《机器学习原理与应用综合实践》课程教学大纲

《机器学习综合实践》课程教学大纲一、课程基本信息课程代码：XXXX课程学分：2学分课程学时：2周课程类别：集中实践（第X学期）适用专业：数据科学与大数据技术、智能科学与技术考核方式：考查（过程性考核）先修课程：Python编程基础、数据挖掘二、课程简介本课程是数据科学与大数据技术、智能科学与技术专业的工程基础课程，属于集中实践环节。机器学习综合实践课程以具体案例分析为基础，注重算法原理讲解与数学公式推导，同时利用Python语言从零开始实现相关算法（非调用工具包）并演示算法的工作流程。本课程与其他课程的联系：（1）《机器学习》是数据科学与大数据技术、智能科学与技术等专业重要的核心课程。（2）本实训是《机器学习》课程综合知识的运用。（3）本实训是一门实践性很强的课程，不仅巩固学生在课堂上所学的知识，加深对机器学习的理解，更重要的是通过实训案案例提高学生的动手能力，增强学生就业的竞争力。（4）本实验对毕业设计等课程有一定的指导意义。三、课程教学目标本课程的具体教学目标如下：1.教学目标1：能够针对具体问题采集、存储与处理相关数据并选择、设计恰当的算法构建相应的数学模型进行求解。（指标点5.2）2.教学目标2：能够根据具体问题的规模对相关任务进行分解、协调与组织实施。（指标点8.2）3.教学目标3：能够针对具体问题创新性地规划相应的实施方案并撰写相关实验或总结报告。（指标点9.1）4.教学目标4：能够针对具体问题查阅相关文献或学习最新技术以完善专业知识、提高专业技能。（指标点11.1）四、课程目标对毕业要求的支撑关系毕业要求毕业要求指标点课程目标1课程目标2课程目标3课程目标41.开发、选择和使用现代工具能力5.2能够在大数据领域复杂工程问题的预测、建模或解决过程中，选择与使用恰当的技术、软硬件平台及开发工具。H8.个人与团队8.22能够独立或合作承担任务，并能够有效地进行组织、协调和指挥团队开展工作。M9.沟通与交流能力9.1能够针对数据科学与大数据技术领域复杂工程问题的设计方案、研究方法、技术路线等问题与同行及社会公众进行有效沟通和交流，能够通过书面报告、设计文档或发言等方式清晰、准确地表达自我想法和观点。H11.自主学习和终身学习能力11.1理解数据科学与大数据技术发展对于知识和能力的影响和要求，认识自主学习和终身学习的必要性，能够跟踪数据科学与大数据技术领域最新前沿技术。M五、课程综合实践内容和基本要求实践项目的选定依据教学计划对学生实践能力培养的要求，着重于巩固和加深学生对机器学习的理解，提高学生编程能力及结合运用所学知识解决问题的能力。实践项目要求学生掌握Python编程知识并运用相关知识自行设计机器学习算法与相关应用程序。课程实践包含两个部分：（1）章节综合应用实践。（2）综合项目案例设计与实现。（一）章节综合应用实践章节综合应用实践包括10个左右的实践题目，主要考查学生采用经典机器学习算法对工程实践问题进行分析与求解的能力，旨在培养学生解决工程问题的科学思路和方法，为培养学生解决复杂工程问题的能力提供基础支撑。实践题目样例如下表2所示。表2实践题目样例表序号考查内容样例题目名称样例问题描述样例基本要求1线性回归体重预测（1）数据预处理（归一化或标准化）。（2）体重预测模型构建与训练。（3）体重预测与精度分析。（1）数据预处理。（2）基于线性回归的体重预测模型的训练。（3）实验结果绘图与分析。2Logistic回归肾癌预测（1）数据预处理（归一化或标准化）。（2）肾癌预测模型构建与训练。（3）肾癌预测与精度分析。（1）数据预处理。（2）基于Logistic回归的肾癌预测模型的训练。（3）实验结果绘图与分析。3朴素贝叶斯婚姻预测（1）数据预处理（归一化或标准化）。（2）婚姻预测模型构建与训练。（3）婚姻预测与精度分析。（1）数据预处理。（2）基于朴素贝叶斯婚姻预测模型的训练。（3）实验结果绘图与分析。4K近邻电影分类（1）数据预处理（归一化或标准化）。（2）电影分类模型构建与训练。（3）电影分类与精度分析。（1）数据预处理。（2）基于K近邻的电影分类模型的训练。（3）实验结果绘图与分析。5决策树运动预测（1）数据预处理（归一化或标准化）。（2）运动预测模型构建与训练。（3）体重预测与精度分析。（1）数据预处理。（2）基于决策树的运动预测模型的训练。（3）实验结果绘图与分析。6支持向量机糖尿病预测（1）数据预处理（归一化或标准化）。（2）糖尿病预测模型构建与训练。（3）体重预测与精度分析。（1）数据预处理。（2）基于支持向量机的糖尿病预测模型的训练。（3）实验结果绘图与分析。7K均值聚类学生分组（1）数据预处理（归一化或标准化）。（2）学生分组模型构建与训练。（3）学生分组与精度分析。（1）数据预处理。（2）基于K均值聚类的学生分组模型的训练。（3）实验结果绘图与分析。8混合高斯模型数据生成（1）数据预处理（归一化或标准化）。（2）数据分布模型构建。（3）新数据生成。（1）数据预处理。（2）基于混合高斯模型的数据分布模型构建。（3）实验结果绘图与分析。9神经网络乳腺癌预测（1）数据预处理（归一化或标准化）。（2）乳腺癌预测模型构建与训练。（3）乳腺癌预测与精度分析。（1）数据预处理。（2）基于神经网络的乳腺癌预测模型的训练。（3）实验结果绘图与分析。10集成学习成绩评价（1）数据预处理（归一化或标准化）。（2）不同集成学习框架的应用（分类或回归）。（3）不同集成学习框架的精度分析。（1）数据预处理。（2）基于集成学习的成绩评价模型构建。（3）实验结果绘图与分析。（二）综合项目案例设计与实现综合项目案例设计与实现主要是通过3-5人团队协作完成1个类似学生成绩预测、课堂行为分析等综合性工程实践应用项目的设计与实现，培养学生问题建模、数据分析处理、专业编程技能、团队沟通协作、沟通表达等能力。综合实践项目任务的具体要求如下：（1）项目的选择需要和任课教师双方协商确定。（2）项目功能要具有实用性，功能逻辑具有一定的复杂度，但是项目功能需求设定需要结合团队成员的整体学情，最好能够和任课老师提前沟通确定功能数量和概要逻辑，要保证能够最终完成项目的整体设计与实现。（3）团队成员任务分工要相对均匀合理。（4）针对综合实践项目，要提交系统项目源代码、系统需求分析和概要设计报告，课程提供统一实践报告模板。六、课程考核及成绩评定（一）考核内容课程目标考核内容课程目标1：能够针对具体问题采集、存储与处理相关数据并选择、设计恰当的算法构建相应的数学模型进行求解。（指标点5.2）面向具体工程问题时的数据采集、存储、处理与建模能力。课程目标2：能够根据具体问题的规模对相关任务进行分解、协调与组织实施。（指标点8.2）针对具体工程问题采用多种解决方案或解题思路进行分析；同时结合团队成员的整体素养，科学进行分工，完成指定任务。课程目标3：能够针对具体问题创新性地规划相应的实施方案并撰写相关实验或总结报告。（指标点9.1）针对工程问题每个团队成员承担的任务达成难度（或逻辑复杂度）、任务均衡度以及实验或总结报告撰写的清晰度与规范性。课程目标4：能够针对具体问题查阅相关文献或学习最新技术以完善专业知识、提高专业技能。（指标点11.1）解决具体问题的技术创新性，求解思路逻辑性、正确性与精准性以及性能分析的科学性与合理性。（二）考核方式考查（三）考核形式过程性考核（实践报告、研讨分析、综合项目）。（四）成绩构成采用百分制计分，各部分比例如下：课程目标平时考核（100%）合计支撑毕业要求实践报告研讨分析综合项目100%指标点支撑强度30%30%40%课程目标120%10%30%5.2H课程目标210%20%30%8.2H课程目标330%20%9.1H课程目标410%20%11.1H（五）考核项目1.“实践报告”评价标准课程目标考核内容考核分值评分标准课程目标1针对具体工程问题采用多种解决方案或解题思路进行分析；同时结合团队成员的整体素养，科学进行分工，完成指定任务。100主要考查学生撰写实验报告的质量，具体包括算法步骤的科学性、解决方案的多样性、心得体会的真实性、行文格式的规范性、同学间参考度等方面综合考虑进行综合评定。备注依据超星学习通平台【实验报告】的评阅成绩为准。3.“研讨分析”评价标准课程目标考核内容考核分值评分标准A：90-100B：70-89C：60-79D：0-59课程目标3针对工程问题每个团队成员承担的任务达成难度（或逻辑复杂度）、任务均衡度以及实验或总结报告撰写的清晰度与规范性。100针对针对具体问题，能够完全准确地对多种解决方案或解题思路进行辩证分析和比较选择。针对针对具体问题，能够较为准确地对多种解决方案或解题思路进行辩证分析和比较选择。针对针对具体问题，能够基本正确地对多种解决方案或解题思路进行辩证分析和比较选择。针对针对具体问题，不能够准确地对多种解决方案或解题思路进行辩证分析和比较选择。备注以超星学习通章节【研讨分析】类作业的评判结果为准；以学生该类型所有作业成绩的平均值作为考核结果。4.“综合项目实践”评价标准课程目标考核内容考核分值评分标准课程目标1针对具体工程问题采用多种解决方案或解题思路进行分析；同时结合团队成员的整体素养，科学进行分工，完成指定任务。25由指导教师依据项目功能需求描述、团队分工、成员任务达成、报告撰写等情况酌情评分。课程目标2针对具体工程问题采用多种解决方案或解题思路进行分析；同时结合团队成员的整体素养，科学进行分工，完成指定任务。50课程目标4解决