机器学习方法及应用（第二版）教学大纲

《机器学习方法及应用》教学大纲一、课程基本信息课程名称：机器学习方法及应用课程性质：专业核心课/必修课适用专业：人工智能、数据科学与大数据技术、计算机科学与技术、软件工程等先修课程：高等数学、线性代数、概率论与数理统计、程序设计学时学分：64学时（理论48学时，实验16学时），4学分使用教材：《机器学习方法及应用》（第二版），袁景凌、张献主编，中国铁道出版社有限公司，2026年1月。二、课程简介本课程是人工智能及相关专业的核心课程。课程系统介绍机器学习的基本概念、经典方法与前沿技术，涵盖监督学习、无监督学习、强化学习及深度学习等主要内容。通过本课程的学习，学生将理解机器学习的核心原理与算法思想，掌握运用机器学习方法解决实际问题的基本流程与技能，了解领域最新发展趋势，培养数据思维与解决复杂工程问题的能力。三、教学目标1.知识目标：掌握机器学习的基本概念、发展历程、主要分类及基本要素（模型、策略、算法、评价）；理解并掌握决策树、神经网络、支持向量机、聚类、概率图模型、强化学习、深度学习等核心算法的原理；了解机器学习新技术及其应用。2.能力目标：能够根据实际问题选择合适的机器学习模型与算法；具备使用Python及相关工具库（如scikit-learn,TensorFlow/PyTorch）实现经典算法并进行数据分析、建模与评估的实践能力；能够通过案例分析和项目实践，解决跨领域的简单机器学习应用问题。3.素质目标：培养严谨的科学态度、开拓创新的精神和工程伦理意识；了解机器学习系统的安全性与伦理性问题，建立负责任的人工智能开发与应用观念。 四、教学安排章节教学内容学时教学要求作业/实验第1章机器学习概述1.1机器学习的概念和发展史

1.2机器学习的基本要素（模型、策略、算法、评价）

1.3机器学习的分类

1.4机器学习系统的基本结构

1.5机器学习的典型应用

1.6机器学习系统安全6理解机器学习定义、发展脉络与核心思想；掌握基本要素与分类；了解系统结构、典型应用及安全问题。习题第2章决策树2.1概述

2.2-2.5决策树算法（CLS,ID3,C4.5,CART）

2.6随机森林

2.7应用概述

2.8案例分析6理解决策树基本原理；掌握信息增益、增益率、基尼指数等划分准则；理解随机森林的集成思想与构建过程。习题；实验：ID3/CART算法实现、泰坦尼克号预测第3章多层感知器3.1概述

3.2神经元模型与激活函数

3.3感知器及其学习规则

3.4多层感知器

3.5反向传播算法

3.6案例分析6理解神经元模型与感知器的局限性；掌握多层感知器结构；深入理解并推导反向传播算法。习题；实验：基于BP网络的手写数字分类第4章维度约简4.1概述

4.2主成分分析

4.3独立成分分析

4.4局部线性嵌入

4.5线性判别分析

4.6距离度量学习

4.7-4.8应用与案例分析6理解降维的动机与“维数灾难”；掌握PCA、LDA等线性降维方法原理；了解LLE、ICA等非线性或盲源分离方法的思想。习题；实验：PCA/LDA降维与可视化第5章支持向量机5.1概述

5.2-5.4线性/非线性支持向量机、核方法

5.5-5.6应用概述与案例分析6理解间隔最大化思想；掌握硬间隔、软间隔SVM原理；理解核技巧与常用核函数。习题；实验：SVM用于分类问题第6章无监督学习6.1概述

6.2聚类（K-means,DBSCAN,EM）

6.3关联分析（Apriori）

6.4-6.5应用与案例分析6掌握无监督学习与有监督学习的区别；掌握K-means、DBSCAN、EM等聚类算法原理；了解关联规则挖掘。习题；实验：用户聚类与购物篮分析第7章概率图模型7.1概述

7.2贝叶斯网络

7.3马尔可夫随机场

7.4蒙特卡罗方法

7.5LDA主题模型

7.6-7.7应用与案例分析4理解概率图模型的基本思想；掌握朴素贝叶斯、隐马尔可夫模型原理；了解MCMC采样及LDA主题模型。习题；实验：朴素贝叶斯文本分类第8章强化学习8.1概述

8.2马尔可夫决策过程

8.3最优策略求解

8.4Q-Learning

8.5-8.6应用与案例分析4理解强化学习框架与马尔可夫决策过程；掌握值迭代、策略迭代思想；理解Q-Learning算法。习题第9章深度学习9.1概述

9.2卷积神经网络

9.3循环神经网络

9.4注意力机制与Transformer

9.5深度生成模型（GAN）

9.6预训练与大模型

9.7-9.8应用与案例分析8掌握CNN、RNN的基本结构与应用；理解注意力机制与Transformer的核心思想；了解GAN、预训练模型及大模型技术。习题；实验：CNN图像分类或简单Transformer模型使用第10章机器学习新技术10.1元学习

10.2持续学习

10.3迁移学习

10.4多模态学习

10.5~10.7对比学习、模仿学习、反绎学习0了解机器学习前沿发展方向与各类新技术的基本思想、关键技术与典型应用场景。阅读报告五、考核方式平时成绩（30%）：作业、实验报告、课堂表现。期中考试（20%）：闭卷，考察第1~5章核心理论与算法。期末考试（50%）：闭卷/课程项目，全面考察课程知识综合运用能力。课程项目可鼓励学生组队完成一个完整的机器学习应用实践。六、参考资源1.教材配套资源：中国铁道出版社教学资源数字化