《机器学习项目开发实战》-教案全套 马晓虎 1.1 配置Python基本环境-6.4 文本分类实现

《机器学习项目开发实战》课程教学设计课程名称机器学习课程类型专业基础课课程学时64适用专业人工智能、大数据、云计算课程负责人曹梦川软件学院人工智能教研室制定二〇二五年一月《机器学习项目开发实战》课程教学设计课程类别：□公共基础课□专业学习课□拓展学习课☑实践学习课标题：项目一任务一配置Python基本环境授课班级：24人工智能课时：2课时授课时间：周五1-4节授课地点：A101教学目标知识目标能力（技能）目标素质目标了解Python的历史、特点、应用领域以及其在机器学习中的重要作用。了解如何在不同操作系统（Windows、macOS、Linux）上安装Python，以及配置环境变量的基本步骤。掌握PyCharm的下载、安装与使用。能够根据不同操作系统的要求，独立完成Python的安装与配置。掌握如何在操作系统中设置和修改环境变量，以确保Python及其相关工具能够正确运行。能够直接在命令行或终端中使用Python解释器执行Python代码。在安装和配置Python环境的过程中，遇到问题时能够主动寻求解决方案，培养独立思考和解决问题的能力；认识到Python及其生态系统在不断更新和发展，保持对新技术和新工具的好奇心和学习欲望。在安装和配置环境时，遵循最佳实践和编程规范，为后续的编程工作打下良好的基础。教学重点掌握Python环境安装。掌握PyCharm安装并能够创建项目。教学难点掌握Python环境安装。掌握PyCharm安装并能够创建项目。教学方法与手段教学采用教师课堂讲授为主，使用教学PPT讲解教学教材教材：教学资源1.智慧课堂2.教材附带慕课课程思政融入点1.课程思政融入点1：科学精神与工匠精神课程内容：在讲解环境安装步骤（如Python版本选择、依赖库兼容性调试、路径配置等）时，强调“失之毫厘谬以千里”的技术严谨性。思政融入点：导学生认识到技术实践中“细节决定成败”，培养耐心排查问题、系统分析错误的科学思维，反对急功近利的“拿来主义”。举例我国“两弹一星”元勋在艰苦条件下精准计算、反复验证的科研精神，类比技术操作中“每一行代码、每一个配置都是技术大厦的基石”。2.课程思政融入点2：知识产权与合规意识课程内容：介绍开源软件（如TensorFlow、PyTorch）的开源协议（MIT、GPL等）、正版软件使用（如Anaconda授权）、避免盗版资源时。思政融入点：强调“尊重知识产权是科技创新的基石”，批判“技术万能论”，引导学生理解开源精神的本质是“共享共赢”，而非无序复制。3.课程思政融入点3：问题解决与抗挫折能力课程内容：分析环境安装常见问题（如版本冲突、系统兼容性错误、网络下载失败）及解决方案（查阅官方文档、社区求助、自主调试）时。思政融入点：将技术调试过程类比“科研攻坚”，培养学生“逢山开路、遇水架桥”的担当精神，正视技术学习中的困难，拒绝“躺平”心态。教学过程设计教学环节（用时）教学内容教师活动学生活动设计意图课程导入（15分钟）教师通过提问学生问题，引出机器学习。教师提问学生问题，例如问题是：大家是否了解过机器学习？生活中哪些方面使用到了机器学习？机器学习用到了哪些技术？机器学习用到了哪些技术？机器学习通常使用Python进行开发，主流的Python开发工具是PyCharm。明确本节课的学习目标，让学生带着目标去听课。要求学生学会Python环境安装；要求学生学会PyCharm安装并能够创建项目。教师通过提问学生问题，引出数据分析应用场景集体讨论回答问题引入新课内容新知讲解（一）（30分钟）教师根据课件，讲述机器学习定义。机器学习是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能。教师根据课件，讲述机器学习工作原理。机器学习的核心思想是任意输入和输出数据组合之间的现有数学关系。教师根据课件，介绍机器学习应用领域。机器学习的应用范围非常广泛，举例部分行业，通过提问使学生发散思维，增加学习兴趣。通过课件展示机器学习的定义及应用领域。线上头脑风暴线上一句话答题步骤总结回答新知讲解实训演练（40分钟）回顾上课前的学习目标，并对本节课的重要知识点进行总结。教师根据课件，讲述Python安装流程。教师根据课件，讲述PyCharm安装流程并创建项目。总结本次实践发现问题，解答学生疑问。1.带领学生开始本次实践：安装Python、PyCharm并创建项目。2.巡回检查，解答学生问题，并总结本次实践发现问题。1.跟随教师完成本次实践，存在问题时积极提问。巩固知识点加强软件的安装流程知识深化与总结（5分钟）回顾本节课的内容总结难点和重点总结重点难点记录重点难点总结教学重点难点作业布置布置下节课堂知识预习目标。教学反思教研室审核日期院（系）审核日期《机器学习项目开发实战》课程教学设计课程名称机器学习课程类型专业基础课课程学时64适用专业人工智能、大数据、云计算课程负责人曹梦川软件学院人工智能教研室制定二〇二五年一月《机器学习项目开发实战》课程教学设计课程类别：□公共基础课□专业学习课□拓展学习课☑实践学习课标题：项目一任务三安装机器学习环境-AnaConda授课班级：24人工智能课时：6课时授课时间：周五1-4节授课地点：A101教学目标知识目标能力（技能）目标素质目标1.了解AnaConda在数据科学和机器学习领域中的作用。2.掌握AnaConda的安装流程。3.了解安装过程中可能遇到的常见问题及其解决方案。1.能够独立完成AnaConda的安装与配置；2.能够使用AnaConda管理Pyhton环境和包；1.遇到问题能够主动查找资料，尝试多种解决方案，具有良好的问题解决能力。2.遇到难以解决的问题时，能够向同学、老师寻求帮助，清晰描述问题并有效沟通。3.参与社区讨论，分享自己的安装经验和解决方案，促进知识共享和团队协作。教学重点能够从AnaConda官方网址下载对应的安装包并按照提示进行安装。了解AnaConda环境变量的配置。掌握虚拟环境的创建和管理。教学难点了解AnaConda环境变量的配置。掌握虚拟环境的创建和管理。教学方法与手段教学采用教师课堂讲授为主，使用教学PPT讲解教学教材教材：教学资源1.智慧课堂2.教材附带慕课课程思政融入点1.课程思政融入点1：科学精神与工匠精神课程内容：Anaconda环境安装涉及版本匹配、依赖配置、路径设置等细节，任何疏漏（如环境变量错误、镜像源失效）都可能导致安装失败。思政融入点：引导学生认识“技术操作无小事”，培养严谨细致的科学态度——正如科研实验中“差之毫厘，谬以千里”，机器学习环境的精准配置是后续模型训练可靠性的基础，体现“实事求是、精益求精”的工匠精神。2.课程思政融入点2：共享精神与协作意识课程内容：Anaconda的安装与调试常需依赖开源社区资源：如通过清华大学镜像源加速下载、在StackOverflow查询报错解决方案、在GitHub提交issue反馈问题。思政融入点：强调“开源精神的本质是共享与协作”——全球开发者自愿贡献代码、分享经验，推动技术快速迭代，这正是“人类命运共同体”在科技领域的体现。引导学生理解“个体智慧有限，集体智慧无穷”，培养主动分享（如记录安装笔记供同学参考）、乐于协作（如小组分工解决复杂环境配置）的意识。3.课程思政融入点3：科技报国与社会责任课程内容：Anaconda作为机器学习的基础工具，是支撑AI技术落地的“基础设施”，其应用场景涵盖医疗诊断、气象预测、乡村振兴（如农产品销量预测）等国计民生领域。思政融入点：在演示环境安装的最终目的时，链接“技术服务社会”的价值导向——例如：“我们配置环境，不是为了单纯跑通代码，而是为了未来用机器学习模型优化贫困地区教育资源分配、监测环境污染”，引导学生将技术学习与“国之大者”结合，树立“科技报国”的理想。教学过程设计教学环节（用时）教学内容教师活动学生活动设计意图课程导入（45分钟）教师通过提问学生问题，引出AnaConda和虚拟环境。教师提问学生问题，例如问题是：假如有多个项目同时进行，不同项目使用不同环境应该怎么办？有哪些加快开发速度的工具？明确本节课的学习目标，让学生带着目标去听课。要求学生学会安装AnaConda；要求学生学会安装JupyterNotebook；要求学生掌握Scikit-learn；教师通过提问学生问题，引出数据分析应用场景集体讨论回答问题引入新课内容新知讲解（一）（90分钟）教师根据课件，讲述AnaConda定义、功能特点及组成。AnaConda是一个功能强大且易于使用的Python发行版本，它为用户提供了丰富的科学包、强大的包和环境管理器以及用户友好的界面，非常适合进行科学计算、数据分析、机器学习等领域的任务。教师根据课件，讲述虚拟环境是什么。虚拟环境是一种工具，它允许开发者在同一台计算机上创建多个独立的Python环境。每个环境都可以拥有自己的Python解释器版本、第三方库和依赖项，从而实现项目间的隔离。教师根据课件，介绍JupyterNotebook及适用场景。JupyterNotebook是一个基于Web的应用程序，它允许用户创建和共享包含代码、方程、可视化和文本的文档。教师根据课件，介绍Scikit-learn。Scikit-learn提供了涵盖分类、回归、聚类、降维、模型选择以及数据预处理等多个方面的机器学习算法。这些算法经过精心设计和优化，能够处理从简单到复杂的各种机器学习问题。通过课件展示AnaConda及虚拟环境的定义及应用领域。线上头脑风暴线上一句话答题步骤总结回答新知讲解实训演练（120分钟）回顾上课前的学习目标，并对本节课的重要知识点进行总结。教师根据课件，讲述AnaConda安装流程。教师根据课件，讲述JupyterNotebook配置流程并创建项目。教师根据课件，介绍JupyterNotebook页面功能。教师根据课件，介绍Scikit-learn基础使用，时间充足可实践小案例总结本次实践发现问题，解答学生疑问。带领学生开始本次实践：安装AnaConda、JupyterNotebook。介绍Scikit-learn功能，并创建小案例。3.巡回检查，解答学生问题，并总结本次实践发现问题。1.跟随教师完成本次实践，存在问题时积极提问。巩固知识点加强软件的安装流程知识深化与总结（15分钟）回顾本节课的内容总结难点和重点总结重点难点记录重点难点总结教学重点难点作业布置布置下节课堂知识预习目标。教学反思教研室审核日期院（系）审核日期《机器学习项目开发实战》课程教学设计课程名称机器学习课程类型专业基础课课程学时64适用专业人工智能、大数据、云计算课程负责人曹梦川软件学院人工智能教研室制定二〇二五年一月《机器学习项目开发实战》课程教学设计课程类别：□公共基础课□专业学习课□拓展学习课☑实践学习课标题：项目二任务一项目背景与目标授课班级：24人工智能课时：2课时授课时间：周五1-4节授课地点：A101教学目标知识目标能力（技能）目标素质目标1.掌握图像分类的定义、应用场景及其在计算机视觉领域的重要性。2.了解监督学习原理，了解监督学习的基本框架，包括训练集、测试集、特征提取、模型训练和评估等步骤。3.熟悉图像分类流程：了解从数据准备到模型评估的整个图像分类流程。4.了解并掌握图像分类任务中不可或缺的工具，如PythonImagingLibrary、OpenCV、PyTorch和torchvision等。1.能够分析图像分类任务的需求，识别关键问题和挑战。2.能够根据项目需求，合理规划项目实施的步骤和时间。3.能够查阅相关文献，了解图像分类领域的最新进展和技术趋势。1.培养对科学问题的敏感性和好奇心，具备持续学习和探索的精神。2.在项目实践中，学会与团队成员有效沟通，共同协作解决问题，并致力于提升团队协作能力。3.对项目负责，确保项目按时、高质量地完成。教学重点需调研图像分类的应用场景，理解其在实际问题中的重要性。掌握监督学习的基本原理和流程，为后续任务打下理论基础。指定项目实施的详细计划，包括任务分解、时间安排和资源分配。教学难点掌握监督学习的基本原理和流程。了解图像分类的应用场景，理解其在实际问题中的重要性。教学方法与手段教学采用教师课堂讲授为主，使用教学PPT讲解教学教材教材：教学资源1.智慧课堂2.教材附带慕课课程思政融入点1.课程思政融入点1：模型应用中的社会价值与科技伦理课程内容：介绍图像分类在各领域的应用场景及应用原理。思政融入点：强调技术应用应围绕社会需求和人民利益，树立技术服务社会的价值导向。引导学生将技术学习与国家发展需求相结合，认识到技术使用需坚守伦理底线，培养技术服从于伦理、工具服务于社会的理性认知。2.课程思政融入点2：跨领域协作中的集体主义与全局思维课程内容：讲解图像分类项目完整流程中各环节的协作需求。思政融入点：强调团队协作在项目成功中的关键作用，培养分工合作的集体主义精神。引导学生树立全局观念，认识到技术方案需兼顾多方面因素，平衡技术先进性与实际实用性，践行实事求是、以人为本的工作理念。3.课程思政融入点3：模型训练中的创新精神与传承担当课程内容：对比不同图像分类算法的迭代逻辑，讲解模型优化的思路和方法。思政融入点：以技术发展的迭代过程阐述创新与继承的关系，引导学生理解在借鉴他人成果基础上进行突破的重要性。传承攻坚克难、自主自强的科研精神，鼓励学生不满足于现有成果，勇于挑战技术难题，树立自主创新的意识。教学过程设计教学环节（用时）教学内容教师活动学生活动设计意图课程导入（15分钟）教师通过提问学生问题，引出AnaConda和虚拟环境。教师提问学生问题，例如问题是：摄像时机器怎么识别景物是花草还是人像的？猜测下图像识别应该分为哪些步骤？明确本节课的学习目标，让学生带着目标去听课。要求学生学会监督学习的基本原理；要求图像识别的概念和常见的图像源；教师通过提问学生问题，引出数据分析应用场景集体讨论回答问题引入新课内容新知讲解（一）（30分钟）教师根据课件，讲述图像识别是什么。教师根据课件，讲述监督学习的基本原理和流程。监督学习是从标记的训练数据来推断一个功能的机器学习任务。它利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程。教师根据课件，讲述常见的图像分类数据集和评估指标。教师根据课件，讲述建模流程。教师根据课件，讲述图像的基本知识。教师根据课件，讲述常见的图像基础处理技能。通过课件展示监督学习的基本原理和流程。通过课件展示常见的图像分类数据集和评估指标。通过课件展示图像的基本知识。通过课件展示常见的图像基础处理技能。线上头脑风暴线上一句话答题步骤总结回答新知讲解实训演练（40分钟）回顾上课前的学习目标，并对本节课的重要知识点进行总结。教师根据课件，讲述虚拟环境的创建流程。教师根据课件，讲述数据集选择的原因和理由。教师根据课件，介绍图像预处理功能。总结本次实践发现问题，解答学生疑问。带领学生开始本次实践：创建虚拟环境。带领学生开始本次实践：图像数据预处理。3.巡回检查，解答学生问题，并总结本次实践发现问题。1.跟随教师完成本次实践，存在问题时积极提问。巩固知识点加强软件的安装流程知识深化与总结（5分钟）回顾本节课的内容总结难点和重点总结重点难点记录重点难点总结教学重点难点作业布置布置下节课堂知识预习目标。教学反思教研室审核日期院（系）审核日期《机器学习项目开发实战》课程教学设计课程名称机器学习课程类型专业基础课课程学时64适用专业人工智能、大数据、云计算课程负责人曹梦川软件学院人工智能教研室制定二〇二五年一月《机器学习项目开发实战》课程教学设计课程类别：□公共基础课□专业学习课□拓展学习课☑实践学习课标题：项目二任务三K近邻（KNN）算法实现授课班级：24人工智能课时：2课时授课时间：周五1-4节授课地点：A101教学目标知识目标能力（技能）目标素质目标1．理解K近邻（KNN）算法的基本原理和分类机制。2．掌握KNN算法在图像分类中的应用方法。3．学习如何选择合适的距离度量方法和K值以优化分类效果。1．能够独立实现KNN算法并进行图像分类。2．能够对KNN算法的参数进行调优，提高分类准确率。3．能够分析KNN算法在图像分类中的优势和局限性。1．培养严谨的科学态度和问题解决能力。2．增强团队合作意识和沟通能力。3．提升自主学习和持续改进的能力。教学重点实现KNN算法，包括距离度量的计算和分类决策的制定。对图像数据集进行预处理，包括归一化和特征提取。使用交叉验证等方法评估模型性能，并调整K值以找到最优解。记录实验过程和结果，撰写实验报告。教学难点掌握KNN算法基本原理和流程。了解图像处理的基本概念和流程。教学方法与手段教学采用教师课堂讲授为主，使用教学PPT讲解教学教材教材：教学资源1.智慧课堂2.教材附带慕课课程思政融入点1.课程思政融入点1：模型应用中的社会价值与科技伦理课程内容：介绍图像分类在各领域的应用场景及应用原理。思政融入点：强调技术应用应围绕社会需求和人民利益，树立技术服务社会的价值导向。引导学生将技术学习与国家发展需求相结合，认识到技术使用需坚守伦理底线，培养技术服从于伦理、工具服务于社会的理性认知。2.课程思政融入点2：跨领域协作中的集体主义与全局思维课程内容：讲解图像分类项目完整流程中各环节的协作需求。思政融入点：强调团队协作在项目成功中的关键作用，培养分工合作的集体主义精神。引导学生树立全局观念，认识到技术方案需兼顾多方面因素，平衡技术先进性与实际实用性，践行实事求是、以人为本的工作理念。3.课程思政融入点3：模型训练中的创新精神与传承担当课程内容：对比不同图像分类算法的迭代逻辑，讲解模型优化的思路和方法。思政融入点：以技术发展的迭代过程阐述创新与继承的关系，引导学生理解在借鉴他人成果基础上进行突破的重要性。传承攻坚克难、自主自强的科研精神，鼓励学生不满足于现有成果，勇于挑战技术难题，树立自主创新的意识。教学过程设计教学环节（用时）教学内容教师活动学生活动设计意图课程导入（15分钟）教师通过提问学生问题，引出图像识别和监督学习。教师提问学生问题，例如问题是：摄像时机器怎么识别景物是花草还是人像的？猜测下图像识别应该分为哪些步骤？明确本节课的学习目标，让学生带着目标去听课。要求学生学会监督学习的基本原理；要求图像识别的概念和常见的图像源；教师通过提问学生问题，引出数据分析应用场景集体讨论回答问题引入新课内容新知讲解（一）（30分钟）教师根据课件，讲述图像识别是什么。教师根据课件，讲述KNN算法基础知识。KNN算法的基本思想是通过在训练数据集中找到与测试样本最邻近的K个样本，然后基于这K个“邻居”的信息来预测测试样本的类别或数值。教师根据课件，讲述常见的距离度量方法。包括：1.欧式距离、曼哈顿距离、余弦相似度。教师根据课件，讲述K值选定的原则和方法。教师根据课件，讲述图像的基本知识。教师根据课件，讲述常见的图像基础处理技能。通过课件展示KNN算法基础知识。通过课件展示常见的距离度量方法。通过课件展示K值选定的原则和方法。通过课件展示图像的基本知识。通过课件展示常见的图像基础处理技能。线上头脑风暴线上一句话答题步骤总结回答新知讲解实训演练（40分钟）回顾上课前的学习目标，并对本节课的重要知识点进行总结。教师根据课件，讲述KNN模型创建流程。教师根据课件，讲述KNN模型调优的流程，确定最优K值。总结本次实践发现问题，解答学生疑问。带领学生开始本次实践：创建KNN模型并进行优化确定最优K值。3.巡回检查，解答学生问题，并总结本次实践发现问题。1.跟随教师完成本次实践，存在问题时积极提问。巩固知识点加强软件的安装流程知识深化与总结（5分钟）回顾本节课的内容总结难点和重点总结重点难点记录重点难点总结教学重点难点作业布置布置下节课堂知识预习目标。教学反思教研室审核日期院（系）审核日期《机器学习项目开发实战》课程教学设计课程名称机器学习课程类型专业基础课课程学时64适用专业人工智能、大数据、云计算课程负责人曹梦川软件学院人工智能教研室制定二〇二五年一月《机器学习项目开发实战》课程教学设计课程类别：□公共基础课□专业学习课□拓展学习课☑实践学习课标题：项目二任务四决策树算法应用授课班级：24人工智能课时：2课时授课时间：周五1-4节授课地点：A101教学目标知识目标能力（技能）目标素质目标1．理解决策树算法的基本原理和分类过程。2．学习决策树在特征选择和模型复杂度控制中的作用。3．掌握如何使用决策树进行图像分类。1．能够运用决策树算法对图像数据进行分类。2．能够对决策树模型进行训练、评估和优化。3．能够解释决策树模型的分类结果和决策过程。1．培养独立分析问题和解决问题的能力。2．增强团队协作和沟通能力，能够在项目中承担相应的责任。3．培养批判性思维，能够对算法的性能进行客观评价。教学重点准确理解图像分类任务的需求和目标。独立完成数据预处理和特征提取工作。实现决策树算法，并进行模型训练和调优。使用合适的评价指标对模型性能进行评估，并撰写详细的报告。教学难点掌握决策树算法的基本原理和流程。了解决策树算法的优缺点和适用场景。教学方法与手段教学采用教师课堂讲授为主，使用教学PPT讲解教学教材教材：教学资源1.智慧课堂2.教材附带慕课课程思政融入点1.课程思政融入点1：模型应用中的社会价值与科技伦理课程内容：介绍图像分类在各领域的应用场景及应用原理。思政融入点：强调技术应用应围绕社会需求和人民利益，树立技术服务社会的价值导向。引导学生将技术学习与国家发展需求相结合，认识到技术使用需坚守伦理底线，培养技术服从于伦理、工具服务于社会的理性认知。2.课程思政融入点2：跨领域协作中的集体主义与全局思维课程内容：讲解图像分类项目完整流程中各环节的协作需求。思政融入点：强调团队协作在项目成功中的关键作用，培养分工合作的集体主义精神。引导学生树立全局观念，认识到技术方案需兼顾多方面因素，平衡技术先进性与实际实用性，践行实事求是、以人为本的工作理念。3.课程思政融入点3：模型训练中的创新精神与传承担当课程内容：对比不同图像分类算法的迭代逻辑，讲解模型优化的思路和方法。思政融入点：以技术发展的迭代过程阐述创新与继承的关系，引导学生理解在借鉴他人成果基础上进行突破的重要性。传承攻坚克难、自主自强的科研精神，鼓励学生不满足于现有成果，勇于挑战技术难题，树立自主创新的意识。教学过程设计教学环节（用时）教学内容教师活动学生活动设计意图课程导入（15分钟）教师通过提问学生问题，决策树知识。教师提问学生问题，例如问题是：有没有了解过决策树算法？机器学习是如何实现特征选择分类的？明确本节课的学习目标，让学生带着目标去听课。要求学生学会监督学习的基本原理；要求图像识别的概念和常见的图像源；教师通过提问学生问题，引出数据分析应用场景集体讨论回答问题引入新课内容新知讲解（一）（30分钟）教师根据课件，讲述图像识别是什么。教师根据课件，讲述决策树基础知识。决策树是一种常用的机器学习算法，主要用于分类和回归任务。它通过一系列的决策规则来预测目标变量的值。教师根据课件，讲述决策树的构建步骤。教师根据课件，讲述决策树关键概念与公式。教师根据课件，讲述决策树的优缺点和适用场景。通过课件展示决策树概念和实现步骤、优缺点。线上头脑风暴线上一句话答题步骤总结回答新知讲解实训演练（40分钟）回顾上课前的学习目标，并对本节课的重要知识点进行总结。教师根据课件，讲述决策树模型创建流程。总结本次实践发现问题，解答学生疑问。带领学生开始本次实践：创建决策模型并基于模型进行预测。3.巡回检查，解答学生问题，并总结本次实践发现问题。1.跟随教师完成本次实践，存在问题时积极提问。巩固知识点加强软件的安装流程知识深化与总结（5分钟）回顾本节课的内容总结难点和重点总结重点难点记录重点难点总结教学重点难点作业布置布置下节课堂知识预习目标。教学反思教研室审核日期院（系）审核日期《机器学习项目开发实战》课程教学设计课程名称机器学习课程类型专业基础课课程学时64适用专业人工智能、大数据、云计算课程负责人曹梦川软件学院人工智能教研室制定二〇二五年一月《机器学习项目开发实战》课程教学设计课程类别：□公共基础课□专业学习课□拓展学习课☑实践学习课标题：项目三任务一项目背景与目标授课班级：24人工智能课时：2课时授课时间：周五1-4节授课地点：A101教学目标知识目标能力（技能）目标素质目标1.理解监督学习的基本概念，特别是回归分析在监督学习中的应用。2.掌握天气预测的基本原理和在实际生活中的应用场景。3.了解不同类型的回归模型（如线性回归、随机森林回归）及其在天气预测中的作用。1.能够分析天气预测项目的需求，明确项目目标。2.能够收集和整理与天气预测相关的数据。3.能够根据项目需求，选择合适的回归模型进行初步分析。1.培养学生的数据敏感性，提高对数据价值的认识。2.培养学生的逻辑思维能力，能够从数据中提炼出有价值的信息。3.培养学生的自主学习能力和解决问题的能力。教学重点理解天气预测的实际应用背景，理解项目的重要性。掌握线性回归基本概念及在天气预报中的应用。教学难点掌握线性回归的基本概念。教学方法与手段教学采用教师课堂讲授为主，使用教学PPT讲解教学教材教材：教学资源1.智慧课堂2.教材附带慕课课程思政融入点1.课程思政融入点1：预报服务中的责任担当与民生导向课程内容：讲解天气预报在防灾减灾（如台风预警、暴雨响应）、农业生产（如作物生长期气象指导）、公共安全（如交通出行提示）等场景的应用。思政融入点：：强调“预报即责任”，引导学生认识到准确及时的预报能减少生命财产损失，树立“技术服务民生”的价值导向。通过预报信息对社会各领域的影响，培养“以人民为中心”的服务意识，将技术学习与“守护公共安全、保障社会运转”的使命相结合。2.课程思政融入点2：应对气候变化中的人类命运共同体意识课程内容：讲解长期天气预报与气候变化研究的关联，如极端天气频发的趋势分析。思政融入点：以全球气候变暖对各国的共同影响为例，阐述“气候变化是人类共同挑战”，体现人类命运共同体理念。引导学生认识到气象数据的全球共享、国际预报技术合作的重要性，培养“开放合作、共担责任”的国际视野，理解“守护地球家园需要各国协同行动”。3.课程思政融入点3：气象协作中的集体主义与全局观念课程内容：介绍天气预报背后的跨部门协作，如气象部门与应急管理、农业、交通等部门的数据共享与联动。思政融入点：强调“一个精准预报需要多方协同”，培养分工合作的集体主义精神。引导学生认识到气象工作需兼顾局部与全局（如区域降水对流域防洪的影响），树立“统筹兼顾、系统思维”的全局观念，理解“个体工作是整体链条的重要一环”教学过程设计教学环节（用时）教学内容教师活动学生活动设计意图课程导入（15分钟）教师通过提问学生问题，引出天气预报。每天的天气预报的根据是什么呢？天气预报是怎么预测天气的呢？明确本节课的学习目标，让学生带着目标去听课。要求学生学会天气预报的相关知识；要求掌握线性回归的基本概念；教师通过提问学生问题，引出数据分析应用场景集体讨论回答问题引入新课内容新知讲解（一）（75分钟）教师根据课件，讲解天气预报的相关知识。教师根据课件，讲述线性回归基础概念。教师根据课件讲解数据的来源、特性及作用。教师根据课件讲解数据集的内容及格式。教师举例讲解常见的数据错误类型和数据预处理手段。通过课件展示天气预报相关知识。通过课件展示线性回归基础知识。通过互动讲解常见的数据错误类型和相关处理手段。线上头脑风暴线上一句话答题步骤总结回答新知讲解实训演练（80分钟）回顾上课前的学习目标，并对本节课的重要知识点进行总结。教师根据课件，讲解本次项目实训的背景和目标。教师根据课件，讲解两个获取数据的常用途径，爬虫与API。读取数据并进行数据预处理。带领学生开始本次实践：通过爬虫和API获取天气基础数据。2.巡回检查，解答学生问题，并总结本次实践发现问题。1.跟随教师完成本次实践，存在问题时积极提问。巩固知识点知识深化与总结（10分钟）回顾本节课的内容总结难点和重点总结重点难点记录重点难点总结教学重点难点作业布置布置下节课堂知识预习目标。教学反思教研室审核日期院（系）审核日期《机器学习项目开发实战》课程教学设计课程名称机器学习课程类型专业基础课课程学时64适用专业人工智能、大数据、云计算课程负责人曹梦川软件学院人工智能教研室制定二〇二五年一月《机器学习项目开发实战》课程教学设计课程类别：□公共基础课□专业学习课□拓展学习课☑实践学习课标题：项目二任务五项目总结与评价授课班级：24人工智能课时：2课时授课时间：周五1-4节授课地点：A101教学目标知识目标能力（技能）目标素质目标1．理解项目总结的意义：能够认识到在项目完成后进行总结的重要性，包括对项目过程、结果和所学知识的回顾与整理。2．掌握项目评价方法：学习并掌握适用于监督学习分类项目（特别是图像分类）的评价方法，包括准确率、召回率、F1分数等指标。3．熟悉监督学习算法对比：能够理解并比较K近邻（KNN）算法和决策树算法在图像分类任务中的性能差异和适用场景。1．总结分析能力：培养独立总结项目经验、分析项目结果的能力，能够清晰地阐述项目过程中的成功与挑战。2．批判性思维：通过对比不同算法的性能，培养批判性思维，学会从多个角度评估算法的优劣。3．加强沟通与表达能力：通过撰写项目总结报告和进行项目评价，提高书面和口头表达能力，能够清晰、准确地向他人传达自己的想法和观点。1．团队合作与沟通：在项目总结阶段，鼓励团队讨论，共同提炼项目亮点与不足，提升团队合作与沟通能力。2．持续学习态度：通过项目总结，具有对监督学习算法和图像分类领域的持续学习兴趣，培养自主学习的习惯。3．责任感与职业道德：在项目评价过程中，强调诚实记录实验数据、客观分析项目结果的重要性，培养责任感和职业道德。教学重点算法比较分析：应对比K近邻（KNN）算法和决策树算法在图像分类任务中的表现。分析应涵盖算法的准确性、效率、鲁棒性等方面，并讨论不同算法适用的场景。改进措施提出：基于项目实施过程中的观察和反思，应提出具体的改进措施。这些措施可能涉及算法优化、数据处理流程改进或实验设计调整等方面。教学难点充分理解KNN与决策树算法的概念和不同点。如何结合实际场景在KNN和决策树算法之间选择合适的算法。教学方法与手段教学采用教师课堂讲授为主，使用教学PPT讲解教学教材教材：教学资源1.智慧课堂2.教材附带慕课课程思政融入点1.课程思政融入点1：模型应用中的社会价值与科技伦理课程内容：介绍图像分类在各领域的应用场景及应用原理。思政融入点：强调技术应用应围绕社会需求和人民利益，树立技术服务社会的价值导向。引导学生将技术学习与国家发展需求相结合，认识到技术使用需坚守伦理底线，培养技术服从于伦理、工具服务于社会的理性认知。2.课程思政融入点2：跨领域协作中的集体主义与全局思维课程内容：讲解图像分类项目完整流程中各环节的协作需求。思政融入点：强调团队协作在项目成功中的关键作用，培养分工合作的集体主义精神。引导学生树立全局观念，认识到技术方案需兼顾多方面因素，平衡技术先进性与实际实用性，践行实事求是、以人为本的工作理念。3.课程思政融入点3：模型训练中的创新精神与传承担当课程内容：对比不同图像分类算法的迭代逻辑，讲解模型优化的思路和方法。思政融入点：以技术发展的迭代过程阐述创新与继承的关系，引导学生理解在借鉴他人成果基础上进行突破的重要性。传承攻坚克难、自主自强的科研精神，鼓励学生不满足于现有成果，勇于挑战技术难题，树立自主创新的意识。教学过程设计教学环节（用时）教学内容教师活动学生活动设计意图课程导入（15分钟）教师通过提问学生问题，引出决策树和KNN知识。教师提问学生问题，例如问题是：KNN和决策树算法有什么不同呢？它们之间的不同点导致其适用情况有些哪些区别呢？明确本节课的学习目标，让学生带着目标去听课。要求学生学会KNN及决策树算法的原理；要求掌握常见的模型评价指标；教师通过提问学生问题，引出数据分析应用场景集体讨论回答问题引入新课内容新知讲解（一）（30分钟）教师根据课件，结合课堂提问，讲解KNN算法和决策树算法的实现逻辑和不同点。课堂讨论，KNN和决策树的不同点会导致二者有哪些优缺点。教师根据课件，讲述KNN和决策树不同的适用场景。教师提出引出下一主题：评价模型的标准可以有哪些？教师根据课件，讲述常见的模型评价指标项目。通过课件展示KNN与决策树的不同点。通过课件展示常见的模型评价指标。线上头脑风暴线上一句话答题步骤总结回答新知讲解实训演练（40分钟）回顾上课前的学习目标，并对本节课的重要知识点进行总结。教师根据课件，讲述决策树模型创建流程。总结本次实践发现问题，解答学生疑问。带领学生开始本次实践：分别创建KNN与决策树模型，对比二者实现效果。3.巡回检查，解答学生问题，并总结本次实践发现问题。1.跟随教师完成本次实践，存在问题时积极提问。巩固知识点知识深化与总结（5分钟）回顾本节课的内容总结难点和重点总结重点难点记录重点难点总结教学重点难点作业布置布置下节课堂知识预习目标。教学反思教研室审核日期院（系）审核日期《机器学习项目开发实战》课程教学设计课程名称机器学习课程类型专业基础课课程学时64适用专业人工智能、大数据、云计算课程负责人曹梦川软件学院人工智能教研室制定二〇二五年一月《机器学习项目开发实战》课程教学设计课程类别：□公共基础课□专业学习课□拓展学习课☑实践学习课标题：项目三任务一项目背景与目标授课班级：24人工智能课时：2课时授课时间：周五1-4节授课地点：A101教学目标知识目标能力（技能）目标素质目标1．理解随机森林回归的基本原理和特点。2．掌握随机森林回归在天气预测中的应用。1．能够运用Python实现随机森林回归模型。2．能够对随机森林回归模型进行训练和预测。3．能够分析随机森林回归模型在天气预测中的性能。1．培养学生的数据分析和问题解决能力。2．培养学生团队协作和沟通能力。教学重点了解随机森林基本原理和特点；掌握随机森林模型的构建构成和易错事项。教学难点了解随机森林基本原理和特点。教学方法与手段教学采用教师课堂讲授为主，使用教学PPT讲解教学教材教材：教学资源1.智慧课堂2.教材附带慕课课程思政融入点1.课程思政融入点1：预报服务中的责任担当与民生导向课程内容：讲解天气预报在防灾减灾（如台风预警、暴雨响应）、农业生产（如作物生长期气象指导）、公共安全（如交通出行提示）等场景的应用。思政融入点：：强调“预报即责任”，引导学生认识到准确及时的预报能减少生命财产损失，树立“技术服务民生”的价值导向。通过预报信息对社会各领域的影响，培养“以人民为中心”的服务意识，将技术学习与“守护公共安全、保障社会运转”的使命相结合。2.课程思政融入点2：应对气候变化中的人类命运共同体意识课程内容：讲解长期天气预报与气候变化研究的关联，如极端天气频发的趋势分析。思政融入点：以全球气候变暖对各国的共同影响为例，阐述“气候变化是人类共同挑战”，体现人类命运共同体理念。引导学生认识到气象数据的全球共享、国际预报技术合作的重要性，培养“开放合作、共担责任”的国际视野，理解“守护地球家园需要各国协同行动”。3.课程思政融入点3：气象协作中的集体主义与全局观念课程内容：介绍天气预报背后的跨部门协作，如气象部门与应急管理、农业、交通等部门的数据共享与联动。思政融入点：强调“一个精准预报需要多方协同”，培养分工合作的集体主义精神。引导学生认识到气象工作需兼顾局部与全局（如区域降水对流域防洪的影响），树立“统筹兼顾、系统思维”的全局观念，理解“个体工作是整体链条的重要一环”教学过程设计教学环节（用时）教学内容教师活动学生活动设计意图课程导入（15分钟）教师通过提问学生问题，引出随机森林算法。有没有听说过随机森林算法？天气预报是怎么预测天气的呢？明确本节课的学习目标，让学生带着目标去听课。要求学生学会天气预报的相关知识；要求掌握线性回归的基本概念；教师通过提问学生问题，引出数据分析应用场景集体讨论回答问题引入新课内容新知讲解（一）（75分钟）教师根据课件，讲解天气预报的相关知识。教师根据课件，讲述随机森林基础概念。教师根据课件讲解随机森林的优势。教师根据课件讲解随机森林参数。通过课件展示天气预报相关知识。通过课件展示线性回归基础知识。通过互动讲解常见的数据错误类型和相关处理手段。线上头脑风暴线上一句话答题步骤总结回答新知讲解实训演练（80分钟）回顾上课前的学习目标，并对本节课的重要知识点进行总结。教师根据课件，进行数据预处理，创建训练集和测试集教师根据课件，进行随机森林模型的构建。带领学生开始本次实践：进行数据预处理，创建训练集和测试集并构建随机森林模型。2.巡回检查，解答学生问题，并总结本次实践发现问题。1.跟随教师完成本次实践，存在问题时积极提问。巩固知识点知识深化与总结（10分钟）回顾本节课的内容总结难点和重点总结重点难点记录重点难点总结教学重点难点作业布置布置下节课堂知识预习目标。教学反思教研室审核日期院（系）审核日期《机器学习项目开发实战》课程教学设计课程名称机器学习课程类型专业基础课课程学时64适用专业人工智能、大数据、云计算课程负责人曹梦川软件学院人工智能教研室制定二〇二五年一月《机器学习项目开发实战》课程教学设计课程类别：□公共基础课□专业学习课□拓展学习课☑实践学习课标题：项目三任务五特征选择与模型优化授课班级：24人工智能课时：2课时授课时间：周五1-4节授课地点：A101教学目标知识目标能力（技能）目标素质目标1.理解特征选择的意义及其对模型性能的影响。2.掌握常用的特征选择方法，如过滤法、包装法和嵌入法。3.了解模型优化的常见方法，包括超参数调优和正则化。1.能够根据数据特点选择合适的特征选择方法。2.能够使用网格搜索和随机搜索进行超参数调优。3.能够结合特征选择和模型优化提升回归模型的性能。1.培养数据驱动的思维方式，注重特征和模型优化的实际效果。2.培养严谨的科学态度，注重实验设计和结果的可复现性。3.提升解决实际问题的能力，能够根据任务需求灵活选择方法。教学重点掌握常用的特征选择方法；掌握常见的模型优化方法。教学难点掌握常用的特征选择方法；掌握常见的模型优化方法。教学方法与手段教学采用教师课堂讲授为主，使用教学PPT讲解教学教材教材：教学资源1.智慧课堂2.教材附带慕课课程思政融入点1.课程思政融入点1：预报服务中的责任担当与民生导向课程内容：讲解天气预报在防灾减灾（如台风预警、暴雨响应）、农业生产（如作物生长期气象指导）、公共安全（如交通出行提示）等场景的应用。思政融入点：：强调“预报即责任”，引导学生认识到准确及时的预报能减少生命财产损失，树立“技术服务民生”的价值导向。通过预报信息对社会各领域的影响，培养“以人民为中心”的服务意识，将技术学习与“守护公共安全、保障社会运转”的使命相结合。2.课程思政融入点2：应对气候变化中的人类命运共同体意识课程内容：讲解长期天气预报与气候变化研究的关联，如极端天气频发的趋势分析。思政融入点：以全球气候变暖对各国的共同影响为例，阐述“气候变化是人类共同挑战”，体现人类命运共同体理念。引导学生认识到气象数据的全球共享、国际预报技术合作的重要性，培养“开放合作、共担责任”的国际视野，理解“守护地球家园需要各国协同行动”。3.课程思政融入点3：气象协作中的集体主义与全局观念课程内容：介绍天气预报背后的跨部门协作，如气象部门与应急管理、农业、交通等部门的数据共享与联动。思政融入点：强调“一个精准预报需要多方协同”，培养分工合作的集体主义精神。引导学生认识到气象工作需兼顾局部与全局（如区域降水对流域防洪的影响），树立“统筹兼顾、系统思维”的全局观念，理解“个体工作是整体链条的重要一环”教学过程设计教学环节（用时）教学内容教师活动学生活动设计意图课程导入（15分钟）教师通过提问学生问题，引出特征选择。下雨前都会有什么现象呢？下雨后，不同地区会有什么区域反应呢？明确本节课的学习目标，让学生带着目标去听课。要求学生了解特征选择方法和模型优化方法；教师通过提问学生问题，引出数据分析应用场景集体讨论回答问题引入新课内容新知讲解（一）（30分钟）教师根据课件，讲解特征选择方法。教师根据课件，讲述模型优化方法。通过课件1.讲解特征选择方法。通过课件讲述模型优化方法。线上头脑风暴线上一句话答题步骤总结回答新知讲解实训演练（80分钟）回顾上课前的学习目标，并对本节课的重要知识点进行总结。教师根据课件，进行数据预处理，创建训练集和测试集教师根据课件，进行随机森林模型的构建。带领学生开始本次实践：进行数据预处理，创建训练集和测试集并构建随机森林模型。2.巡回检查，解答学生问题，并总结本次实践发现问题。1.跟随教师完成本次实践，存在问题时积极提问。巩固知识点知识深化与总结（10分钟）回顾本节课的内容总结难点和重点总结重点难点记录重点难点总结教学重点难点作业布置布置下节课堂知识预习目标。教学反思教研室审核日期院（系）审核日期《机器学习项目开发实战》课程教学设计课程名称机器学习课程类型专业基础课课程学时64适用专业人工智能、大数据、云计算课程负责人曹梦川软件学院人工智能教研室制定二〇二五年一月《机器学习项目开发实战》课程教学设计课程类别：□公共基础课□专业学习课□拓展学习课☑实践学习课标题：项目四任务一项目背景与目标授课班级：24人工智能课时：2课时授课时间：周五1-4节授课地点：A101教学目标知识目标能力（技能）目标素质目标1.掌握客户市场细分的基本定义、步骤及其在商业中的应用。2.掌握无监督学习的定义、特点及其在市场细分中的应用价值。3.了解聚类分析的基本原理、分类及其选择等。1.能够分析客户市场细分项目的需求，明确项目目标。2.能够收集整理客户市场行为数据。3.能够根据项目需求选择合适的聚类方法进行分析。1.培养学生的数据敏感性，提高对数据价值的认识。2.培养学生团队合作的能力和沟通能力。3.培养学生商业洞察力，能够把数据中的信息应用于实际业务场景。教学重点掌握无监督学习的原理和分类。掌握聚类算法的原理和分类，能够根据实际情况选择合适的聚类算法。教学难点掌握无监督学习的原理和分类。掌握聚类算法的原理和分类，能够根据实际情况选择合适的聚类算法。教学方法与手段教学采用教师课堂讲授为主，使用教学PPT讲解教学教材教材：教学资源1.智慧课堂2.教材附带慕课课程思政融入点1.课程思政融入点1：数据预处理中的科学诚信与客观精神课程内容：讲解客户数据清洗（如缺失值处理、异常值识别）、特征选择（如剔除无关变量、避免数据偏差）在市场细分中的基础作用。思政融入点：强调“数据是市场细分的基石”，引导学生认识到篡改数据、选择性保留样本等行为会导致细分结果失真，违背“实事求是”的科学原则。通过规范数据预处理流程，培养“尊重原始数据、不主观臆断”的诚信意识，树立“用客观数据说话”的理性思维，反对为迎合预设结论而操纵数据的浮躁心态。2.课程思政融入点2：市场细分结果应用中的责任意识与伦理底线课程内容：讲解客户市场细分在精准营销（如个性化服务推送）、产品优化（如针对不同群体设计功能）等场景的落地。思政融入点：强调“细分不是标签化，而是为了更好地满足需求”，引导学生警惕将客户群体简单归类可能引发的歧视（如价格歧视、服务差别对待），树立“技术服务于公平交易”的伦理意识。通过分析细分结果对客户权益的影响，培养“尊重个体差异、拒绝过度商业化”的责任担当，将技术应用与“保护消费者权益”的社会准则相结合。3.课程思政融入点3：算法选择与优化中的创新思维与务实态度课程内容：介绍无监督学习算法（如K-means、层次聚类）的适用场景，讲解算法参数调优（如确定最佳聚类数）、模型评估（如轮廓系数分析）的逻辑。思政融入点：以“没有万能算法，只有最适合的方案”为核心，引导学生理解“创新不是盲目追求复杂算法，而是基于实际需求选择并优化工具”。通过对比不同算法在客户细分中的效果差异，培养“具体问题具体分析”的务实态度，鼓励学生在借鉴经典算法的基础上，结合行业特点探索改进思路，传承“求真务实、勇于突破”的创新精神。教学过程设计教学环节（用时）教学内容教师活动学生活动设计意图课程导入（15分钟）教师通过提问学生问题，引出无监督学习。商家举办活动的依据是什么呢？购物网站是怎么实现商品推荐的呢（对比监督学习）？明确本节课的学习目标，让学生带着目标去听课。要求学生了解无监督学习的原理和分类；要求学生了解聚类算法的原理和分类；教师通过提问学生问题，引出数据分析应用场景集体讨论回答问题引入新课内容新知讲解（一）（75分钟）教师结合课件，采用课堂提问的形式，讲解客户市场细分的定义和重要性。教师根据课件，讲述无监督学习的原理和分类（可对比监督学习）。教师根据课件，讲述聚类算法的原理和分类。教师结合课件讲述数据预处理的常见数据异常类型。教师结合课件讲述数据探索方式，描述性统计和数据可视化。教师结合课件讲解常用数据处理库，Pandas库、Matplotlib库、Seaborn库等通过课互动的形式讲解客户时长细分的定义和重要性。通过课件讲述无监督学习的原理和分类。通过课件讲述聚类算法的原理和分类。线上头脑风暴线上一句话答题步骤总结回答新知讲解实训演练（80分钟）回顾上课前的学习目标，并对本节课的重要知识点进行总结。教师根据课件，介绍项目背景和项目目标。教师根据课件，介绍实训数据特点。教师结合课件讲解数据探索命令及其效果。教师根据课件，讲解数据可视化步骤和效果。教师演示数据预处理步骤及效果。带领学生开始本次实践：进行数据获取与数据预处理。2.巡回检查，解答学生问题，并总结本次实践发现问题。1.跟随教师完成本次实践，存在问题时积极提问。巩固知识点知识深化与总结（10分钟）回顾本节课的内容总结难点和重点总结重点难点记录重点难点总结教学重点难点作业布置布置下节课堂知识预习目标。教学反思教研室审核日期院（系）审核日期《机器学习项目开发实战》课程教学设计课程名称机器学习课程类型专业基础课课程学时64适用专业人工智能、大数据、云计算课程负责人曹梦川软件学院人工智能教研室制定二〇二五年一月

《机器学习项目开发实战》课程教学设计课程类别：□公共基础课□专业学习课□拓展学习课☑实践学习课标题：项目四任务三K-means聚类分析授课班级：24人工智能课时：2课时授课时间：周五1-4节授课地点：A101教学目标知识目标能力（技能）目标素质目标1.理解K-means算法之前需要对数据进行标准化处理的原因，并掌握数据标准化的方法。2.探索并学会使用不同的技术方法（肘部法、轮廓系数、类的平均直径法）来确定K-means聚类分析中最优的簇数量（K值）的方法3.掌握K-means算法对数据集进行聚类分析的过程，并对聚类结果进行解释。1.能够在使用K-means算法前，对数据集中的相关特征进行标准化处理，并能够理解这一过程的重要性。2.能够运用多种方法（如肘部法、轮廓系数、类的平均直径法）探索并确定K-means聚类分析中最优的簇数量（K值）。1.能够根据确定的最佳K值，实施K-means聚类分析，并能解释和分析聚类结果。1.具备数据处理的敏感度和技能，培养对不同尺度数据进行处理的能力，提高分析结果的准确性和有效性。2.发展运用多种方法，实施聚类分析的能力。3.展现数据分析与解释的专业能力，有效地解释和分析所得的聚类结果，识别数据中的潜在模式和群体特征。教学重点根据K-means算法的要求，首先需要对《商场顾客数据》（Mall_Custom.csv）中的相关特征数据进行标准化处理。确定K-means算法中最佳的簇数量（即最优K值），并尝试多种方法进行探索，包括肘部法、轮廓系数、类的平均直径法。使用上述步骤中确定的最佳K值完成聚类分析。教学难点掌握K-means算法原理和步骤。认识到最佳K值对算法的重要意义。教学方法与手段教学采用教师课堂讲授为主，使用教学PPT讲解教学教材教材：教学资源1.智慧课堂2.教材附带慕课课程思政融入点1.课程思政融入点1：数据预处理中的科学诚信与客观精神课程内容：讲解客户数据清洗（如缺失值处理、异常值识别）、特征选择（如剔除无关变量、避免数据偏差）在市场细分中的基础作用。思政融入点：强调“数据是市场细分的基石”，引导学生认识到篡改数据、选择性保留样本等行为会导致细分结果失真，违背“实事求是”的科学原则。通过规范数据预处理流程，培养“尊重原始数据、不主观臆断”的诚信意识，树立“用客观数据说话”的理性思维，反对为迎合预设结论而操纵数据的浮躁心态。2.课程思政融入点2：市场细分结果应用中的责任意识与伦理底线课程内容：讲解客户市场细分在精准营销（如个性化服务推送）、产品优化（如针对不同群体设计功能）等场景的落地。思政融入点：强调“细分不是标签化，而是为了更好地满足需求”，引导学生警惕将客户群体简单归类可能引发的歧视（如价格歧视、服务差别对待），树立“技术服务于公平交易”的伦理意识。通过分析细分结果对客户权益的影响，培养“尊重个体差异、拒绝过度商业化”的责任担当，将技术应用与“保护消费者权益”的社会准则相结合。3.课程思政融入点3：算法选择与优化中的创新思维与务实态度课程内容：介绍无监督学习算法（如K-means、层次聚类）的适用场景，讲解算法参数调优（如确定最佳聚类数）、模型评估（如轮廓系数分析）的逻辑。思政融入点：以“没有万能算法，只有最适合的方案”为核心，引导学生理解“创新不是盲目追求复杂算法，而是基于实际需求选择并优化工具”。通过对比不同算法在客户细分中的效果差异，培养“具体问题具体分析”的务实态度，鼓励学生在借鉴经典算法的基础上，结合行业特点探索改进思路，传承“求真务实、勇于突破”的创新精神。教学过程设计教学环节（用时）教学内容教师活动学生活动设计意图课程导入（15分钟）教师通过提问学生问题，引出K-means算法。购物网站是怎么对顾客进行分类的呢，分类依据是什么？购物网站是把顾客分类的数量是怎么确定的呢？明确本节课的学习目标，让学生带着目标去听课。要求学生了解K-means算法的原理和优缺点；要求学生了解K-means++算法的原理和优缺点；要求学生认识最佳K值的获取方式和重要性；教师通过提问学生问题，引出数据分析应用场景集体讨论回答问题引入新课内容新知讲解（一）（30分钟）教师结合课件，讲解K-means算法原理和优缺点。教师结合课件，讲解K-means++算法原理和优缺点。教师根据课件，讲述最佳K值的重要性和常见获取方法。通过课互动的形式讲解客户时长细分的定义和重要性。通过课件讲述无监督学习的原理和分类。通过课件讲述聚类算法的原理和分类。线上头脑风暴线上一句话答题步骤总结回答新知讲解实训演练（80分钟）回顾上课前的学习目标，并对本节课的重要知识点进行总结。教师根据课件，数据标准化的必要性和实施步骤。教师根据课件，介绍最佳K值的获取方式。教师根据课件，讲解聚类的实施步骤。对实施步骤进行总结。带领学生开始本次实践：获取最佳K值并进行数据聚类。2.巡回检查，解答学生问题，并总结本次实践发现问题。1.跟随教师完成本次实践，存在问题时积极提问。巩固知识点知识深化与总结（10分钟）回顾本节课的内容总结难点和重点总结重点难点记录重点难点总结教学重点难点作业布置布置下节课堂知识预习目标。教学反思教研室审核日期院（系）审核日期《机器学习项目开发实战》课程教学设计课程名称机器学习课程类型专业基础课课程学时64适用专业人工智能、大数据、云计算课程负责人曹梦川软件学院人工智能教研室制定二〇二五年一月

《机器学习项目开发实战》课程教学设计课程类别：□公共基础课□专业学习课□拓展学习课☑实践学习课标题：项目四任务四层次聚类尝试授课班级：24人工智能课时：2课时授课时间：周五1-4节授课地点：A101教学目标知识目标能力（技能）目标素质目标1.掌握层次聚类的基本原理与操作流程，包括数据预处理、选择合适距离度量标准及链接准则等关键步骤。2.探索不同的策略来估算聚类中心的确定方法。3.利用可视化工具（如树状图）展示聚类过程和结果，深入分析每个细分群体的特点及其潜在含义。1.具备独立应用层次聚类算法的能力。2.具备探索不同策略来估算层次聚类中每个细分群体的中心点的能力。3.能够使用可视化工具展示层次聚类过程和结果，能够将复杂的聚类分析结果转化为清晰、有价值的市场细分信息。1.具备深刻理解并灵活应用层次聚类算法的能力2.培养评估和确定最佳簇数量的专业判断力。3.掌握全面的数据分析流程及结果解读能力，体现综合分析素养。教学重点应用层次聚类技术对消费者行为数据进行细分。在层次聚类过程中，探索并实施有效的方法来确定细分群体的聚类中心。通过对聚类结果的深入分析，清晰描述各个细分群体的特征和消费倾向。教学难点理解凝聚层次聚类算法的步骤和优缺点;理解分裂层次聚类算法的步骤和优缺点。教学方法与手段教学采用教师课堂讲授为主，使用教学PPT讲解教学教材教材：教学资源1.智慧课堂2.教材附带慕课课程思政融入点1.课程思政融入点1：数据预处理中的科学诚信与客观精神课程内容：讲解客户数据清洗（如缺失值处理、异常值识别）、特征选择（如剔除无关变量、避免数据偏差）在市场细分中的基础作用。思政融入点：强调“数据是市场细分的基石”，引导学生认识到篡改数据、选择性保留样本等行为会导致细分结果失真，违背“实事求是”的科学原则。通过规范数据预处理流程，培养“尊重原始数据、不主观臆断”的诚信意识，树立“用客观数据说话”的理性思维，反对为迎合预设结论而操纵数据的浮躁心态。2.课程思政融入点2：市场细分结果应用中的责任意识与伦理底线课程内容：讲解客户市场细分在精准营销（如个性化服务推送）、产品优化（如针对不同群体设计功能）等场景的落地。思政融入点：强调“细分不是标签化，而是为了更好地满足需求”，引导学生警惕将客户群体简单归类可能引发的歧视（如价格歧视、服务差别对待），树立“技术服务于公平交易”的伦理意识。通过分析细分结果对客户权益的影响，培养“尊重个体差异、拒绝过度商业化”的责任担当，将技术应用与“保护消费者权益”的社会准则相结合。3.课程思政融入点3：算法选择与优化中的创新思维与务实态度课程内容：介绍无监督学习算法（如K-means、层次聚类）的适用场景，讲解算法参数调优（如确定最佳聚类数）、模型评估（如轮廓系数分析）的逻辑。思政融入点：以“没有万能算法，只有最适合的方案”为核心，引导学生理解“创新不是盲目追求复杂算法，而是基于实际需求选择并优化工具”。通过对比不同算法在客户细分中的效果差异，培养“具体问题具体分析”的务实态度，鼓励学生在借鉴经典算法的基础上，结合行业特点探索改进思路，传承“求真务实、勇于突破”的创新精神。教学过程设计教学环节（用时）教学内容教师活动学生活动设计意图课程导入（15分钟）教师通过提问学生问题，引出层次聚类算法。购物网站把客户进行分类的依据有哪些呢？明确本节课的学习目标，让学生带着目标去听课。要求学生了解凝聚层次聚类算法的原理和优缺点；要求学生了解分类层次聚类算法的原理和优缺点；教师通过提问学生问题，引出数据分析应用场景集体讨论回答问题引入新课内容新知讲解（一）（30分钟）教师结合课件，讲解凝聚层次聚类算法。教师结合课件，讲解分类层次聚类算法原理和优缺点。教师根据课件，讲述树状图的概念和作用。通过课件讲述凝聚层次聚类算法。通过课件讲述分类层次聚类算法原理和优缺点。通过课件讲述树状图的概念和作用。线上头脑风暴线上一句话答题步骤总结回答新知讲解实训演练（40分钟）回顾上课前的学习目标，并对本节课的重要知识点进行总结。教师根据课件，数据标准化的必要性和实施步骤。教师根据课件，介绍最优簇数实施步骤。教师根据课件，讲解三、凝聚层次聚类的实施步骤。对实施步骤进行总结。带领学生开始本次实践：用层次聚类的方法进行聚类分析。2.巡回检查，解答学生问题，并总结本次实践发现问题。1.跟随教师完成本次实践，存在问题时积极提问。巩固知识点知识深化与总结（10分钟）回顾本节课的内容总结难点和重点总结重点难点记录重点难点总结教学重点难点作业布置布置下节课堂知识预习目标。教学反思教研室审核日期院（系）审核日期《机器学习项目开发实战》课程教学设计课程名称机器学习课程类型专业基础课课程学时64适用专业人工智能、大数据、云计算课程负责人曹梦川软件学院人工智能教研室制定二〇二五年一月《机器学习项目开发实战》课程教学设计课程类别：□公共基础课□专业学习课□拓展学习课☑实践学习课标题：项目四任务五聚类结果解释与应用授课班级：24人工智能课时：2课时授课时间：周五1-4节授课地点：A101教学目标知识目标能力（技能）目标素质目标1.掌握从聚类结果中提取每个簇的核心特征和模式的方法，并能够准确描述各个簇的主要属性及其与其他簇的区别。2.了解并应用多种评估指标（如轮廓系数）衡量聚类结果的有效性和合理性，确保所得到的分群结构能够真实反映数据的内在规律。3.掌握将聚类分析结果结合具体业务场景，转化为实际可操作的策略。1.具备从聚类结果中提取每个簇核心特征和模式的能力，能够准确描述各个簇的主要属性及其与其他簇的区别，并能够基于这些分析对聚类结果进行合理解释。2.具备应用多种评估指标（如轮廓系数）衡量聚类结果的能力。3.具备结合具体业务场景或研究问题，将聚类分析结果转化为实际可操作策略或决策支持的能力。1.培养学生数据分析与解读的能力，对复杂数据结构的敏感性，提升其从数据中提炼关键信息的能力。2.培养学生严谨的态度和批判性思维，确保分析结果能够真实反映数据的内在规律。3.培养学生结合具体业务需求或研究问题设计解决方案的能力。教学重点根据前期任务聚类分析结果，明确每个群体的特征（如收入水平、消费习惯、购买偏好等）。结合实际业务场景，深入分析各群体的特性及其潜在价值，解释聚类结果在商业场景中的意义。根据聚类分析结果，制定针对性的营销策略或优化建议。教学难点理解群体特征分析的概念和重要性；掌握群体价值挖掘的重要性和应用场景。教学方法与手段教学采用教师课堂讲授为主，使用教学PPT讲解教学教材教材：教学资源1.智慧课堂2.教材附带慕课课程思政融入点1.课程思政融入点1：数据预处理中的科学诚信与客观精神课程内容：讲解客户数据清洗（如缺失值处理、异常值识别）、特征选择（如剔除无关变量、避免数据偏差）在市场细分中的基础作用。思政融入点：强调“数据是市场细分的基石”，引导学生认识到篡改数据、选择性保留样本等行为会导致细分结果失真，违背“实事求是”的科学原则。通过规范数据预处理流程，培养“尊重原始数据、不主观臆断”的诚信意识，树立“用客观数据说话”的理性思维，反对为迎合预设结论而操纵数据的浮躁心态。2.课程思政融入点2：市场细分结果应用中的责任意识与伦理底线课程内容：讲解客户市场细分在精准营销（如个性化服务推送）、产品优化（如针对不同群体设计功能）等场景的落地。思政融入点：强调“细分不是标签化，而是为了更好地满足需求”，引导学生警惕将客户群体简单归类可能引发的歧视（如价格歧视、服务差别对待），树立“技术服务于公平交易”的伦理意识。通过分析细分结果对客户权益的影响，培养“尊重个体差异、拒绝过度商业化”的责任担当，将技术应用与“保护消费者权益”的社会准则相结合。3.课程思政融入点3：算法选择与优化中的创新思维与务实态度课程内容：介绍无监督学习算法（如K-means、层次聚类）的适用场景，讲解算法参数调优（如确定最佳聚类数）、模型评估（如轮廓系数分析）的逻辑。思政融入点：以“没有万能算法，只有最适合的方案”为核心，引导学生理解“创新不是盲目追求复杂算法，而是基于实际需求选择并优化工具”。通过对比不同算法在客户细分中的效果差异，培养“具体问题具体分析”的务实态度，鼓励学生在借鉴经典算法的基础上，结合行业特点探索改进思路，传承“求真务实、勇于突破”的创新精神。教学过程设计教学环节（用时）教学内容教师活动学生活动设计意图课程导入（15分钟）教师通过提问学生问题，引出特征选择。购物网站将客户分类后怎么提取群体特征呢？明确本节课的学习目标，让学生带着目标去听课。要求学生了解一、群体特征分析与解释的方式和重要性；要求学生了解群体价值挖掘与定位的场景和重要性；教师通过提问学生问题，引出数据分析应用场景集体讨论回答问题引入新课内容新知讲解（一）（30分钟）教师结合课件，讲解群体特征分析与解释。群体特征分析与解释是指在对数据进行聚类分析后，通过对每个群体的关键特征进行统计分析和描述，结合业务背景理解这些特征的意义，从而揭示不同群体的行为模式、偏好和潜在价值的过程。教师结合课件，讲解群体价值挖掘与定位。群体价值挖掘与定位是指在对数据进行聚类分析并提取群体特征后，进一步评估每个群体的潜在商业价值，并根据其价值进行精准定位的过程。通过课件讲述群体特征分析与解释。通过课件讲述群体价值挖掘与定位。线上头脑风暴线上一句话答题步骤总结回答新知讲解实训演练（40分钟）回顾上课前的学习目标，并对本节课的重要知识点进行总结。教师根据课件，课堂互动，讲解特征分析。教师根据课件，讲解二、聚类群体分析。对实施步骤进行总结。带领学生开始本次实践：在聚类分析结果的基础上，对每个类别进行特征分析，以及群体分析。2.巡回检查，解答学生问题，并总结本次实践发现问题。1.跟随教师完成本次实践，存在问题时积极提问。巩固知识点知识深化与总结（10分钟）回顾本节课的内容总结难点和重点总结重点难点记录重点难点总结教学重点难点作业布置布置下节课堂知识预习目标。教学反思教研室审核日期院（系）审核日期《机器学习项目开发实战》课程教学设计课程名称机器学习课程类型专业基础课课程学时64适用专业人工智能、大数据、云计算课程负责人曹梦川软件学院人工智能教研室制定二〇二五年一月《机器学习项目开发实战》课程教学设计课程类别：□公共基础课□专业学习课□拓展学习课☑实践学习课标题：项目五任务一项目背景与目标授课班级：24人工智能课时：4课时授课时间：周五1-4节授课地点：A101教学目标知识目标能力（技能）目标素质目标1.理解深度学习的概念，特别是神经网络在深度学习中的应用。2.明确人脸识别的基本原理，以及在实际生活中的应用场景。3.掌握神经网络在人脸识别中的应用。1.能够分析人脸识别项目的项目需求以及项目目标。2.能够收集整理本项目所需的人脸数据集。3.能够根据项目需求选择合适的框架进行分析。1.培养学生对技术发展和社会需求的敏感性，提升其在技术与社会交叉领域的分析能力。2.培养学生以目标为导向的思维方式，以及对技术应用价值进行深度思考和评估的能力。3.培养学生的技术认知能力和创新思维，使其能够将技术知识灵活应用于实际问题，并具备探索新技术、新场景的潜力。教学重点调研与分析项目背景，理解项目的重要性与必要性。确定项目目标，包括框架选择、识别准确性等。收集并整理相关数据，为后续项目开展做准备。教学难点熟悉人脸识别的技术原理；掌握人脸识别的实现方式。教学方法与手段教学采用教师课堂讲授为主，使用教学PPT讲解教学教材教材：教学资源1.智慧课堂2.教材附带慕课课程思政融入点1.课程思政融入点1：人脸数据采集与处理中的隐私保护意识课程内容：讲解人脸图像数据的采集规范（如授权机制）、预处理（如脱敏处理、数据加密）在模型训练中的基础要求。思政融入点：强调“人脸数据属于敏感个人信息”，引导学生认识到未经授权采集、滥用数据会侵犯他人权益，违背“尊重个人隐私”的道德准则。通过规范数据处理流程，培养“合法合规使用数据”的法治观念，树立“技术发展不能以牺牲隐私为代价”的底线思维，反对为追求模型效果而无视数据伦理的行为。2.课程思政融入点2：网络模型构建与训练中的科学严谨与创新精神课程内容：介绍深度神经网络（如CNN、FaceNet）的结构设计、参数调优（如损失函数选择、迭代次数设置）、模型泛化能力提升方法时。思政融入点：强调“模型的准确性源于对细节的把控”，引导学生理解“每一层网络的设计、每一次参数的调整都影响识别效果”，培养精益求精的科学态度。通过对比不同网络结构在人脸识别中的性能差异，鼓励学生在借鉴经典模型的基础上探索改进方案，传承“勇于突破、追求卓越”的创新精神，反对墨守成规的保守思维。3.课程思政融入点3：技术发展中的人文关怀与社会价值导向课程内容：分析人脸识别技术在特殊群体服务（如帮助走失老人回家）、无障碍设施优化（如辅助残障人士身份验证）等方面的积极作用时。思政融入点：强调“技术的终极价值是服务于人”，引导学生将技术学习与“以人为本”的理念结合，通过技术创新为弱势群体提供便利，体现“科技向善”的人文关怀。同时警示技术应用的潜在风险，培养“平衡技术进步与社会福祉”的全局思维，呼应“构建和谐社会”的时代要求。教学