《机器学习》课程教学大纲

《机器学习》教学大纲课程英文名Machinelearning课程代码03M0135学分3总学时48理论学时48实验/实践学时0课程类别学科基础课课程性质选修先修课程数字信号处理、信号与系统适用专业电子信息工程开课学院信息工程学院一、课程地位与课程目标（一）课程地位机器学习是电子信息工程专业方向一门学科选修课程。机器学习是航天和航空、生物医学工程、电子信息工程、工业和工程、军事公安、文化艺术、机器人视觉、视频和多媒体系统、科学可视化、电子商务等应用共同需要的基础技术，是电子技术、计算机技术和图像处理技术的有机结合。本课程采用图像处理、计算机编程、数据结构、人工智能等知识，介绍经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习等）等技术，以及在机器学习技术有智能交通、智能视频、工业机器视觉等中的应用。本课程可使学生:掌握信息获取和处理的基本原理和应用的一般方法，了解电子信息工程专业的前沿理论与发展现状和趋势，以及具备信号获取与处理设计与实施工程实验的能力，并能够对实验结果进行分析。为电子信息相关专业学生毕业后，从事智能交通、智能视频监控、工业机器视觉、机器人视觉等应用行业打下坚实基础。（二）课程目标1.了解机器学习的发展及其应用领域、人工智能的基本概念，掌握机器学习中模型评估的基本方法。2.掌握经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）等技术，具备图像处理的基本能力3.了解深度学习等人工智能方法在图像目标检测、图像识别、图像超分辨力等中的最新应用，具备查找跟踪学习图像目标检测、图像识别、图像超分辨力的最新学术成果的能力，培养多视角看待、分析、解决问题的能力。二、课程目标达成的途径与方法主要以课堂教学为主，结合课外作业和期末考试。三、课程目标与相关毕业要求的对应关系课程目标课程目标对毕业要求的支撑程度（H、M、L）毕业要求1.1毕业要求1.2毕业要求2.1毕业要求2.2毕业要求2.3课程目标1H(0.1)H(0.1)课程目标2H(0.3)H(0.3)课程目标3H(0.2)四、课程主要内容与基本要求1、机器学习的基本概念与模型评估了解机器学习的发展及其应用领域、人工智能的基本概念，掌握机器学习中模型评估的基本方法，这部分是该课程的基本概念和知识点基础，通过这部分的学习，能使学生了解机器学习，更快的入门，为后续学习机器学习的传统而常见的技术打好基础。2、机器学习的经典而常见的方法熟悉决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习等技术，具备图像处理的基本能力，了解线性回归，正则化，多分类学习，熟悉信息熵、信息增益，以及BP神经网络、深度学习，boosting，bagging与随机森林等经典算法，这部分是课程的主干部分，可为学生从事图像处理工作奠定基础。3、人工智能技术在图像处理中的应用了解机器学习等人工智能方法在图像目标检测、图像识别、图像超分辨力等中的最新应用，具备查找、跟踪与学习图像目标检测、图像识别、图像超分辨力的最新学术成果的能力，通过这部分的学习，能使学生对电子信息技术相关行业的国际状况有基本了解，对人工智能与视频图像处理的最新技术有所了解，对培养学生的创新思维有一定的促进作用。五、课程学时安排章节号教学内容学时数学生任务对应课程目标1引言2课程目标12模型评估与选择4作业2.1,2.2课程目标13线性模型4作业3.1,3.2,3.3课程目标24决策树4作业4.1,4.2,4.3课程目标25神经网络6作业5.1,5.3,课程目标26支持向量机4作业6.1,6.2课程目标27贝叶斯分类器4作业7.1,7.3课程目标28集成学习6作业8.1,8.3课程目标29聚类4作业9.1,9.2课程目标210降维与度量学习6作业10.1,10.3课程目标211图像处理顶级会议与期刊的论文4课程目标3六、实践环节及基本要求无七、考核方式及成绩评定考核内容考核方式评定标准（依据）占总成绩比例过程考核含到课率、课堂讨论发言、平时作业等点名记录讨论发言记录作业批改成绩30%期末考核闭卷卷面成绩70%考核类别考查成绩登记方式百分制八、课程目标达成度评价方法课程目标权重成绩评定课程目标1过程考核0.3过程考核A10期末考试0.7期末考试B10目标达成度1=（0.3*A1+0.7*B1）/（0.3*A10+0.7B10）课程目标2过程考核0.3过程考核A20期末考试0.7期末考试B20目标达成度2=（0.3*A2+0.7*B2）/（0.3*A20+0.7*B20）课程目标3过程考核0.3过程考核A30期末考试0.7期末考试B30目标达成度3=（0.3*A3+0.7*B3）/（0.3*A30+0.7*B30）九、推荐教材与主要参考书（一）推荐教材：1、周