《机器学习》课程实施方案（教学大纲）

1、机器学习课程实施方案一、课程基本信息课程名称：机器学习课程代码：OPT228学 分：3学 时：3学时/课，共51学时。二、任课教师、助教、教室等情况（四）上课时间：（五）纪 律：1、无特殊情况，不允许无故缺课。2、每次作业须在规定时间内提交。三、阅读材料（一）推荐教材：周志华:机器学习第1版，清华大学出版社。（二）参考教材1. Peter Flach著，机器学习，人民邮电出版社。2. 李航著，统计学习方法，清华大学出版社。（三）进一步阅读教材1.TOM M. Mitchell著，机器学习，机械工业出版社。2. Trvor Hastie等，The Elements of Statistical

2、Learning (2nd Edition), Springer。四、课程内容概要（一）课程目标1.了解机器学习各个领域的模型以及各自的优劣点。2.理解并掌握机器学习的基本思路。3.了解机器学习各模型适用的问题和有效范围4.能正确对现实中的问题进行抽象，使用机器学习模型进行实际问题的模型构建与求解。5.熟练调用机器学习的软件包处理实际问题。6.精通以下技能：口头陈述的能力、撰写案例研究报告的能力、满足机器学习程序编写所需的计算机技能、文献搜索和互联网信息检索能力。6.通过师生交流、同学合作，养成认真、严谨的学习态度；锻炼友爱、包容、相互尊重的个人品质，并充分理解课程主旨思想，培养节约和优化社会

3、资源的社会责任感；培养学生的创新精神、实践能力和国际视野；突出学生知识、能力、素质的协调发展。（二）教学内容序号题目知识点学时（课堂教授）1绪论（一）机器学习的产生和发展；3（二）机器学习的研究方法和步骤。2模型评估与选择（一）经验误差与过拟合9（二）评估方法（三）性能度量（四）比较检验（五）偏差与方差3线性模型（一）基本形式15（二）线性回归（三）对数几率回归（四）线性判别分析（五）多分类学习4决策树（一）基本流程和划分选择12（二）剪枝处理（三）连续与缺失值处理5神经网络（一）神经元模型6（二）感知机与多层网络（三）误差逆传播算法（四）全局最小与局部极小（五）常见其他神经网络（六）深度学习

4、6支持向量机（一）间隔与支持向量机6（二）对偶问题（三）核函数（四）软间隔与正则化（五）支持向量回归课时总计：51学时51(课程教授)课程思政教学内容设计:教学单元教学内容课程思政元素与教育目标第一讲绪论我国在机器领域取得的突出成绩，增加学生自豪感和认同感第二讲线性模型学习伦理：人如何用最简单的模型对未知问题进行评估第三讲决策树学习伦理：人是如何进行思考和判断的，如何让机器学习这一模式第四讲支持向量机学习伦理：怎样用数学模型来表达人想要的东西第五讲贝叶斯估计学习伦理：如何利用已用的经验来对未知问题进行评估第六讲神经网络学习伦理：模仿人大脑活动方式来构建数学模型（三）课程要求1.文献与参考书阅读

5、作业：课堂进行随机抽查回答与提前指定汇报结合方式。2.平时课后作业：按时规定的时间交与助教进行批改，隔一周上课时间助教与授课教师进行评讲。3.上机作业：上机实验作业按照“学号-姓名-实验*”方式命名，课后及时在课程中心作业论坛中进行提交。（四）教学安排课程讲授内容授课方式作业(教材)/测验辅助学习材料1绪论：1 机器学习的产生和发展；2 机器学习的研究方法和步骤讲授课外阅读文献查询、阅读Peter Flash机器学习导论章节2第一章 模型评估与选择1经验误差与过拟合2 评估方法讲授课外阅读作业： 1.2（1）、1.3（2）Peter Flash机器学习模型评估章节3第一章 模型评估与选择3 性

6、能度量4 比较检验讲授课外阅读作业： 1.1（2）Peter Flash机器学习模型评估章节4第一章 模型评估与选择5 偏差与方差讲授课外阅读作业： 1.3（2）Peter Flash机器学习模型评估章节5第二章 线性模型1基本形式讲授课外阅读作业： 2.6（2）、2.7Peter Flash机器学习线性模型章节6第一章 线性模型2 线性回归讲授课外阅读作业：2.14、2.18Peter Flash机器学习线性模型章节7第一章 线性模型3 对数几率回归讲授课外阅读作业：2.20Peter Flash机器学习线性模型章节8线性模型4 线性判别分析5 多分类学习讲授课外阅读作业： 2.22Pete

7、r Flash机器学习线性模型章节9上机练习：线性模型学习与实践上机实践实验作业1课堂上完成10第三章 决策树1 基本流程2 划分选择讲授课外阅读作业：3.1、3.2Peter Flash机器学习决策树章节10第三章 决策树3剪枝处理4 连续与缺失值讲授课外阅读作业：3.6、3.9Peter Flash机器学习决策树章节11期中测试12上机练习：决策树上机实践实验作业2课堂上完成13第四章 神经网络1 神经元模型2 感知机与多层网络3 误差逆传播算法讲授课外阅读作业：4.1、4.3、4.6Peter Flash机器学习神经网络章节14第四章 神经网络4 全局最小与局部极小5 其他常见神经网络6 深度学习讲授课外阅读作业：4.8、4.10、4.12Peter Flash机器学习神经网络章节15第五章 支持向量机1 间隔与支持向量机2 对偶问题3 核函数讲授课外阅读作业：5.1、5.6、5.7Peter Flash机器学习支持向量机章节16第五章 支持向量机4 软间隔与正则化5 支持向量回归讲授课外阅读作业： 5.8、5.11Peter Flash机器学习支持向量机章节17上机练习：神经网络与支持向量机上机实验