《优化选择模型》单元教学设计（大学本科人工智能专业）

《优化选择模型》单元教学设计（大学本科人工智能专业）【基础】本单元是人工智能专业核心课程《机器学习》的第十二单元，旨在系统讲授模型选择与优化的理论与方法。通过本单元学习，学生将掌握从候选模型集合中遴选出最优模型的核心技术，理解泛化误差、偏差方差分解、交叉验证等基本概念，并能够熟练运用网格搜索、随机搜索、贝叶斯优化等超参数调优算法解决实际问题。本单元强调理论与实践深度融合，通过案例驱动和项目实践，培养学生解决复杂工程问题的能力。【重要】一、教学分析（一）课程定位本课程《机器学习》是人工智能专业的核心必修课，开设于大学三年级上学期，前序课程为《概率论与数理统计》、《线性代数》、《Python程序设计》。本单元“优化选择模型”处于模型训练与部署的中间环节，起到承上启下的关键作用：学生在掌握了多种机器学习算法（如线性回归、决策树、支持向量机、神经网络等）之后，需要学会如何科学地比较和选择模型，以避免过拟合、欠拟合，并提升模型在未知数据上的泛化能力。后续课程如《深度学习》、《强化学习》将进一步依赖本单元所建立的选择与优化思想。（二）学情分析知识基础：学生已完成前十一单元学习，熟悉常用机器学习算法原理及Python实现，能够独立完成简单模型的训练与预测。但多数学生对模型评价指标的选取、过拟合的识别与处理、超参数调优的系统方法仍缺乏深入理解，容易陷入“模型越复杂越好”的误区。能力水平：具备基本的编程能力，能使用scikitlearn等库搭建模型，但对交叉验证的实现细节、调优算法的内在机制了解不足，尚未形成系统的模型选择思维。学习特点：对实际案例兴趣浓厚，喜欢动手实践，但理论推导能力有待加强。喜欢“黑箱”操作，需要引导其深入理解算法背后的数学原理，从而能够灵活应对不同场景。（三）教材分析本单元选用周志华教授《机器学习》（西瓜书）第十二章作为主要参考，同时补充《统计学习方法》（李航）第二版第二章相关内容。教材理论严谨，案例经典，但部分内容较为抽象。为此，本教学设计将结合开源数据集（如UCIIris、BostonHousing）和工业界案例（如推荐系统中的模型选择），将理论与实践紧密结合，降低学习门槛，提升学习效果。【基础】二、教学目标依据布鲁姆教育目标分类学，本单元教学目标分为三个层次：（一）知识与理解（认知层次：记忆、理解）1.掌握泛化误差、经验误差、过拟合、欠拟合、偏差、方差等基本概念及其相互关系。2.理解偏差方差分解的数学推导及其对模型选择的指导意义。3.熟悉常见模型评估方法：留出法、交叉验证法、自助法，并能说明各自优缺点。4.理解超参数与模型参数的区别，掌握常见超参数（如正则化系数、树深度、核函数参数等）对模型性能的影响。5.掌握网格搜索、随机搜索、贝叶斯优化等超参数调优方法的基本原理。（二）应用与分析（认知层次：应用、分析）1.能够根据具体任务（分类/回归、数据规模、计算资源）选择合适的模型评估策略。2.能够使用Python（scikitlearn）实现K折交叉验证，并分析不同K值对评估结果的影响。3.能够通过偏差方差分析诊断模型状态（欠拟合、过拟合），并提出改进方向。4.能够使用网格搜索与随机搜索对给定模型进行超参数调优，并对比两种方法的效率与效果。5.能够初步应用贝叶斯优化（如使用hyperopt库）解决高维超参数空间优化问题。（三）评价与创造（认知层次：评价、创造）1.能够针对真实数据集，设计并执行一套完整的模型选择与优化方案，撰写实验报告。2.能够批判性地评价不同调优方法的优劣，根据实际约束（时间、精度）选择最优策略。3.能够将模型选择思想迁移到非传统机器学习任务（如强化学习中的策略选择、运筹优化中的算法选择）中，体现跨学科视野。【难点】三、教学重难点（一）教学重点1.偏差方差分解及其对模型选择的指导意义。2.交叉验证的原理与实现。3.网格搜索与随机搜索的算法流程与参数设置。4.超参数调优的实践技巧。（二）教学难点1.偏差方差分解的数学推导及直观理解。2.贝叶斯优化的核心思想（高斯过程、采集函数）及其与网格搜索的区别。3.多指标（精度、召回率、F1等）权衡下的模型选择策略。4.嵌套交叉验证的正确使用方法，避免信息泄露。【重要】四、教学方法与策略本单元采用混合式教学模式，融合讲授、案例研讨、小组协作、翻转课堂等多种方法，突出学生主体地位。1.讲授法：用于核心概念（偏差方差分解、交叉验证原理）的讲解，确保理论基础扎实。2.案例驱动法：以“波士顿房价预测”和“手写数字识别”两个经典案例贯穿始终，通过实际数据演示模型选择的全过程。3.小组探究法：将学生分组，每组分配不同数据集，完成模型选择与优化任务，并分享成果，促进协作与交流。4.翻转课堂：课前发布微课视频（如“交叉验证的代码实现”），课堂重点讨论疑难点和调优技巧。5.项目式学习：单元最后布置一个开放性项目，要求学生针对一个实际问题（如Kaggle竞赛入门题）进行模型选择与优化，提交代码和报告。教学手段：采用多媒体课件、Python代码实时演示、在线协作平台（如GitHubClassroom）辅助教学。五、教学准备1.硬件环境：多媒体教室（配备投影仪、电脑）、学生每人一台可运行Python的笔记本电脑。2.软件环境：Python3.8+，JupyterNotebook，scikitlearn，matplotlib，seaborn，hyperopt（用于贝叶斯优化演示）。3.教学资源：（1）PPT课件：包含核心概