《机器学习》课程教学大纲

1、机器学习课程教学大纲一、课程基本信息课程名称（中文）机器学习课程名称（英文）Machine Learning课程类别1：专业选修课课程性质2选修授课语言3中文授课学期6学分3课程学时及分配总学时讲课实验课外48321648适用专业软件工程、计算机科学与技术、网络工程、物联网工程、信息安全等教材机器学习，周志华编著，清华大学出版社，2016授课学院计算机与软件学院先修课程程序设计基础、概率论与数理统计等后续课程深度学习、强化学习、深层神经网络、机器视觉、自然语言处理、语音信号处理等课程简介课程基本定位：机器学习是人工智能领域中最重要的一个分支之一。本课程是面向软件工程、计算机科学与技术、网络工程

2、、信息安全等专业本科生的一门专业选修课。其教学重点是使学生对机器学习的一般理论有所了解；同时掌握常见机器学习算法，包括算法的主要思想和基本步骤，并通过编程练习加深了解，为学生能够学以致用的解决该方向中的一些实际问题奠定基础。 核心学习结果：该课程将介绍机器学习相关领域中的发展历程及研究现状；研究不同种类的机器学习算法，例如：决策树、神经网络、支持向量机、贝叶斯分类器、聚类等。课程将采用理论教学与实验相结合的方式，注重培养学生的实践能力，单独设立实验上机来加强学生对不同机器学习算法的理解，通过实验来锻炼学生在建立机器学习模型和编程实现能力。通过本课程的学习，学生将全面了解机器学习的正确运用，能够

3、在实际问题研究中运用机器学习解决问题，跟踪最前沿的机器学习算法和思想等，能够为学生从事人工智能下一步相关研究工作或在解决实际问题的实践中打下坚实的基础。主要教学方法： 本课程以课堂教学、演示、讨论和课内实验为主，结合课外自学、课堂讨论、团组大作业大纲更新时间2020.08.16注：1.课程类别：选填“通识核心课/通识拓展课/通修课/学科基础课/专业主干课/专业选修课/专业实践/素质拓展” 2.课程性质：选填“选修/必修”3.授课语言：选填“中文/双语/全英文或其他语种”二、课程目标序号课程目标（参考培养目标、毕业要求、课程定位）支撑毕业要求指标点1达成途径培养目标1.1具有健全的人格和良好科学

4、文化素养，具备高尚的职业道德和强烈的社会责任感。【毕业要求7-环境和可持续发展】：能够理解和评价针对软件工程领域复杂工程问题的专业工程实践对环境、社会可持续发展的影响。支撑指标点：7.3正确认识软件工程实践对于客观世界和社会的贡献和影响，理解用技术手段降低其负面影响的作用与局限性。（一）讲解基本概念，介绍机器学习中的前沿技术，配合讲解相应技术的思想原理及应用，使同学们对机器学习课程产生兴趣，从而激发学生们的学习积极性，使其在之后的理论教学中能更好的理解后续技术的原理。（二）通过课外团队大作业要求学生能够运用课堂知识，以团队合作的形式利用机器学习的理论思想来求解客观实践中的实际问题，从而提升学生

5、求解实际问题的实践能力。培养目标3.1能够运用相关法规及技术标准并合理地运用所学软件工程专业知识来分析、解决工程实际中遇到的技术难题，具有扎实的理论基础、宽阔的专业视野，具有计算机软硬件相关产品分析、开发、测试和维护能力，能够用系统的观点分析、处理科学技术问题。【毕业要求1-工程知识】：能够将数学、自然科学、工程基础和计算机专业知识用于解决软件工程及其相关领域的复杂工程问题。支撑指标点：1.4系统掌握软件工程基础理论及专业知识，包括计算机硬件、软件及系统等方面内容，具备理解软件工程复杂工程问题的能力，能够运用所学知识进行软件工程问题求解。（一）通过讲解使学生能够熟练掌握机器学习主要技术，具备采

6、用技术解决实际问题的能力，通过案例分析，使学生掌握采用技术解决问题的能力。（二）要求学生寻求实际生活中存在的能够通过机器学习技术解决的相应应用案例，并提出切实可行的解决方案。培养目标5.1能够通过继续教育或其他学习渠道更新知识，实现能力和技术水平的提升。【毕业要求11-项目管理】：理解并掌握软件工程领域工程管理原理与经济决策方法，并能在多学科环境中应用。支撑指标点：11.3能够在多学科环境中应用工程管理原理与经济决策方法，具备初步的软件工程项目管理经验与能力。【毕业要求12-终身学习】：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。支撑指标点：12.2能认识不断探索和学习的必要性，

7、具有自主学习和终身学习的意识。把学生分组，并为每个小组布置与课程内容紧密相关的课题项目，采用实践、讨论、课程论文的方式要求每组完成课程报告。通过分组完成项目、互相打分的方式培养学生项目管理和创新探索的能力。注：1.支撑毕业要求指标点：选填项。需要进行专业认证，有毕业要求指标点可参照的课程必填，无明确毕业要求指标点可参照的可不填。三、理论教学内容章标题教学内容学时思政融入点1学生学习预期成果2教学方式3课程目标第一章1.机器学习的概念2在高速发展的机器学习领域，中国学者做出了突出贡献，占据了优势地位，在很多领域都是中国人在引领领域的发展，为学生树立民族自信和时代精神，鼓励学生为科技强国多做贡献。

8、了解机器学习的基本内容及其主要研究领域，为以后应用其解决实际问题奠定基础。掌握该领域的核心前沿技术和研究现状。讲授了解机器学习研究的特点、内容、发展历程及其研究现状，通过对机器学习的了解，把握技术应用和发展的趋势目标1.12.机器学习的发展历程3.机器学习的研究现状4.机器学习的应用领域第二章1.信息论的要素4了解熵、特征选择的基本概念，熟悉评价方法及评价准则。讲授、演示掌握基本特征选择概念、基本方法。目标3.12.特征选择和过滤3.子集搜索与评价4.模型评估方法与性能度量第四章1.决策树的基本原理、算法和表示法4理解决策树的基本原理、算法和表示法，掌握其常见问题及常用处理方法。讲授掌握基本决

9、策树算法：ID3、C4.5。目标3.12.属性选择3. ID3算法4.C4.5算法5.假设空间搜索第五章1.神经网络模型的概念6理解神经网络的工作原理，能将神经网络应用于解决实际工程问题。讲授、讨论掌握反向传播算法和梯度下降，能够构建并训练优化神经网络。目标3.12.代价函数3.反向传播算法4.全局最小与局部极小5.其他常见的神经网络第六章1.间隔和超平面4使学生掌握建立支持向量机的方法并学会针对特定情形的应用。讲授、演示掌握支持向量机与分类、回归的关系，理解支持向量机的原理以及掌握核函数。目标3.12.支持向量和对偶问题3.核函数4.支持向量机的概念5.核方法第七章1.贝叶斯决策论4鼓励学生

10、求真务实，勤奋好学，提出当前热点问题和难点，寻求解决办法，树立良好的科研价值观和思维习惯。使学生掌握算法的原理、实现和应用。讲授了解贝叶斯公式的基本原理、先验概率和后验概率的概念。掌握贝叶斯最优分类器的原理和算法及其实现和应用。目标3.12.极大似然估计3.朴素贝叶斯分类器4.半朴素贝叶斯分类器5.贝叶斯网6.EM算法第八章1.个体与集成4结合集成的概念，使学生牢固树立集体决策价值观，认识社会主义集体制度的强大优势，牢固树立社会主义集体制度、集体决策价值观。使学生了解序列集成方法和并行集成方法，掌握两者的代表方法。讲授、讨论掌握Boosting和Bagging的区别与应用。目标3.12.序列集

11、成方法与并行集成方法3.Boosting4.Bagging与随机森林5.Stacking第九章1.聚类的概念4使学生了解聚类思想，掌握主流聚类算法并熟练应用于求解实际问题。讲授、案例掌握聚类的基本原理及方法。了解不同聚类算法的原理和应用。目标5.12.性能度量与距离计算3.K-means聚类4.密度聚类5.层次聚类6.FCM聚类注：1.思政融入点：至少写3条， 简述该课程教学中将思政教育内容与专业教育内容有机融合的知识点（下同）。 2.学生学习预期成果：描述学生在学完本节内容后应获得的知识、能力或素养水平（下同） 3.教学方式:包括讲授、讨论、案例、演示等，但不限于所列，根据课程实际需要列举四

12、、实践（实验或实习）教学1编号实验或实习项目名称教学内容学时实验或实习类型2思政融入点学生学习预期成果课程目标1K-近邻算法求解分类问题根据K-近邻算法的核心思想实现K-最近邻分类算法，至少在两个不同的数据集上比较算法的性能。2验证划分成小组，选出优秀党员作为组长，充分发挥党员在群众中的模范带头作用，小组成员内相互帮扶、相互促进。加强对K-近邻算法的理解，实现用K-近邻算法并用于求解分类问题。掌握K-近邻算法的核心思想与适用情况，锻炼学生分析问题、解决问题并动手实践的能力。目标3.12构造决策树求解分类问题实现ID3决策树，并在给定数据集上进行5折交叉验证。观测所得决策树在训练集和测试集上的准

13、确率，从而判断该决策树是否存在过度拟合。2验证注重鼓励学生提出自己的算法并去努力实现，引导学生避免长期使用国外算法，潜移默化中培养学生民族自豪感和爱国主义精神。熟悉和掌握决策树的分类原理、实质和过程；掌握典型的学习算法和实现技术。掌握典型决策树算法，能够运用决策树解决实际分类决策问题。目标3.13线性支持向量机算法的实现针对线性二分类问题，构建支持向量机的基本模型验证其算法性能。4验证掌握支持向量机算法原理和实现技术，验证支持向量机算法的分类性能。了解有关支持向量机的基本原理，能够实现并使用支持向量机的代码解决分类问题。目标3.14K-means聚类算法实验设计实现K-means聚类算法，求解

14、对未分类标注的数据进行分组问题，得到分组后的图像。2验证了解无监督学习的理论基础，动态聚类分析的思想和理论以及聚类算法的评价指标。加深对无监督学习的理解和认识，掌握K-means算法。目标3.15利用PCA数据预处理实验提供实验所需提取数据的空间信息，实现并利用PCA算法对原始数据的简化操作。2验证分组讨论，团队协作，发现与质疑，充分发挥社会主义集体思维决策的优势。掌握PCA算法的思想，了解其其他的一些降维技术并熟悉其优缺点及适用问题。了解基本的降维方法，掌握PCA算法简化数据的方法，能够运用到求解实际问题中去。目标5.16构建随机森林模型求解N分类问题使用决策树构造随机森林的基本模型求解N分

15、类问题。4验证实现随机森林模型并测试。深入掌握决策树的概念和方法，了解随机森林与决策树之间的关系，掌握随机森林原理和实现技术。目标5.1注：1.此表可用于课内实践教学环节或某门综合实践课程2.实验类型：选填”验证性/综合性/设计性”；实习类型：选填“认识实习/生产实习/毕业实习”五、课程评价（一）考核内容、考核方式与课程目标对应关系课程目标考核内容课程目标在各考核方式中占比1平时表现课程作业实验报告课程论文培养目标1.1机器学习的概念、机器学习研究的基本内容、神经元数学模型。20%20%10%10%培养目标3.1信息熵、决策树、ID3算法、支持向量机、核函数、模型评估、特征选择、PCA算法、贝

16、叶斯分类器、聚类分析、K-means聚类算法、Boosting算法、Bagging与随机森林、BP学习算法、离散型Hopfield网络、连续型Hopfield网络、卷积神经网络的运算、池化、机视觉、自然语言处理、智能医疗、生物信息学、数据挖掘、环境监测领域、能源勘测、搜索领域、自动驾驶等等。70%60%80%80%培养目标5.1深度学习的基本思想、深度学习前沿算法。10%20%10%10%合计100%100%100%100%各考核方式占总成绩权重（自行赋值）20%10%10%60%注：1. 课程目标在考核方式及占比：主要根据课程目标自行设计和制定多元化考核方式，表中所列仅为参考（红色数据可删除

17、）。但所列考核方式必须覆盖全体学生，可根据当学期具体教学情况酌情调整。2. 各考核方式占总成绩权重：根据课程实际情况对各考核方式占总成绩的权重予以赋值。（二）考核方式评分标准1课程作业评分标准课程目标评分标准占比90-100（优）80-89（良）70-79（中）60-69（及格）0-59（不及格）培养目标1.1能够深入理解机器学习的基本概念和发展方向。能够较好地理解机器学习的基本概念和发展方向。能够理解机器学习的基本概念和发展方向。基本理解机器学习的基本概念和发展方向。不理解机器学习的基本概念和发展方向。20%培养目标3.1能够很好地掌握机器学习主流算法，并能够编程实现一些主流算法。能够较好地理解机器学习主流算法，并能够编程实现一些主流算法。能够理解机器学习主流算法，并能够编程实现一些主流算法。基本理解机器学习主流算法，并能够编程实现一些主流算法。不理解模机器学习主流算法，并能够编程实现一些主流算法。70%培养目标5.1能够深入理解各种机器学习主流算法并应用其求解实际问题。能够较好地理解各种机器学习主流算法并应用其求解实际问题。能够理解各种机器学习主流算法并应用其求解实际问题。基本理解各种机器学习主流算法并应用其求解实际问题。不理解各种机器学习主流算法并应用