《机器学习Python实战》课程标准

《机器学习》课程标准课程编码：课程类别：专业学习领域（专业特色课）+B适用专业：人工智能技术应用授课单位：人工智能学院学时：72编写执笔人及编写日期：学分：4审定负责人及审定日期：1、课程定位和课程设计1.1课程性质与作用课程的性质课程是人工智能专业的专业特色课程。是校企合作开发的基于工作过程的课程。机器学习及应用是一门多领域交叉学科，涉及概率论、统计学、算法复杂度理论等多门学科，让计算机在非精确编程下进行活动，使计算机具有智能。在过去十年，机器学习促进了无人驾驶、高效语音识别、精确网络搜索及人类基因组认知的大力发展。课程的作用本课程以企业人才标准作为培养目标，主要介绍机器学习的基础知识和经典常用的算法，包括：K近邻算法、线性回归法、决策树、集成学习和随机森林、神经网络、支持向量机、贝叶斯分类器等。通过系统学习算法，推导算法运行原理，加深思想认识。通过大量实际项目实战让学生告别枯燥的理论学习，不仅懂算法更会用算法。前导课程《Python程序设计》、《数据分析及应用》。后继课程《深度学习应用开发》。1.2课程基本理念课程开发本着以专业能力培养为主线、兼顾社会能力、方法能力培养的设计理念，着重发展学生的实践技能。整个课程教学设计紧紧围绕高技能人才培养的目标展开教学，选取典型工作任务作为学习载体，以任务的开发过程为主线，将知识的讲解贯穿于任务的开发过程中，随着任务的进展来推动知识的扩展。根据开发过程中需要的知识与技能规划教学进度，组织课堂教学，确定学生实训任务。在循序渐进完成任务开发的同时实现教学目标，做到学习与工作的深度融合。1.3课程设计思路工作任务将以项目为导向，每个项目代表一个真实的机器学习应用场景。通过解决实际问题，学生将体验到从数据收集到模型部署的整个过程。项目将按照难易程度进行排序，逐步引导学生从基础到复杂，从理论到实践。“教法”的改革，要以“行动导向教学法”为主，在真实或仿真的环境中进行教学，实现“做中学、学中做、边做边学、边学边做”。采用“教”、“学”、“做”三位一体法教学法，提高学生的实践能力和专业水平。2、课程目标知识目标：经过课程学习，学生应该能够掌握机器学习的基础知识和经典常用的算法，包括：K近邻算法、线性回归法、决策树、集成学习和随机森林、神经网络、支持向量机、贝叶斯分类器等。深入理解机器学习中的各种经典算法，并能够在实际场合中正确运用到这些算法，能够选择合适的算法建立模型解决现实问题。对最新机器学习技术的发展有所了解。同时，将自学能力和兴趣的培养全面贯穿于教学全过程，培养学生的综合职业素质。能力目标：通过理论实践一体化课堂学习，使学生获得较强的实践动手能力，使学生具备必要的基本知识，具有一定的资料收集整理能力制定、技术学习和迁移能力、实施工作计划和自我学习的能力。通过该课程各项实践技能的训练，使学生经历基本的工程技术工作过程，形成尊重科学、实事求是、与时俱进、服务未来的科学态度。在教学实训过程中注重学生发现问题和解决问题的能力。养成勤思考，勤总结的好习惯。培养学生提出问题、独立分析问题、解决问题和技术创新的能力，使学生养成良好的思维习惯，掌握基本的思考与设计的方法，在未来的工作中敢于创新、善于创新。素质目标：以解决实际应用场景中的问题为载体，使学生掌握机器学习的基本流程及应用实践，树立严谨的数据分析思维，学会分析问题、解决问题，养成规范的编码习惯，养成精益求精的科学实践精神和敢于尝试的创新精神。(1)对所从事工作和所专注的领域，充满热情。(2)有较强的进取心和解决问题的决心。(3)具有实事求是的科学态度，乐于通过亲历实践实现，检验、判断各种技术问题。(4)善于和同学讨论，敢于提出与别人不同的见解，也勇于放弃或修正自己的错误观点。3、课程内容与要求学习情境规划和学习情境设计学习情境情境描述职业能力（知识、技能、态度）课时1.机器学习认知机器学习的基本概念、应用场景以及Python在机器学习领域的重要性。通过介绍一些简单的机器学习案例，激发学生对机器学习的兴趣，为后续学习奠定基础。知识：了解机器学习的基本定义、分类和应用范围。技能：能够识别机器学习问题，并理解其在现实世界中的应用。态度：对机器学习保持好奇心和求知欲，愿意深入探索该领域。42.搭建基于Python语言的开发环境学习如何在本地计算机上搭建Python开发环境，包括安装Python解释器、常用的机器学习库（如scikit-learn、tensorflow等）以及相关的开发工具（如JupyterNotebook）。此外，学生还将了解如何管理Python环境和依赖包。知识：熟悉Python开发环境的搭建流程，了解常用机器学习库的功能。技能：能够独立安装和配置Python开发环境，解决环境搭建过程中可能遇到的问题。态度：具备自主解决问题的能力，对技术细节保持关注。43.K近邻算法项目实战通过实战项目深入学习K近邻（K-NearestNeighbors,KNN）算法的原理和应用。在项目中，学生将使用KNN算法解决一个具体的分类问题，如鸢尾花分类。通过实际操作，学生将掌握数据预处理、特征选择、模型训练与评估等关键步骤。知识：深入理解KNN算法的原理、优缺点以及适用场景。技能：能够运用KNN算法解决实际问题，包括数据准备、模型训练和性能评估。态度：注重实践和创新，愿意挑战和解决复杂问题。同时，具备团队协作精神，能够与他人有效沟通和协作。84.线性回归法项目实战使用线性回归模型来预测房价。他们需要收集房价数据，进行数据预处理，选择合适的特征，训练模型，并评估模型的性能。知识：理解线性回归的基本原理和数学基础。技能：能够运用Python等编程语言实现线性回归模型，进行数据分析和模型评估。态度：对数据分析保持严谨和细致的态度，注重模型的实际应用效果。85.决策树项目实战学生将使用决策树算法构建一个分类模型，通过对给定数据集的训练和验证，实现数据的准确分类。此过程中，学生需要理解决策树的构建原理，如特征选择、树的生成和剪枝等。知识：掌握决策树算法的基本原理和构建过程。技能：能够利用编程实现决策树模型，并对数据进行预处理、特征选择和模型评估。态度：能够独立思考并解决问题，对数据分析和模型优化保持积极探索的态度。86.随机森林项目实战学生将学习集成学习的基本概念，并使用随机森林算法解决实际问题。学生将通过构建多个决策树并结合它们的预测结果来提高模型的准确性和稳定性。知识：了解集成学习的原理和随机森林算法的工作机制。技能：能够运用随机森林算法处理分类或回归问题，对模型进行训练和调优。态度：具备团队协作精神，能够与他人有效沟通并共同解决问题。107.神经网络项目实战了解神经网络的结构和工作原理，并使用神经网络解决图像识别、文本分类等实际问题。在此过程中，学生需要掌握神经网络的训练和优化方法。知识：熟悉神经网络的基本原理、常见结构和训练方法。技能：能够使用深度学习框架搭建和训练神经网络模型，对模型进行性能评估和优化。态度：对新技术保持敏锐的洞察力，愿意不断探索和学习新知识。148.支持向量机SVM项目实战学习支持向量机（SVM）的原理，并利用SVM解决二分类和多分类问题。学生需要通过实际操作理解SVM的核函数选择、参数调优等关键环节。知识：掌握SVM的基本原理、核函数的概念及其作用。技能：能够运用SVM算法处理分类问题，进行模型选择和参数优化。态度：注重细节和精确性，对模型性能有严格要求。89.贝叶斯分类器项目实战学习贝叶斯分类器的基本原理，并利用朴素贝叶斯算法解决实际问题。学生需要通过实例理解贝叶斯定理在分类问题中的应用。知识：了解贝叶斯定理和朴素贝叶斯分类器的工作原理。技能：能够使用朴素贝叶斯算法进行文本分类、垃圾邮件过滤等任务。态度：具备创新思维和解决问题的能力，对分类算法的应用有浓厚兴趣。8总学时724、课程实施4.1教学条件4.1.1软硬件条件在本课程实施过程中，对实验室实训室具体配置要求如下：名称配置标准序号设备名称数量计算机1CPU(处理器)：英特尔酷睿i5/i7

或

AMDRyzen5/7

(第11代或更新)452GPU(显卡)：入门：

NVIDIAGTX1660/RTX3050或同级别显卡

推荐：

NVIDIARTX3060/4060或更高

(8GB+显存)453内存(RAM)：16GB

(最低要求)

32GB

(推荐配置)454存储(硬盘)：512GBNVMeSSD

(最低要求)

1TBNVMeSSD

(推荐配置)45光纤网络、无线网络1光纤网络、无线网络2套软件或学习平台：名称配置标准序号设备名称数量软件1操作系统：Windows10

或

Windows11

(推荐)452软件：Python3.8及后续版本、Anaconda2024、PyCharm454.1.2师资条件对任课教师的职业能力和知识结构的要求：任课教师能将课程体系、教学内容与企业对应岗位直接对接，实现企业开发团队与实际项目应用于教学过程，课程学习与项目开发实训合二为一。专任教师和兼职教师组成的具有“双师”结构特点的教学团队要求：专任教师100%为双师素质教师，专兼结合的教学团队中包含从软件企业研发一线的行业专家，直接承担专业课程的实践教学，成为专业教学团队的重要组成部分，教学团队成员80%同时具备学院讲师、企业工程师双重资格。由于本课程所具有的独特特征，所以要求最好有两名以上一线的专职教师在讲解本课程，教学经验丰富、课堂掌控能力强、教法先进灵活；具有丰富的理论知识和良好的实践经验，以便在教学过程中互相探讨。4.2教学方法建议“项目导向、任务驱动”的教学模式，通过引入实用的任务，以任务的开发过程为主线，贯穿于每个知识点的讲解，随着任务的不断拓展来推动整个课程的进展。对于每个知识点的讲解采用以实际工作中人工智能机器学习开发的过程和步骤为出发点，采用“五步”教学法，整个教学过程分为问题定义、数据准备、算法选择、模型训练、模型评估五大步骤。使得学生在学习的过程中自然而然的了解人工智能机器学习开发的步骤和流程，为将来参加实际工作进行项目开发打下良好的基础。本课程较深奥，知识点比较晦涩难懂，教师利用线上课程资源库平台打造线上线下混合教学环境，引导学生自主探究学习；教师通过信息手段开启头脑风暴、自画像等教学活动，辅助课堂教学；实现课前、课中、课后信息全采集。在教学实施过程中，设计多种教学形式，通过小组PK梳理任务思路，利用角色扮演让学生换位思考，开启头脑风暴激发学生思维，通过小组拼图完成实战任务，攻克教学重难点，调动学生的学习积极性。4.3教学评价、考核要求本课程的教学评价分为期末成绩和平时成绩两部分，其中期末成绩占总评成绩的50%，平时成绩占总评成绩的50%。由于本课程的实践性较强，期末考试主要采用课程设计的考试方式，强调培养学生的动手能力。考核比例及要求：（1）期末成绩期末考试主要考察学生对理论知识的掌握程度，采用课程设计考试的方式。主要检验学生对课程知识点的掌握和实践能力，通过对机器学习中经典算法的学习，理解算法并能够将算法运用到解决具体现实问题中来。（2）平时成绩平时成绩包括学生平时的作业、测验、实验、实训等，考勤情况和过程性考核，其中：考勤占40%、作业实践性环节40%、过程性考核占20%。4.4教材编写教材编写体例建议：（1）教学目标，（2）工作任务，（3）实践操作（相关实践知识），（4）问题探究（相关理论知识），（5）知识拓展（选学内容），（6）练习。教材体现项目驱动、任务导向的课程设计思想。5、课程资源开发与利用（1）根据课程目标、学生实际以及本课程的专业技能特性，本课程的教学资源应该由教材和参考书、在线课程资源等组成。推荐教材：《机器学习Python实战》推荐