机器学习（Python+sklearn+TensorFlow 2.0）-第2版 微课视频版 教案合集

周次×第1次课学时2章节名称第1章绪论第2章聚类2.1K均值聚类算法及应用示例授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解基本概念、机器学习算法及其分类了解课程内容、编程环境和工具包理解K均值聚类算法的基本形式理解K均值聚类算法在手机机主识别中的应用教学重点K均值聚类算法流程教学难点K均值聚类算法教学内容机器学习的基本概念机器学习算法及其分类课程内容介绍编程环境及工具包K均值聚类算法K均值聚类在手机机主身份识别中的应用教学方法与手段设计教学方法：（1）介绍/演示编程环境及工具包（2）示例说明K均值聚类算法实现（3）示例说明手机机主身份识别验证程序辅助手段：多媒体演示对于重点和难点，通过例题讨论讲解、师生互动、作业等来突出板书设计（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题和作业安装sklearn和TensorFlow工具包分析随书资源中的KMeans.py代码文件，加深对kmeans算法的理解完成2.5练习题2实验内容老师演示环境及工具包安装方法，指导完成2.5练习题1周次×第2次课学时2章节名称第2章聚类2.2聚类算法基础授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解聚类的任务及一般模型理解样本点常用距离度量方法理解聚类算法评价指标了解聚类算法的分类及其特点教学重点样本点常用距离度量方法聚类算法评价指标教学难点聚类算法评价指标教学内容聚类的任务及一般模型闵氏距离、VDM距离、混合加权距离和余弦相似度Jaccard系数、FM指数、轮廓系数、DB指数、Dunn指数划分聚类、密度聚类、层次聚类、网格聚类和模型聚类的特点教学方法与手段设计教学方法：（1）详细推导各类距离和评价指标的计算，注意帮助学生回忆前导课程知识（2）图表说明聚类基本模型辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业完成2.5练习题5实验内容周次×第3次课学时2章节名称第2章聚类2.3DBSCAN及其派生算法2.4AGNES算法授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解密度聚类DBSCAN算法和OPTICS算法，掌握其应用方法理解层次聚类AGNES算法，掌握其应用方法教学重点DBSCAN算法和OPTICS算法的流程AGNES算法的流程教学难点OPTICS算法的流程教学内容密码相关概念和定义DBSCAN算法及应用领域参数的确定派生算法OPTICS簇间距离度量AGNES算法教学方法与手段设计教学方法：（1）图示分析各定义和距离（2）图表说明算法流程（3）示例说明算法应用辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业完成2.5练习题7实验内容指导完成2.5练习题6周次×第4次课学时2章节名称第3章回归3.1回归任务、评价与线性回归模型3.2机器学习中的最优化方法授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解回归问题、回归的评价理解并掌握线性回归模型理解最优化模型，掌握梯度下降优化方法教学重点线性回归模型梯度下降法教学难点最小二乘法求解线性回归模型梯度下降法的迭代关系式教学内容回归任务线性回归模型与回归评价指标最小二乘法求解线性回归模型最优化模型迭代法梯度下降法教学方法与手段设计教学方法：（1）图示分析迭代关系式、梯度的计算（2）图表说明算法流程（3）示例说明算法实现与应用辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业完成3.7练习题1、2。实验内容周次×第5次课学时2章节名称第3章回归3.3多项式回归3.4过拟合与泛化授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求掌握多项式回归化为线性回归求解的方法理解欠拟合、过拟合与泛化能力理解泛化能力评估方法理解过拟合抑制的原理，掌握常用抑制方法教学重点多项式回归转化为线性回归求解的方法过拟合及其抑制教学难点L1、L2正则化方法教学内容多项式回归欠拟合、过拟合与泛化能力泛化能力评估方法过拟合抑制教学方法与手段设计教学方法：（1）图示分析泛化能力评估方法（2）图表说明过拟合、泛化能力评估（3）示例说明多项式回归、过拟合辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业实验内容周次×第6次课学时2章节名称第3章回归3.5向量相关性与岭回归3.6局部回归授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解向量相关性理解并掌握岭回归算法理解并掌握局部加权线性回归理解并掌握K近邻法教学重点岭回归算法局部加权线性回归K近邻法教学难点岭回归算法核函数教学内容向量的相关性岭回归算法局部加权线性回归K近邻法教学方法与手段设计教学方法：（1）图示分析向量相关性（2）示例说明向量相关性、局部加权线性回归辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业完成3.7练习题4、5。实验内容周次×第7次课学时2+2章节名称第4章分类4.1决策树、随机森林及其应用授课形式理论课■案例讨论课■实验课□习题课□其他□教学目的及要求理解决策树分类算法的基本思路和算法流程理解样本集分裂方法，掌握其计算方法理解并掌握随机森林算法理解决策树中过拟合的抑制方法理解并掌握回归树算法了解特征工程，掌握应用pandas处理数据的方法初步掌握应用随机森林算法解决实际问题的方法教学重点样本集分裂随机森林算法应用方法教学难点样本集分裂教学内容决策树分类算法随机森林算法随机森林算法在O2O优惠券使用预测示例中的应用进一步讨论回归树教学方法与手段设计教学方法：（1）图示分析样本集分裂算法（2）示例说明决策树、随机森林算法（3）案例讨论随机森林算法在O2O优惠券使用预测示例中的应用辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业1.完成4.6练习题1、2、3案例讨论内容要求学生提前了解该天池新人赛引导学生从数据中提取特征示例应用随机森林算法要求学生课后继续思考从线上数据中提取特征周次×第8次课学时2章节名称第4章分类4.2分类算法基础授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解分类的任务理解并掌握分类模型常用评价指标教学重点AUC评价指标教学难点AUC评价指标教学内容分类任务分类模型常用评价指标教学方法与手段设计教学方法：（1）图示分析分类任务、评价指标的含义（2）示例说明AUC评价指标辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业实验内容周次×第9次课学时2章节名称第4章分类4.3逻辑回归4.4Softmax回归4.5集成学习与类别不平衡问题授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解并掌握二分类线性逻辑回归理解逻辑回归模型理解多分类逻辑回归理解Softmax函数理解Softmax回归模型理解集成学习，并掌握其应用方法理解类别不平衡问题教学重点平面上二分类的线性逻辑回归逻辑回归求解过程集成学习教学难点平面上二分类的线性逻辑回归求解过程教学内容平面上二分类的线性逻辑回归逻辑回归模型多分类逻辑回归Softmax回归集成学习类别不平衡问题教学方法与手段设计教学方法：（1）图示分析平面上二分类的线性逻辑回归（2）示例说明平面上二分类的线性逻辑回归辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业1.完成4.6练习题4、5实验内容周次×第10次课学时2章节名称第5章特征工程、降维与超参数调优5.1特征工程5.3超参数调优授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解特征工程的意义、目标及一般过程理解并掌握数据总体分析、数据可视化常用方法、数据预处理常用方法理解并掌握网格搜索超参数调优方法理解随机搜索超参数调优方法教学重点数据预处理方法网络搜索超参数调优教学难点数据预处理方法教学内容特征工程超参数调优教学方法与手段设计教学方法：（1）图示分析数据可视化方法（2）示例说明网格搜索超参数调优方法辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业1.完成5.4练习题1实验内容周次×第11次课学时2章节名称第5章特征工程、降维与超参数调优5.2线性降维授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解并掌握奇异值分解降维方法理解并掌握主成分分析降维方法教学重点主成分分析降维方法教学难点主成分分析降维方法教学内容奇异值分解降维方法主成分分析降维方法教学方法与手段设计教学方法：（1）图示分析主成分分析降维方法（2）示例说明主成分分析降维方法辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业1.完成5.4练习题2、3实验内容周次×第12次课学时2章节名称第6章概率模型与标注6.1概率模型6.2逻辑回归模型的概率分析6.3朴素贝叶斯分类授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解分类、聚类和标注任务的概率模型理解生成模型和判别模型理解概率模型的简化假定理解逻辑回归模型的概率分析理解并掌握朴素贝叶斯分类教学重点分类、聚类和标注任务的概率模型生成模型和判别模型朴素贝叶斯分类器教学难点逻辑回归模型的概率分析朴素贝叶斯法的特征条件独立假定教学内容概率模型逻辑回归模型的概率分析朴素贝叶斯分类教学方法与手段设计教学方法：（1）示例说明朴素贝叶斯法辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业1.完成6.7练习题1实验内容周次×第13次课学时2章节名称第6章概率模型与标注6.4EM算法与高斯混合聚类授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解EM算法，掌握其应用方法理解高斯混合聚类算法教学重点EM算法示例EM算法流程高斯混合聚类算法教学难点EM算法实现过程的理解教学内容EM算法高斯混合聚类算法教学方法与手段设计教学方法：示例说明EM算法图示说明EM算法示例过程辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业1.完成6.7练习题2实验内容周次×第14次课学时2章节名称第6章概率模型与标注6.5.1马尔可夫链6.5.2隐马尔可夫模型及示例6.5.3前向-后向算法6.5.4维特比算法6.6条件随机场模型授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解马尔可夫链理解隐马尔可夫模型理解并掌握前向-后向算法理解并掌握维特比算法理解条件随机场模型，掌握其应用方法教学重点马尔可夫模型的概念马尔可夫模型的三个问题教学难点维特比算法计算过程条件随机场模型的含义教学内容马尔可夫链隐马尔可夫模型及示例前向-后向算法维特比算法条件随机场模型教学方法与手段设计教学方法：示例说明马尔可夫链和隐马尔可夫模型图示说明马尔可夫链和隐马尔可夫模型的结构辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业1.完成6.7练习题3实验内容周次×第15次课学时2章节名称第7章神经网络7.1神经网络模型授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解神经元模型理解并掌握感知机学习算法理解神经网络理解神经网络模拟异或运算理解分类、聚类、回归、标注任务的神经网络模型教学重点神经元模型神经网络的概念神经网络模拟异或运算教学难点感知机学习算法神经网络模拟异或运算教学内容神经元神经网络分类、聚类、回归、标注任务的神经网络模型教学方法与手段设计教学方法：图示说明神经元、神经网络、感知机模型、异或运算的模拟示例说明异或运算的模拟辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业1.完成7.4练习题1实验内容周次×第16次课学时2章节名称第7章神经网络7.2.1三层感知机的误差反向传播学习示例7.2.2误差反向传播学习算法授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解三层感知机的误差反向传播学习过程理解BP学习算法，并掌握多层神经网络的应用理解不同网络结构、激活函数、训练轮数等条件下，多层神经网络的不同表现教学重点三层感知机的误差反向传播学习过程多层神经网络在分类和回归问题上的应用教学难点误差反向传播学习过程教学内容三层感知机的误差反向传播学习示例误差反向传播学习算法教学方法与手段设计教学方法：图示说明三层感知机的误差反向传播过程示例说明误差反向传播学习算法辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业1.完成7.4练习题2实验内容周次×第17次课学时2章节名称第7章神经网络7.2.3多层神经网络常用损失函数7.2.4多层神经网络常用优化算法授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解相对熵、交叉熵、余弦相似度、双曲余弦对数损失函数，掌握它们在tensorflow中的应用理解动量优化算法、步长优化算法、结合动量和步长优化的算法，掌握它们在tensorflow中的应用教学重点交叉熵损失函数结合动量和步长优化的算法教学难点结合动量和步长的优化算法教学内容多层神经网络常用损失函数多层神经网络常用优化算法多层神经网络中过拟合的抑制进一步讨论教学方法与手段设计教学方法：图示说明多层神经网络常用损失函数、多层神经网络中过拟合的抑制示例说明多层神经网络常用优化算法辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业1.完成7.4练习题3、4、5实验内容周次×第18次课学时2章节名称第7章神经网络7.2.5多层神经网络中过拟合的抑制7.2.6进一步讨论7.3竞争学习和自组织特征映射网络授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解并掌握正则化、早停法、Dropout法，掌握它们在tensorflow中的应用理解神经网络的局部收敛和梯度消散、梯度爆炸问题理解竞争学习理解自组织特征映射网络的结构与学习教学重点多层神经网络抑制过拟合的方法竞争学习教学难点多层神经网络抑制过拟合的方法教学内容多层神经网络中过拟合的抑制多层神经网络的进一步讨论竞争学习和自组织特征映射网络教学方法与手段设计教学方法：图示说明竞争学习示例说明正则化、早停法、Dropout法在tensorflow中的应用辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业1.完成7.4练习题6实验内容周次×第19次课学时2章节名称第8章深度学习8.1概述8.2卷积神经网络授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解深度学习相关概念理解卷积神经网络常用层，掌握它们在tensorflow中的应用教学重点卷积层批标准化层教学难点批标准化层教学内容深度学习概述卷积神经网络教学方法与手段设计教学方法：图示卷积神经网络各层示例说明卷积神经网络的应用辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业1.完成8.4练习题1实验内容周次×第20次课学时2章节名称第8章深度学习8.3循环神经网络授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解循环神经网络的基本单元理解循环神经网络的网络结构理解长短时记忆网络，并掌握它的应用理解双向循环神经网络和深度循环神经网络教学重点循环神经网络的基本单元长短时记忆网络教学难点长短时记忆网络教学内容循环神经网络教学方法与手段设计教学方法：图示LSTM的结构示例基本单元和LSTM的应用辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业1.完成8.4练习题2实验内容周次×第21次课学时2章节名称第9章生成对抗网络9.1生成对抗网络框架授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解对抗学习的基本思想，了解生成对抗网络框架构成理解生成器和判别器的损失函数的含义教学重点生成对抗网络框架教学难点生成器和判别器的损失函数教学内容对抗学习的基本思想生成对抗网络框架及其训练示例生成器和判别器的损失函数及其含义教学方法与手段设计教学方法：示例说明对抗训练辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业实验内容周次×第22次课学时2章节名称第9章生成对抗网络9.2反卷积与图像生成授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解并掌握反卷积计算过程理解并掌握DCGAN模型教学重点反卷积操作教学难点反卷积操作教学内容上采样反卷积操作DCGAN教学方法与手段设计教学方法：示例说明反卷积操作辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业实验内容周次×第23次课学时2章节名称第9章生成对抗网络9.3生成对抗网络在图像处理领域中的典型应用授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求有条件生成样本的思想及实现过程pix2pix和CycleGAN模型教学重点有条件生成样本教学难点pix2pix和CycleGAN模型教学内容cGAN基本思想及组成pix2pix模型CycleGAN模型教学方法与手段设计教学方法：示例说明cGAN辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业实验内容周次×第24次课学时2章节名称第10章强化学习10.1.1冰湖问题与强化学习基本概念10.1.2马尔可夫决策过程授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解强化学习基本概念理解马尔可夫决策过程教学重点马尔可夫决策过程教学难点马尔可夫决策过程教学内容冰湖问题与强化学习基本概念马尔可夫决策过程教学方法与手段设计教学方法：示例说明强化学习基本概念辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业实验内容周次×第25次课学时2章节名称10.1.3蒙特卡罗近似10.1.4利用与探索10.1.5强化学习算法分类10.2.1动态规划法授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解蒙特卡罗近似，并掌握其近似求解的一般性方法理解利用与探索了解强化学习算法分类理解值函数可计算强化学习算法的基本流程理解策略迭代法，并掌握其应用方法理解值迭代法，并掌握其应用方法教学重点蒙特卡罗近似利用与探索策略迭代法教学难点蒙特卡罗近似教学内容蒙特卡罗近似利用与探索强化学习算法分类动态规划法教学方法与手段设计教学方法：示例说明蒙特卡罗近似法辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业实验内容周次×第26次课学时1+1章节名称10.2.2蒙特卡罗法10.2.3时序差分法授课形式理论课■案例讨论课■实验课□习题课□其他□教学目的及要求理解蒙特卡罗法，并掌握其应用方法理解时序差分法，并掌握其应用方法教学重点蒙特卡罗法近似求解值函数时序差分法近似求解值函数教学难点时序差分法近似求解值函数教学内容蒙特卡罗法时序差分法教学方法与手段设计教学方法：示例说明蒙特卡罗法和时序差分法的应用辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业案例讨论内容1.如何应用蒙特卡罗法和时序差分法求解冰湖问题周次×第27次课学时1+1章节名称10.3.1值函数逼近10.3.2DQN与倒立摆控制问题授课形式理论课■案例讨论课■实验课□习题课□其他□教学目的及要求理解值函数逼近的基本思想理解神经网络逼近值函数的三种形式理解DQN算法，并掌握其应用方法教学重点值函数逼近的基本思想DQN算法教学难点DQN算法教学内容值函数逼近DQN算法及应用教学方法与手段设计教学方法：示例DQN算法的应用辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业1.完成8.4习题1案例讨论内容1.如何应用DQN求解倒立摆控制问题周次×第28次课学时1+1章节名称10.3.3参数化策略并直接优化示例10.3.4策略梯度法授课形式理论课■案例讨论课■实验课□习题课□其他□教学目的及要求理解参数化策略的基本思想，掌握其直接优化方法理解策略梯度法，掌握其实现方法教学重点参数化策略的基本思想教学难点策略梯度法教学内容参数化策略策略梯度法教学方法与手段设计教学方法：示例说明参数化策略和策略梯度法辅助手段：多媒体演示。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。板书设计（详见ppt课件）（1）以图表、公式、算法流程、示例为核心，适当辅以提示性文字说明；（2）关键推导过程用黑板手写。思考题和作业案例讨论内容1.如何应用参数化策略的方法求解倒立摆控制问题周次×第29次课学时2章节名称第11章大语言模型11.1概述11.2词嵌入11.3.1编码器-解码器结构授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解大语言模型的发展过程理解词嵌入理解编码器-解码器结构教学重点编码器-解码