薛薇《机器学习》- 教学大纲

《机器学习》教学大纲和进度安排一、课程简介课程授课特点和主要内容介绍如下：1、对原理部分作清晰的讲解机器学习是一门交叉性很强的学科，涉及到统计学、数据科学、计算机学科等多个领域的知识。学习者要掌握好每个模型或算法的精髓和实践，需要由浅入深地关注直观含义、方法原理、公式推导、算法实现和适用场景等多个递进层面。本课程正是基于这样的层面展开讲解。2、对实践部分作全面的实现机器学习又是一门实操性很强的学科。学习者需要边学边做才能获得更加深刻的认知。这是如此，本课程利用Python完成实践。一方面，通过Python程序代码和可再现的各种图形，帮助同学们理解抽象理论背后的直观含义和方法精髓。另一方面，通过Python代码，帮助同学们掌握和拓展机器学习的算法实现和应用实践。3、本课程涵盖了众多主流和核心机器学习算法课程讲解过程中，第1、2章概述开篇后，第3章将集中对数据预测建模的关键问题进行总览论述，旨在帮助同学们把握机器学习的整体知识框架。后续第4至第7章依知识难度，由浅入深展开数据预测建模具体算法的讨论，包括朴素贝叶斯分类器、近邻分析、决策树、支持向量机。其间可穿插讲解第10，11章的特征选择和特征提取方法，作为数据预测建模的重要补充。在前述单个预测模型的基础上，第8章聚焦讨论多模型联合预测的集成学习策略。第9章重点讲解人工神经网络的基础知识。第12章关注机器学习中的聚类算法。每章均设置了Python实践案例，能够很好地帮助同学们进一步深刻理解原理，掌握和拓展Python机器学习的应用实践。二、课程思政设计1、课程思政设计的指导思想数字化浪潮带来了技术与机遇的双重爆发，也向职场新人提出了更高要求：不仅要掌握数据分析等硬实力，更要具备追求真理的使命意识、精益求精的工匠精神以及科技报国的家国担当。我们的课程思政设计正是希望通过专业内容与价值引领的深度融合，引导学生塑造正确的科研态度，将个人价值锚定于国家发展的宏大坐标之中。2、课程思政的三大维度将以“知识传授、能力培养、价值引领”三位一体为育人理念，系统构建课程思政的三大维度。（1）科学精神培育：强化求真务实的科研作风，引导学生以“科学家攻克难题”的韧劲应对高维特征数据，严谨排查数据质量，审慎尝试多种模型推断，筑牢诚信科研的职业底线。（2）家国情怀塑造和社会责任感提升：在教学过程中坚持“案例驱动、一体化融合”的路径，实现知识、能力与思政目标的协同落地。一方面，可以在算法原理讲解中加入思政元素。例如，在梯度下降算法中解析人生选择中近期目标、中期目标和长远目标的有效结合。认识个体决策和整体决策对最终目标达成的影响，引导学生树立正确的大局意识；再例如，在聚类算法讲解中引入“物以类聚，人以群分”的中国古代智慧；再例如，在近邻算法讲解中引入“近朱者赤，近墨者黑”的中国古代朴素哲学思想；再例如，在集成学习加入“三个臭皮匠顶一个诸葛亮”的集体主义思想和合作精神；再例如，在模型偏差和方差理论讲解中，引入平衡与和谐发展的决策理念。另一方面，通过剖析机器学习在不同领域的实际应用，引导学生将个人学术志趣锚定于国家战略需求，内化“服务人民、奉献社会”的职业操守，自觉树立“用数据服务国计民生”的使命意识。（3）创新精神提升：让学生了解机器学习理论在前沿实际问题中的应用。注重通过课堂研讨与课后反思，引导学生深入审视科技发展对新质生产力的技术驱动与社会变革双重影响，并自觉思考如何确保技术演进始终契合社会主义核心价值观。课程紧密追踪机器学习领域的前沿动向，以激发创新思维；同时，依托实践项目和课后习题等多元训练，切实强化学生的动手操作能力与复杂问题解决能力，实现价值引领、创新意识与实践本领的协同并进。三、考核方式平时考核和期末考核的占比为4:6。其中，平时考核主要包括：平时作业、上课发言讨论、课堂小测等。期末考核一般采用大作业的形式。四、教材选用薛薇：《Python机器学习：原理与实践(第3版)》，中国人民大学出版社，2026.4。五、教学进度安排按一学期16个教学周安排教学进度。教学周：第1周教学方式：理论+上机课堂学时：3学时章节名称：机器学习与Python概述【课堂教学内容与要求】1．了解机器学习与人工智能的关系，掌握基于机器学习的人工智能与符号主义人工智能的不同。2．掌握机器学习的根本目标和主要任务。3．掌握Python实现机器学习的主要包和相关数据处理功能。【课外学习内容与要求】1．复习或自学Python编程基本知识。2．自行阅读和运行上课所布置的Python代码，熟悉Python数据分析和绘图主要包的使用，包括NumPy,Pandas,Matplotlib，Seaborn等。教学周：第2,3周教学方式：理论+上机课堂课时：6学时章节名称：数据预测中的关键问题【课堂教学内容与要求】1．掌握基本的预测模型：回归预测的一般线性回归模型，分类预测的Logistic回归和Softmax回归。掌握模型评价指标和工具等。2．掌握回归预测模型与回归平面，分类预测模型与分类平面的对应关系。理解非线性建模的必要性和重要意义。3．了解各种损失函数，以及基于损失函数的模型参数估计的一般策略。4．了解预测模型的性能评估和选择问题。掌握数据集划分的意义，以及训练误差和测试误差的计算等。5．了解过拟合模型的特点，模型偏差和方差的关系等。【课外学习内容与要求】1．自行阅读和运行上课所布置的Python代码。2．基于上课所给数据或课后作业数据建立一般线性回归模型。3．基于上课所给数据或课后作业数据，建立Logistic分类模型和Softmax多分类模型。教学周：第4周教学方式：理论+上机课堂课时：3学时章节名称：数据预测建模：贝叶斯分类器【课堂教学内容与要求】1．掌握朴素贝叶斯分类器的基本原理。2．了解朴素贝叶斯分类边界和Logistic回归分类边界的不同特点。3．掌握文本分析的基本方法，以及贝叶斯分类器在文本分析中的应用4．掌握朴素贝叶斯分类器的Python实现。【课外学习内容与要求】1.自行阅读和运行上课所布置的Python代码。2.基于上课所给数据或课后作业数据，采用贝叶斯分类器建立分类预测模型。教学周：第5、6周教学方式：理论+上机课堂课时：6学时章节名称：数据预测建模：近邻分析；过滤式策略和包裹式策略下的特征选择【课堂教学内容与要求】1．掌握近邻分析的基本原理，以及近邻分析在回归预测和分类预测中的非线性特点。2．掌握K-近邻分析中参数K的意义及对模型的影响。3．掌握基于观测相似性的加权K-近邻法。4．了解K-近邻分析的局限性，掌握过滤式策略和包裹式策略下的特征选择的基本原理和应用。5．掌握K-近邻分析的Python实现。6．掌握过滤式策略和包裹式策略下特征选择的Python实现。【课外学习内容与要求】1．自行阅读和运行上课所布置的Python代码。2．基于上课所给数据或课后作业数据，采用K-近邻方法建立回归预测模型。3．基于上课所给数据或课后作业数据，采用K-近邻方法建立分类预测模型。教学周：第7周教学方式：理论+上机课堂课时：3学时章节名称：数据预测建模：决策树【课堂教学内容与要求】1．掌握决策树的基本原理，以及决策树在回归预测和分类预测中的非线性特点。2．了解决策树深度的意义和树剪枝的意义。3．掌握分类回归树的基本建树原理以及后剪枝策略。4．掌握决策树的Python实现。【课外学习内容与要求】1．自行阅读和运行上课所布置的Python代码。2．基于上课所给数据或课后作业数据，采用决策树方法建立回归预测模型。3.基于上课所给数据或课后作业数据，采用决策树方法建立分类预测模型。教学周：第8，9周教学方式：理论+上机课堂课时：6学时章节名称：数据预测建模：支持向量机；嵌入式策略下的特征选择【课堂教学内容与要求】1．掌握支持向量机的最大边界超平面的意义。2．掌握完全线性可分下的支持向量分类的目标函数和约束条件的含义。3．理解广义线性可分下的松弛变量和惩罚参数C的意义。4．理解非线性可分下支持向量分类中核函数的意义。5．将支持向量机的理论讲解延展至嵌入式策略下的特征选择。理解Lasso回归、岭回归和弹性网回归的基本原理和应用，以及收缩参数的意义。6．掌握支持向量机的Python实现。7．掌握嵌入式策略下特征选择的Python实现。【课外学习内容与要求】1.自行阅读和运行上课所布置的Python代码。2.基于上课所给数据或课后作业数据，采用支持向量机建立回归预测模型。3.基于上课所给数据或课后作业数据，采用支持向量机建立分类预测模型。教学周：第10，11周教学方式：理论+上机课堂课时：6学时章节名称：数据预测建模：集成学习【课堂教学内容与要求】1．掌握集成学习中袋装策略和随机森林的基本原理。2．掌握集成学习中基于提升法的建模原理。3．掌握梯度提升树的基本原理。4．掌握XGBoost的算法要点。5．掌握各种集成学习方法的特点和Python实现。【课外学习内容与要求】1.自行阅读和运行上课所布置的Python代码。2.基于上课所给数据或课后作业数据，采用集成学习策略建立预测模型。教学周：第12周教学方式：理论+上机课堂课时：3学时章节名称：特征提取【课堂教学内容与要求】1．掌握主成分分析的基本原理。2．了解奇异值分解的基本原理。3．掌握基于主成分分析的因子分析的基本原理和评价。40．掌握主成分分析、奇异值分解和因子分析的Python实现。【课外学习内容与要求】1.自行阅读和运行上课所布置的Python代码。2.基于上课所给数据或课后作业数据，采用各种方法实现特征提取。教学周：第13，14周教学方式：理论+上机课堂课时：6学时章节名称：数据预测建模：人工神经网络【课堂教学内容与要求】1．掌握人工神经网络的基本构成，以及各层节点的作用。2．掌握人工神经网络中节点加法器和激活函数的意义,掌握二层感知机网络的权重更新过程。3．了解三层或多层网络中隐藏节点的意义和权重训练过程。4．掌握人工神经网络的Python实现。【课外学习内容与要求】1.自行阅读和运行上课所布置的Python代码。2.基于上课所给数据或课后作业数据，采用人工神经网络建立回归预测模型。3.基于上课所给数据或课后作业数据，采用人工神经网络建立分类预测模型。教学周：第15周教学方式：理论+上机课堂课时：3学时章节名称：揭示数据内在结构：聚类分析【课堂教学内容与要求】1．掌握聚类分析的基本概念、评价和可视化方法。2．掌握K-均值聚