机器学习 教学大纲

《机器学习》课程教学大纲一、课程基本信息1．课程编号：2．课程平台：专业教育平台3．课程模块：专业拓展选修课程模块4．课程性质：选修5．学时/学分：48学时/3学分6．先修课程：概率论，线性代数7．适用专业：工科类专业二、课程目标及学生应达到的能力《机器学习》是工科类本科专业选修课程，其是一门理论与实践结合很紧密的课程。在教学方法上，将课堂教学、课堂讨论、案例教学、专题研讨等有机地结合，充分利用多媒体教学手段提高教学效率。结合课程本身的知识点，将专业知识与思政育人元素相融合，引导学生树立正确的人生观、价值观和世界观。课程目标及能力要求具体如下：课程目标1.掌握机器学习的数学基础，能运用线性代数、概率论等数学知识，进行机器学习系统的建模以及性能分析。课程目标2.掌握机器学习系统的基本原理，包括回归、分类以及系统的评价，运用这些基本原理和方法解决实际问题。课程目标3.通过实际案例讲解以及实验环节设计，开阔学生的视野，锻炼学生的自主学习能力，动手能力以及解决工程问题的能力。三、课程目标和毕业要求的对应关系毕业要求毕业要求指标点课程目标工程知识能够将数学、自然科学、工程基础和专业知识用于本专业领域复杂工程问题的适当表述。1使用现代工具1.能够选择与使用恰当的技术、资源和现代工具，对本专业复杂工程问题进行分析、计算与设计。2.能够针对具体的工程问题对象，通过组合、改进、二次开发等方式创造性地使用技术、资源和现代工具进行模拟和预测，并能够分析其局限性。2终身学习具有自主学习的能力，包括对技术问题的理解能力、归纳总结能力、提出问题能力、批判思维和创造性能力。3四、课程思政育人目标强化学生辩证思维，提升学生工程素养，培养学生创新意识，激发学生科技报国的家国情怀和使命担当。五、课程教学内容和要求总学时48学时，理论学时36学时，实践学时12学时。序号知识单元（章节）知识点教学要求推荐学时教学方式支撑课程目标1绪论机器学习的基本概念掌握1课堂讲授1机器学习的发展和应用了解12机器学习数学基础线性代数掌握1课堂讲授1,2概率与信息论掌握1最优化理论掌握23回归模型一元线性回归掌握1课堂讲授实验教学1,2多元线性回归掌握多项式回归掌握正则化方法掌握2逻辑回归掌握应用案例和实践了解4决策树决策树基本框架掌握2课堂讲授实验教学1,2属性选择掌握属性测试掌握剪枝处理掌握应用案例和实践掌握25支持向量机硬间隔线性支持向量机掌握2课堂讲授实验教学1,2软间隔线性支持向量机掌握核支持向量机掌握应用案例和实践掌握26贝叶斯分类器贝叶斯决策公式掌握1课堂讲授实验教学1,2极大似然估计掌握贝叶斯分类器掌握应用案例和实践掌握17聚类基本原理掌握2课堂讲授实验教学1,2聚类算法掌握应用案例和实践掌握28集成学习集成学习基本思想掌握2课堂讲授实验教学1,2集成策略掌握集成学习主要算法掌握应用案例和实践掌握29降维线性降维掌握2课堂讲授实验教学1,2非线性降维掌握应用案例和实践掌握210神经网络前馈神经网络掌握2课堂讲授实验教学1,2卷积神经网络掌握2循环神经网络掌握2Transformer了解2应用案例和实践掌握511研究性教学前沿技术研讨和应用了解4课堂讲授实验教学1,2,3六、课程教学方法课程的教学分为课堂教学、课程思政、实验教学和研究性教学四部分。课堂教学偏重基本概念和基本知识，并从宏观上引导学生总体把握课程内容。课程思政在进行知识传授、能力培养的同时实现价值塑造。实验教学通过编程实现机器学习的基本算法、解决实际问题，加强学生对理论知识的理解。研究性学习包含课程知识的综合应用和自主学习，增强学生理解理论在工程中应用的指导性和局限性，同时锻炼学生的表达能力。1．课堂教学共36学时，采用多媒体电子教案为主，板书为辅，引导学生掌握机器学习的基本理论和基本方法，通过图形化的方法帮助学生理解基本概念，不过分强调繁琐的数学推导，注重新理论和新技术与经典理论的有机结合。由于本课程的实践性很强，在课程讲授过程中，应结合实际中的经典与热点案例，调动学生的学习兴趣，锻炼学生的自主学习与探究能力。2.课程思政将课程思政案例（如下表所示）有机融入相关知识点和教学环节，在进行知识传授、能力培养的同时实现价值塑造。3．实验教学学生在理解机器学习算法的基础上进行编程实现，体会理论在工程中应用的指导性和局限性。4．专题研讨（研究性学习）以实际工程问题出发，学生通过查阅相关资料，进行系统方案设计和实现，并撰写实验报告。七、课程考核课程成绩构成及比例考核环节目标分值考核/评价细则对应的课程目标总成绩100%作业占20%基本概念10（1）主要考核学生对每章节知识点的复习、理解和掌握程度；（2）每次作业按10分制单独评分，取各次成绩的平均值作为此环节的最终成绩。1,2应用10实验占20%基本概念10（1）考查学生应用所学知识分析问题和解决问题能力，以及自主学习的能力。（2）每个实验按10分制单独评分，共2个。1,2应用10专题研讨占60%基本概念10考查学生自主学习、对课程相关知识点的实际使用能力。1,2,3应用20自主学习30八、本课程与其它课程的联系与分工先修课程：线性代数，概率论九、建议教材及教学参考书[1]施云惠,张英俊.机器学习.北京：机械工业出版社.2024[2]周志华.机器学习.北京.清华大学出版社.2016.[3]李理.深度学习理论与实战：基础篇.北京.电子工业出版社.2019.[4]IanGoodfellow,YoshuaB