据实际问题构造不同的学习策略和确定合适学习算法解决实际问题的能力。3.在某类具体的机器学习单元结束后的实验中，引入企业案例或相关数据集，针对实际问题引导学生选择合适方法，提升学生运用机器学习的基本理论和方法进行数据预处理、训练模型和评估模型的分析问题和提出方案的能力。4.采用CAI作为辅助教学工具。七、学

12、习评量学习成绩由平时成绩（含作业成绩、上机实验成绩）和期末考试成绩组成。各部分所占比例和评价内容、方法如下：1. 平时成绩（40%）(1)作业成绩：10%。主要考核对课堂学习的知识点的复习、理解和掌握程度；以答题数量和正确率为评价标准。(2)上机实验成绩：30%。实验结果及实验报告。主要进行不同的机器学习方法的实验；对每次机器学习方法的实验进行评价，共20分，分4次，每次5分；实验报告共10分，1次。2. 期末考试成绩（60%）主要考核综合应用基本概念分析和解决问题的能力和程度；书面考试形式，题型以分析和设计为主，按正确性评分。3. 说明(1)作业和报告中有雷同时，所有雷同回答均不得分。(2)可利用指定“八、教学资源”中指定的MOOC的合格证书+评价作为课程学习成