机器学习教学大纲 通信

《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任选先修课程高等数学、概率论与数理统计、线性代数、Python程序设计适用专业通信工程开课学院信息工程学院注：课程类别是指公共基础课/学科基础课/专业课；课程性质是指必修/限选/任选。一、课程地位与课程目标（一）课程地位机器学习是通信工程专业方向一门学科选修课程。机器学习是通信工程、电子信息工程、工业和工程、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，了解通信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。为通信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。课程目标该课程应达到的预期学习结果（ILO，IntendedLearningOutcomes）如下所示：ILO-1：了解机器学习的发展历程、现状、最新进展和发展趋势，了解机器学习中模型评估的基本方法，了解方法的特点、分类及相关领域的典型应用。ILO-2：掌握机器学习中经典方法，如：决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习等的基本概念和原理，注重逻辑思维和创新思维能力的培养。ILO-3：掌握实际问题中机器学习技术的建模、评估、可视化等方法,培养学生分析与解决工程实践问题的能力。（三）思政教育目标通过介绍机器学习技术的前沿进展和应用实例，激发学生的创新思维；通过探讨机器学习算法的工作原理与实际应用，激发学生对知识的渴求和深入探索的精神；通过讲解中国在人工智能和机器学习领域的发展历程与成就，提升学生的家国情怀和使命担当。课程目标达成的途径与方法课程目标主要以课堂教学为主，结合期末测试、课堂测试、课程讨论等途径和方式来达成。具体课程目标的达成途径与方法如下表所示。课程目标达成途径ILO-1课堂教学和期末测试ILO-2课堂教学、课后作业、和期末测试ILO-3课堂教学、课后作业、课堂测试、和期末测试三、课程目标与相关毕业要求的对应关系本课程支撑的毕业要求如表一所示，具体如下：毕业要求1：工程知识：能够将数学、自然科学、工程基础和通信工程专业知识应用于解决通信领域复杂工程问题。毕业要求1-1：系统理解数学、自然科学、工程科学理论基础，并能够应用于对通信领域工程问题进行表述和建立数学模型。毕业要求2：问题分析：能够应用数学、自然科学和工程科学的基本原理，识别、表达、并通过文献研究分析通信领域复杂工程问题，以获得有效结论。毕业要求2-2：能基于数学、自然科学和工程科学的基本原理和方法正确表达和分析通信工程领域信号传输、信号处理等相关的工程问题。毕业要求12：终身学习：对通信工程领域的理论和技术发展规律有明确的认识，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。毕业要求12-2：具有自主学习的能力，包括对技术问题的理解能力、归纳总结的能力和提出问题的能力等，能接受和应对新技术、新事物和新问题带来的挑战。表1课程目标对毕业要求的支撑关系毕业要求课程目标毕业要求1-1(支撑强度：M)毕业要求2-2(支撑强度：M)毕业要求12-2(支撑强度：M)ILO-11//ILO-2/1/ILO-3//1四、课程主要内容与基本要求第1章绪论了解人工智能及机器学习的基本概念、应用场景、发展历程、最新进展、重要事件；理解机器学习的分类方法及其工作原理；掌握机器学习所需的预备知识，包括线性代数基础、概率论基础、约束优化问题；熟练掌握机器学习编程语言与基本工具；讨论人工智能技术与人类发展关系。通过介绍中国在人工智能和机器学习领域的发展历程与成就，启发学生的创新思维，培养锲而不舍、勇于实践的创新精神，激发学生的家国情怀和使命担当。第2章模型评估与选择了解机器学习常用的模型估计与优化方法；掌握模型参数估计方法：最小二乘估计、最大似然估计、最大后验估计；熟悉经验误差、过拟合、比较检验、偏差与方差等基本概念；了解梯度下降法、牛顿迭代法等模型优化方法；了解随机梯度法、最大期望法、蒙特卡罗法等模型优化的概率方法；掌握常用的模型正则化策略。第3章线性模型了解线性模型的基本概念、组成形式、代价函数，及回归与分类的区别；掌握线性回归、对数几率回归基本模型及最小二乘法优化；掌握二分类任务中的线性判别分析方法；了解线性模型在多分类任务中的应用及其划分策略；了解类不平衡问题及其对策。第4章决策树了解决策树的基本思想、模型结构及其判别标准；理解信息熵、信息增益、基尼系数等度量指标；掌握决策树模型的常用的属性划分方法；熟悉ID3、C4.5、CART三种经典决策树算法；掌握决策树的正则化策略：预剪枝和后剪枝；掌握解决策树处理连续与缺失值问题的一般方法；了解决策树的Bagging策略、随机森林模型及随机森林做在征选择与异常值检测等应用，以便学生的自主学习；通过对实际案例的讲解和课堂测验，进一步巩固学生对决策树模型的理解。第5章神经网络了解神经网络的基本思想，掌握M-P神经元模型和经典的神经元激活函数；理解感知机和多层神经网络的结构；掌握神经网络中的误差逆传播、梯度检验、和参数估计等的概念与方法；理解全局最小和局部最小的区别；了解径向基函数网络、竞争型学习网络、自组织映射网络玻尔兹曼机等其他常见的神经网络；了解深度学习和神经网络的关系；通过对实际案例的讲解，进一步巩固学生对决策树模型的理解。第6章支持向量机了解支持向量机模型的思想；理解间隔、超平面及支持向量的概念；掌握线性可分支持向量机；理解线性可分定义、软间隔及损失函数定义；了解核函数的概念及其选择方法；了解支持向量机优化问题、线性不可分情况及对偶问题；根据所学内容，掌握支持向量机的构建，并学会对实际问题进行优化求解；融入就业要素，阐明机器学习在职业发展中的重要性，进而激发学生对知识的渴求和深入探索的精神。第7章贝叶斯分类器了解贝叶斯分类器的核心思想和基本原理；理解贝叶斯定理、先验概率、似然、后验概率、条件风险等概念；掌握极大似然估计、基于属性条件独立性假设的朴素贝叶斯分类器的原理和方法；了解半朴素贝叶斯分类器、贝叶斯网的基本原理和分类推断方法；学会利用朴素贝叶斯算法对实际问题进行求解。第8章集成学习了解集成学习的结构；理解集成学习对个体学习器的性能要求；掌握常见的集成学习算法如：Boosting、Bagging、和随机森林的结构；了解Boosting算法的推导过程；了解平均法、投票法、学习法等学习器的主要结合策略；掌握个体学习器泛化误差、个体学习器分歧、泛化集成误差的定义，了解泛化集成误差分解的方法；了解主要的多样性度量指标和多样性增强的方法。第9章聚类了解无监督学习的基本概念，及其与有监督学习的差异；理解聚类分析问题描述、优化目标及常用的聚类算法；理解原型聚类、密度聚类、和层次聚类的原理和区别；掌握K-均值聚类（K-means）、高斯聚类、和AGNES层次聚类算法的概念、构建思路和使用方法；熟练掌握K-均值算法在实际问题中的运用。通过对实际案例的讲解，进一步巩固学生对经典聚类算法的理解。第10章降维与度量学习了解降维、流行学习、和度量学习的基本概念；了解多维缩放、核化线性降维等常见的降维方法；理解k近邻学习的工作机制和主成分分析的推导方法；掌握主成分分析降维的步骤以及奇异值分解的使用；熟练掌握主成分分析降维算法在实际问题中的应用。通过实例对比未降维和使用主成分分析降维后的数据训练出的模型的区别和优劣性。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绪论3预习机器学习基本概念、发展历程及典型应用。ILO-12模型评估与选择3完成课后作业ILO-23线性模型3完成课后作业ILO-24决策树61.完成课中的课堂测试2.完成课后作业ILO-35神经网络61.完成课中的课堂测试2.完成课后作业ILO-36支持向量机61.完成课中的课堂测试2.完成课后作业ILO-37贝叶斯分类器61.完成课中的课堂测试2.完成课后作业ILO-38集成学习3完成课后作业ILO-29聚类61.完成课中的课堂测试2.完成课后作业ILO-310降维与度量学习6完成课中的课堂测试ILO-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）占总成绩比例考核与课程目标对应关系过程考核含到课率、课堂讨论发言、平时作业等点名记录回答问题记录课堂测试成绩40%ILO-1，ILO-2，ILO-3期末考核闭卷卷面60%ILO-1，ILO-2,ILO-3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0.4过程考核A10期末考试0.6期末考试B10目标达成度1=（0.4*A1+0.6*B1）/（0.4*A10+0.6B10）课程目标2过程考核0.4过程考核A20期末考试0.6期末考试B20目标达成度2=（0.4*A2+0.6*B2）/（0.4*A20+0.6*