Python机器学习编程与实践 教案 朱福珍

PAGEPAGE0教案课程名称Python机器学习编程与实践课程代码系(部)教研室授课教师职称2025年7月PAGE5课程名称Python机器学习编程与实践总计：46学时课程类别课程代码讲授：36学时实验：10学时其他：学时授课教师学分授课对象大学三年级教材和主要参考资料教材：朱福珍.Python机器学习编程与实践.清华大学出版社,2026.3课程简介“Python机器学习编程”课程是面向电子信息类专业三年级本科生的重要专业课程，也是培养当下热门亟需的人工智能工程师及数据分析人才的重要专业实践课程，直接关系到学生的就业、深造方向等。希望通过本课程的学习，学生能全面掌握常用的机器学习技术和分析方法，同时掌握一定的深度学习理论和方法，为进一步深造学习和工作实践打下必要基础。该课程理论性和实践性都很强，教学过程中需要展示一些机器学习处理实现效果，因此在教学过程中应注重理论紧密联系实际和加强实践环节的教学。本课程具体教学内容可分为三部分：第一部分是第1~3章，讲述机器学习基本概念及编程基础，为机器学习编程建立必要基础。第二部分是第4~9章，讲述经典的机器学习方法理论与实现，是掌握机器学习的核心。第三部分是第10~13章，介绍深度学习热点技术，是机器学习的扩展研究内容，使学生了解最前沿的机器学习技术及实现。教学难点重点重点：1、机器学习、深度学习、人工智能的基本概念2、Python编程基础3、KNN分类算法、K-means聚类算法、支持向量机、决策树与随机森林、回归分析、神经网络、卷积神经网络、Transformer深度神经网络、图神经网络和生成对抗神经网络难点：神经网络、卷积神经网络Transformer深度神经网络、图神经网络和生成对抗神经网络

授课题目：第1章绪论授课方式（请打√）理论课√翻转课堂□实验课□习题课□其他□课时安排理论课：2教学大纲要求：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。教学重点及难点：重点：机器学习形式及典型应用模式，人工智能、机器学习、深度学习间的关系难点：机器学习形式及典型应用模式作业、讨论题、思考题：课后思考题1、2、3教学内容课程思政参考主要教学内容：机器学习的定义机器学习的发展浅层学习阶段深层学习阶段1.3机器学习的分类1.4机器学习的研究领域1.5机器学习与人工智能、深度学习间的关系思政主题：民族自信、科技自信融入章节：1.4机器学习的研究领域切入内容：展示工程项目中机器学习算法的实现效果对比，以及机器学习技术的前沿应用,激发学生学习本课程的兴趣，认识到本课程学习的重要性，同时增强民族自信、科技自信，激发创新热情。教学方法与手段设计1、教学方法及手段：多媒体演示，辅以一定数量的实例配合教学。2、对于重点和难点，通过例题讨论讲解、师生互动、作业等来突出。

授课题目：第2章Python编程基础授课方式（请打√）理论课√翻转课堂□实验课√习题课√其他□课时安排理论课：8实验课：2教学大纲要求：掌握Anaconda和TensorFlow开发环境搭建；掌握Python编程基础；教学重点及难点：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、字典等作业、讨论题、思考题：课后习题1-25教学内容课程思政参考主要教学内容：2.1数据分析与数据可视化2.1.1数据分析的定义2.1.2ython数据分析与可视化常用包2.2Python编程环境2.2.1JupyterNotebook简介及安装2.2.2第三方包的管理2.2.3JupyterNotebook的使用2.2.4TensorFlow的安装2.3Python编程基础串讲2.3.1Print输出方法2.3.2变量2.3.3数据类型2.3.4数字数据类型2.3.5基本运算2.3.6字符串2.3.7列表2.3.8元组2.3.9字典2.3.10集合2.3.11选择结构2.3.12循环结构2.4TensorFlow编程基础2.4.1计算图2.4.2张量2.4.3操作2.4.4会话2.4.5常量与变量2.4.6占位符教学方法与手段设计1、教学方法及手段：多媒体演示，辅以一定数量的实例配合教学。2、对于重点和难点，通过例题讨论讲解、师生互动、作业等来突出。

授课题目：第3章机器学习编程理论基础授课方式（请打√）理论课√翻转课堂□实验课√习题课□其他□课时安排理论课：4实验课：2教学大纲要求：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。教学重点及难点：重点：机器学习库的使用步骤难点：常用机器学习库教学内容课程思政参考主要教学内容：3.1机器学习常用工具简介3.1.1Numpy3.1.2Scipy3.1.3Matplotlib3.1.4Pandas3.1.5Scikit-Learn3.1.6PIL3.1.7OpemCV3.2机器学习模型3.3机器学习算法的选择和实现步骤3.4机器学习工具SKlearn3.4.1Sklearn数据预处理3.4.2Sklearn数据集的拆分3.4.3模型选择与训练3.4.4模型预测与性能评估3.4.5Sklearn模型训练实例思政主题：实践-认知-再实践融入章节：3.3机器学习算法的选择和实现步骤切入内容：过拟合与欠拟合不仅是机器学习中的核心概念，更是蕴含着丰富哲理的思维模型，可成为思政教育的生动素材。欠拟合：如同“认识肤浅，实践乏力”——学习不足、以偏概全，无法抓住事物的本质规律。

思政映射：批判“蜻蜓点水式”调研”“形式主义学习”，强调深入实践、掌握规律的必要性。过拟合：如同“机械套用，脱离实际”——对局部经验过度雕琢，丧失解决新问题的能力。

思政映射：反对“本本主义”“经验主义”，警惕将特定环境下的成功模式盲目推广。1、教学方法及手段：多媒体演示，辅以一定数量的实例配合教学。2、对于重点和难点，通过例题讨论讲解、师生互动、作业等来突出。授课题目：第4章KNN分类算法授课方式（请打√）理论课√翻转课堂□实验课√习题课□其他□课时安排理论课：2实验课：2教学大纲要求：了解KNN分类算法原理；掌握KNN分类算法实现。教学重点及难点：重点：KNN分类算法实现难点：KNN分类算法实现作业、讨论题、思考题：课后思考题1,2,3教学内容课程思政参考主要教学内容：4.1KNN分类 4.2KNN分类算法实例4.2.1鸢尾花iris数据集分类4.2.2KNN手写数字光学识别思政主题：集体主义、公平正义、辩证思维、文化自信、科技伦理融入章节：4.2KNN手写体数字识别切入内容：KNN手写体识别不仅是一个分类算法，更是一个关于邻里、公平、平衡与包容的哲学模型。它告诉我们：在数字时代，技术应有温度，决策需顾全局，发展要重公平。正如识别一个个手写数字需要把握共性与个性，国家治理与个人成长也需在普遍规律与特殊情况间寻求动态平衡。最终，一切技术进步都应回归到服务人、赋能人、成就人的根本宗旨。教学方法与手段设计1、教学方法及手段：多媒体演示，辅以一定数量的实例配合教学。2、对于重点和难点，通过例题讨论讲解、师生互动、作业等来突出。 授课题目：第5章K-means聚类算法授课方式（请打√）理论课√翻转课堂√实验课√习题课√其他□课时安排理论课：2实验课：2教学大纲要求：了解K-Means聚类算法原理；掌握K-Means聚类算法实现。教学重点及难点：K-Means聚类算法实现作业、讨论题、思考题：课后思考题1,2,3教学内容课程思政参考主要教学内容：5.1K-Means聚类算法原理5.2K-Means聚类算法特点及应用5.3K-Means聚类算法实例5.3.1自建数据集聚类5.3.2客户分组画像思政主题：改革创新、共同体意识融入章节：5.2K-Means聚类算法特点及应用切入内容：1.聚类中心：核心引领与向心力算法机制：通过迭代优化确定聚类中心，使样本围绕中心聚集。思政映射：核心引领作用：如同社会发展需要核心价值引领（如社会主义核心价值观），聚类中心体现“中心统一”与“目标导向”。向心力形成：个体在“距离最小化”过程中向中心靠拢，隐喻组织凝聚力和国家认同感的构建。2.迭代优化：渐进发展与改革智慧算法过程：通过多次迭代逐步优化中心位置，实现局部最优。思政映射：渐进式改革：中国改革开放的“摸着石头过河”与迭代优化的渐进逻辑高度契合。动态调整能力：根据样本分布调整中心，体现政策“因地制宜”“与时俱进”的实践品格。3.距离度量：公平与差异的平衡算法核心：以距离作为分类标准，追求组内相似性最大、组间差异性最大。思政映射：公平性准则：统一的距离标准体现“规则面前人人平等”。差异化管理：不同聚类对应不同群体特征，呼应“精准施策”“分类指导”的治理理念。教学方法与手段设计1、教学方法及手段：多媒体演示、翻转课堂，辅以一定数量的实例配合教学。2、对于重点和难点，通过例题翻转课堂交流、师生互动、作业等来突出。授课题目：第6章支持向量机授课方式（请打√）理论课√翻转课堂√实验课√习题课□其他□课时安排理论课：2实验课：2教学大纲要求：了解支持向量机算法原理；掌握支持向量机算法实现。教学重点及难点：支持向量机算法实现作业、讨论题、思考题：课后思考题1,2,3教学内容课程思政参考主要教学内容：6.1支持向量机的原理6.1.1线性可分的支持向量机6.1.2非线性可分的支持向量机6.2核函数6.2.1核函数简介6.2.2如何选择合适的核函数6.3SVM算法实例6.3.1支持向量机6.3.2时间序列曲线预测思政主题：辩证思维和创新思维融入章节：6.3SVM算法实例切入内容：支持向量机不仅是一个强大的分类算法，更是一个蕴含深刻哲理的思维模型：在复杂局面中寻找最优平衡点——如同超平面在矛盾双方间确立公正边界；抓住关键少数解决根本问题——支持向量决定一切，启示我们聚焦主要矛盾；通过创新性转化突破维度限制——核函数智慧彰显“中国特色”的方法论价值；在坚持原则的同时保持必要弹性——软间隔体现刚柔并济的治理艺术。教学方法与手段设计1、教学方法及手段：多媒体演示、翻转课堂，辅以一定数量的实例配合教学。2、对于重点和难点，通过例题翻转课堂交流、师生互动、作业等来突出。授课题目：第7章决策树与随机森林授课方式（请打√）理论课√翻转课堂□实验课□习题课√其他□课时安排理论课：2教学大纲要求：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。教学重点及难点：决策树算法和随机森林算法的实现作业、讨论题、思考题：课后思考题1,2,3,4教学内容课程思政参考主要教学内容：决策树7.1.1决策树的基本原理7.1.2常见的决策树算法7.1.3决策树算法的优缺点7.1.4决策树算法实例随机森林7.2.1随机森林的基本原理7.2.2随机森林算法训练流程7.2.3随机森林算法的优缺点7.2.4随机森林算法实例思政主题：追踪前沿，自主创新融入章节：7.2随机森林切入内容：随机森林算法本质通过多个决策树的集体投票实现最终决策思政映射集体决策的优势多棵树共同决策比单棵树更稳健，体现“众人拾柴火焰高”民主集中制原则：充分讨论（多树生成）后的集中决策（投票集成）多样性与共识的统一每棵树使用不同的数据子集和特征子集，尊重多样性最终投票达成共识，体现“多元一体”的治理智慧教学方法与手段设计1、教学方法及手段：多媒体演示，辅以一定数量的实例配合教学。2、对于重点和难点，通过例题讨论讲解、师生互动、作业等来突出。

授课题目：第8章回归分析授课方式（请打√）理论课√翻转课堂□实验课□习题课□其他□课时安排理论课：2教学大纲要求：了解回归分析算法原理；掌握回归分析算法实现。教学重点及难点：重点：回归分析算法实现难点：回归分析算法实现作业、讨论题、思考题：课后思考题1,2教学内容课程思政参考主要教学内容：回归分析的基本概念线性回归分析8.2.1一元线性回归8.2.2多元线性回归8.2.3线性回归实例思政主题：科学精神、系统思维融入章节：8.1回归分析基本概念切入内容：回归分析不仅是统计学工具，更是认识世界、把握规律、指导实践的方法论宝库：它教导我们：在复杂世界中寻找规律——通过数据分析把握社会发展趋势在多因素中识别关键——抓住影响发展的主要矛盾和矛盾的主要方面在不确定性中寻求确定——基于历史预测未来，增强工作预见性在约束条件下优化决策——正则化思想体现“有所为有所不为”的治理智慧教学方法与手段设计1、教学方法及手段：多媒体演示，辅以一定数量的实例配合教学。2、对于重点和难点，通过例题讨论讲解、师生互动、作业等来突出。授课题目：第9章神经网络授课方式（请打√）理论课√翻转课堂□实验课□习题课√其他□课时安排理论课：2.5教学大纲要求：了解神经网络算法原理；掌握BP神经网络算法实现。教学重点及难点：BP神经网络算法实现作业、讨论题、思考题：课后思考题1,2,3,4,5教学内容课程思政参考主要教学内容：9.1神经元9.2激活函数9.3神经网络类型9.4标准BP神经网络算法原理9.5BP神经网络在MNIST手写体识别的应用思政主题：追踪前沿，自主创新融入章节：9.4标准BP神经网络算法原理切入内容：BP神经网络最深刻的启示：真正的智能不在于完美无错，而在于从错误中学习的能力；真正的强大不在于初始条件，而在于持续改进的韧性。

这既是人工智能的原理，也是人类进步的真理。教学方法与手段设计1、教学方法及手段：多媒体演示，辅以一定数量的实例配合教学。2、对于重点和难点，通过例题讨论讲解、师生互动、作业等来突出。授课题目：第10章卷积神经网络授课方式（请打√）理论课√翻转课堂□实验课□习题课√其他□课时安排理论课：2.5教学大纲要求：了解卷积神经网络算法原理；掌握卷积神经网络算法实现。教学重点及难点：卷积神经网络算法实现作业、讨论题、思考题：课后思考题1,2,3,4,5教学内容课程思政参考主要教学内容：10.1卷积神经网络结构10.1.1卷积层10.1.2池化层10.1.3全连接层10.2卷积神经网络的训练10.3卷积神经网络特性10.2卷积神经网络实现图像识别的示例思政主题：追踪前沿，自主创新融入章节：10.3卷积神经网络特性切入内容：卷积神经网络不仅是一种强大的视觉处理工具，更是关于认知、决策、治理的系统方法论：CNN思维的四大启示：层次化认知——从细节到整体，从现象到本质的认识规律局部到全局——基层调研与顶层设计的辩证统一特征筛选智慧——在信息海洋中抓住关键，突出重点标准统一与灵活适应——权值共享与参数调整的平衡艺术教学方法与手段设计1、教学方法及手段：多媒体演示，辅以一定数量的实例配合教学。2、对于重点和难点，通过例题讨论讲解、师生互动、作业等来突出。授课题目：第11章Transformer深度神经网络授课方式（请打√）理论课√翻转课堂□实验课□习题课√其他□课时安排理论课：2教学大纲要求：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。教学重点及难点：Transformer深度神经网络算法实现作业、讨论题、思考题：课后思考题1,2,3,4,5教学内容课程思政参考主要教学内容：11.1Transformer结构和工作原理11.2Transformer中的注意力机制11.3Transfor