Python机器学习编程与实践教学大纲

PAGE6PAGE7《Python机器学习编程与实践》教学大纲一、课程基本信息课程名称Python机器学习编程PythonMachineLearningProgramming课程编号课程性质专业选修适用专业电子信息工程总学时46学时理论学时36学时实践学时10翻转、案例、实践、创新翻转：4时；案例：时实践：时；创新：时学分2学分开课学期第6学期前导课程信号与系统、数字图像处理、语音信号处理、C语言编程等后续课程机器视觉原理与应用二、课程目标《Python机器学习编程与实践》为电子信息工程专业的专业教育平台下的专业选修课，并定位为专业模块选修课。通过本课程的学习，学生在获得相应学分的同时，将达成以下课程目标：1、理解人工智能、机器学习的基本概念和机器学习的目标，人工智能、机器学习、深度学习之间的关系，掌握机器学习分类，了解深度学习框架。（对应毕业要求指标点1.3）2、掌握Anaconda和TensorFlow开发环境搭建，掌握Python程序设计与算法基础，重点掌握格式化输入输出和类型转换；变量、数据类型和基本运算；字符串、列表、元组、集合、字典；程序流程结构和控制语句等。（对应毕业要求指标点3.1）3、掌握TensorFlow编程基础，掌握基本机器学习中KNN、Kmeans、SVM、线性回归问题、手写体数字识别问题、卷积神经网络图像识别问题的基本原理和编程实现。（对应毕业要求指标点4.1）4、通过文献检索、追踪和学习拓展，不断更新有关机器学习知识领域，了解机器学习、深度学习、深度卷积神经网络等技术的最新前沿领域，具备一定的文献追踪能力、自我学习能力、科学研究能力、调试程序能力和论文写作能力。（对应毕业要求指标点12.1）三、课程目标与毕业要求的支撑关系课程目标毕业要求指标点目标定位课程目标1：理解人工智能基本概念、研究的基本内容和主流研究方法；机器学习形式及典型应用模式；人工智能、机器学习、深度学习之间的关系，掌握机器学习分类，了解深度学习网络框架。工程知识：1.3记忆、理解课程目标2：掌握Anaconda和TensorFlow开发环境搭建，掌握Python程序设计与算法基础，具备算法描述、编程和设计实现的能力。设计/开发解决方案：3.1实践、应用课程目标3：掌握KNN、Kmeans、SVM、线性回归问题、卷积神经网络图像识别问题、手写体数字识别问题，掌握其算法原理和基本程序实现过程。研究：4.1应用、分析课程目标4：通过翻转课堂、文献检索、追踪和学习拓展，不断更新有关机器学习知识领域，了解机器学习、深度学习、卷积神经网络等技术的最新前沿领域，具备一定的文献追踪能力、自我学习能力、科学研究能力、调试程序能力和论文写作能力。终身学习：12.1实践四、课程目标与教学内容（一）课程目标与教学内容对应关系课程目标教学环节教学内容课程目标1讲授第1章：机器学习导论课堂讨论课程目标2讲授第2章：Python编程基础课堂讨论作业，实验课程目标3讲授第3章：机器学习编程理论基础第4章：KNN分类算法第5章：K-Means聚类算法第6章：支持向量机第7章：决策树与随机森林第8章：回归分析第9章：神经网络作业，实验课程目标4讲授第10章：卷积神经网络第11章：Transform深度神经网络第12章：图神经网络第13章：生成对抗神经网络作业，实验翻转课堂（二）教学内容第一章机器学习导论2教学要求：了解人工智能基本概念、研究的基本内容、主流研究方法；掌握机器学习形式及典型应用模式；理解人工智能、机器学习、深度学习间的关系。教学重点与难点：本章教学重点：机器学习形式及典型应用模式，人工智能、机器学习、深度学习间的关系本章教学难点：机器学习形式及典型应用模式学时分配：机器学习的定义0.3学时机器学习的发展0.2学时1.3机器学习的分类1学时1.4机器学习的研究领域0.2学时1.5机器学习与人工智能、深度学习间的关系0.3学时第二章Python编程基础8教学要求：掌握Anaconda和TensorFlow开发环境搭建；掌握Python编程基础；教学重点与难点：本章教学重点：Python编程基础，重点掌握机器学习编程常用的格式化输入输出语句、类型转换，字符串、列表、元组、集合、字典等本章教学难点：机器学习编程常用的格式化输出语句、类型转换，字符串、列表、元组、集合、字典等学时分配：2.1数据分析与数据可视化1学时2.2Python编程环境1学时2.3Python编程基础串讲4学时2.4TensorFlow编程基础2学时第三章机器学习编程理论基础4教学要求：了解常用第三方库的调用方法；熟悉机器学习库的使用步骤；掌握常用机器学习库Numpy、Pandas、Matplotlib等。教学重点与难点：本章教学重点：机器学习库的使用步骤本章教学难点：常用机器学习库学时分配：3.1机器学习常用工具简介1.5学时3.2机器学习模型0.5学时3.3机器学习算法的选择和实现步骤0.5学时3.4机器学习工具SKlearn1.5学时第四章KNN分类算法2教学要求：了解KNN分类算法原理；掌握KNN分类算法实现。教学重点与难点：本章教学重点：KNN分类算法实现本章教学难点：KNN分类算法实现学时分配：4.1KNN分类 0.5学时4.2KNN分类算法实例1.5学时第五章K-Means聚类算法2教学要求：了解K-Means聚类算法原理；掌握K-Means聚类算法实现。教学重点与难点：本章教学重点：K-Means聚类算法实现本章教学难点：K-Means聚类算法实现学时分配：5.1K-Means聚类算法原理0.5学时5.2K-Means聚类算法特点及应用0.5学时5.3K-Means聚类算法实例1学时第六章支持向量机2教学要求：了解支持向量机算法原理；掌握支持向量机算法实现。教学重点与难点：本章教学重点：支持向量机算法实现本章教学难点：支持向量机算法实现学时分配：6.1支持向量机的原理0.3学时6.2核函数0.2学时6.3SVM算法实例1.5学时第七章决策树与随机森林2教学要求：了解决策树算法和随机森林算法原理；掌握决策树算法和随机森林算法实现。教学重点与难点：本章教学重点：决策树算法和随机森林实现本章教学难点：决策树算法和随机森林实现学时分配：7.1决策树1学时7.2随机森林1学时第八章回归分析2教学要求：了解回归分析算法原理；掌握回归分析算法实现。教学重点与难点：本章教学重点：回归分析算法实现本章教学难点：回归分析算法实现学时分配：8.1回归分析的基本概念0.5学时8.2线性回归分析1.5学时第九章神经网络2.5教学要求：了解神经网络算法原理；掌握BP神经网络算法实现。教学重点与难点：本章教学重点：BP神经网络算法实现本章教学难点：BP神经网络算法实现学时分配：9.1神经元0.3学时9.2激活函数0.2学时9.3神经网络类型0.5学时9.4标准BP神经网络算法原理0.5学时9.5BP神经网络在MNIST手写体识别的应用1学时第十章卷积神经网络2.5教学要求：了解卷积神经网络算法原理；掌握卷积神经网络算法实现。教学重点与难点：本章教学重点：卷积神经网络算法实现本章教学难点：卷积神经网络算法实现学时分配：10.1卷积神经网络结构0.5学时10.2卷积神经网络的训练0.5学时10.3卷积神经网络特性0.5学时10.4卷积神经网络实现图像识别的示例1学时第十一章Transformer深度神经网络2教学要求：了解深度神经网络算法原理；掌握Tansformer深度神经网络算法实现。教学重点与难点：本章教学重点：Transformer深度神经网络算法实现本章教学难点：Transformer深度神经网络算法实现学时分配：11.1Transformer结构和工作原理0.5学时11.2Transformer中的注意力机制0.5学时11.3Transformer的训练0.5学时11.4Transformer的文本翻译示例1学时第十二章图神经网络2教学要求：了解图神经网络算法原理；掌握图神经网络算法实现。教学重点与难点：本章教学重点：图神经网络算法实现本章教学难点：图神经网络算法实现学时分配：12.1图神经网络的基础概念0.5学时12.2图神经网络的基本原理0.5学时12.3图神经网络实例1学时第十三章生成对抗神经网络3教学要求：了解生成对抗神经网络算法原理；掌握生成对抗神经网络算法实现。教学重点与难点：本章教学重点：生成对抗网络算法实现本章教学难点：生成对抗网络算法实现学时分配：13.1GAN基本原理0.5学时13.2GAN网络的几种结构0.5学时13.3GAN网络实例1学时布置课程报告及要求1学时五、教学方法主要采用翻转课堂、案例教学、探究式教学、传统授课等教学方法，注重培养学生解决机器视觉相关专业问题的能力。六、考核环节本课程采用形成性评价考核，考核环节主要分为四部分：课堂表现考核、作业、翻转课堂考核、综合实验和期末考核。课堂表现考核占总评成绩的10%，由课堂出