机器学习原理及应用 -教学大纲

机器学习课程教学大纲学时（学分）48课程性质专业核心课适用专业制定日期一、课程性质与类别：机器学习课程按性质可分为理论型（侧重算法原理与数学推导，如统计学习理论、优化方法）、应用型（注重工具使用与实战，如Python/Scikit-learn项目开发）和混合型（结合两者，常见于高校课程）。按学科归属，它可能属于计算机科学（如深度学习、分布式训练）、统计学/数据科学（如回归分析、概率模型）或人工智能（如强化学习、NLP）。从难度看，课程分为入门级（线性回归、KNN等基础算法）、进阶级（SVM、神经网络）和高级专题（GAN、元学习）。授课形式包括高校系统课程、在线MOOC（如Coursera）和企业实战培训（如金融风控建模）。细分方向涵盖监督/无监督学习、强化学习及CV/NLP等垂直领域。选择时需结合目标（科研/就业）、基础（数学/编程）和场景需求（通用技术或行业应用）。本课程为XXXX专业开设的专业基础必修课，侧重于机器学习算法在实际问题中的应用，共48学时，3学分。二、课程教学目标：掌握基础理论与核心算法：理解机器学习的核心概念（如监督/无监督学习、过拟合、偏差-方差权衡）；掌握经典算法（线性回归、逻辑回归、决策树、SVM、聚类等）的数学原理与实现逻辑；熟悉模型评估方法（交叉验证、混淆矩阵、ROC曲线）及优化策略（正则化、超参数调优）。培养工程实践能力熟练使用Python及工具库（Scikit-learn、TensorFlow/PyTorch）完成数据预处理、特征工程、模型训练与部署；通过实战项目（如图像分类、文本分析）提升解决实际问题的能力，理解从数据到模型的完整流程。理解前沿技术与扩展应用：了解深度学习（CNN、RNN）、强化学习等进阶内容，探索其在CV、NLP等领域的应用；学习行业场景案例（推荐系统、风控模型），培养将技术落地业务的思维。形成系统化学习与批判性思维：能对比不同算法的优缺点，根据问题选择合适的解决方案；关注伦理与局限性（如数据偏差、模型可解释性），培养负责任AI开发的意识。三、确定教学内容的原则：1、在选择教学内容，必须符合学生的专业要求，并结合学生当前知识储备，选取合适的教学内容。2、注重内容的有效性和重要性，跟随信息发展的趋势。3、适应学生的适用性、兴趣和需要。四、教学内容与学时分配周次星期节次授课方式时数授课内容作业布置1讲授3Python基础复习机器学习概述数据预处理向量内积与范数复习Python编程基础2讲授3矩阵分解矩阵范数K近邻分类K近邻回归K近邻算法的应用3讲授3K均值聚类K均值聚类的优缺点评估方法K均值算法的应用4讲授3性能度量比较检验偏差与方差性能度量指标的实现5讲授3朴素贝叶斯分类拉普拉斯修正基于朴素贝叶斯的电能质量评价电能质量评价6讲授3梯度下降法拉格朗日乘数法线性回归原理最优化算法的实现7讲授3岭回归、Lasso回归以及弹性网络回归主成分回归偏最小二乘回归逻辑回归简介重庆市粮食产量预测8讲授3逻辑回归原理逻辑回归的拓展基于逻辑回归的信用卡欺诈检测信用卡欺诈检测9讲授3高斯混合模型原理高斯混合模型的实践谱聚类原理高斯混合模型的实践10讲授3谱聚类算法实践综合评价简介逼近理想解排序法医院医疗质量综合评价11讲授3指标权重计算方法贝叶斯回归权重的对比12讲授3高斯过程回归神经网络简介多层感知机神经网络实践图像识别13讲授3支持向量机简介支持向量机分类条件熵和信息增益房价预测14讲授3ID3与C4.5决策树分类与回归树常见的集成学习方法集成学习方法的比较15讲授3组合策略特征选择特征选择算法的比价16讲授3特征提取复习不同数据的特征提取五、教学大纲（一）教学内容与基本要求章节名称教学内容基本要求（包括重点与难点）第一章机器学习概述本章介绍机器学习的基本概念、核心任务（分类、回归、聚类、综合评价）及典型应用案例（如鸢尾花分类、糖尿病预测），涵盖数据预处理、算法分类及开发环境配置，为后续学习奠定基础。典型应用案例机器学习算法分类集成开发环境Scikit-learn库数据预处理K近邻算法本章介绍K近邻算法的原理与应用，涵盖距离度量（欧氏、曼哈顿、切比雪夫）、分类与回归任务实现，以及算法优化策略（如KD树、球树），帮助掌握基于实例的学习方法距离度量KNN分类与回归参数优化优缺点分析算法优化与改进第三章模型评估与选择本章系统讲解模型评估与选择的核心方法，包括评估方法；回归任务，分类任务，聚类任务的性能度量指标；比较检验；偏差与方差评估方法性能度量指标比较检验偏差与方差第四章朴素贝叶斯本章系统讲解朴素贝叶斯算法的原理、实现及应用，包括条件概率与贝叶斯公式；朴素贝叶斯算法；拉普拉斯修正；电能质量评价贝叶斯公式朴素贝叶斯算法拉普拉斯修正电能质量评价第五章线性回归本章介绍线性回归及其改进方法，包括原理、实践应用及扩展模型（岭回归、Lasso回归、贝叶斯回归等），涵盖从基础到高级的回归分析技术线性回归的原理正则化方法主成分回归与偏最小二乘回归第六章逻辑回归本章系统讲解逻辑回归的原理、推导（极大似然估计与信息熵视角）、正则化方法及多分类扩展，并结合信用卡欺诈检测案例，分析类别不平衡问题的处理策略（欠采样、过采样）逻辑回归的极大似然估计交叉熵损失函数类别不平衡问题的处理方法第七章神经网络本章系统讲解神经网络的基础概念、发展历程及常见类型（如MLP、CNN、RNN），重点介绍多层感知机的回归与分类实现，并结合配电网风险评估和手写数字识别案例演示实践应用，涵盖TensorFlow框架及迁移学习技术神经网络的基本结构激活函数的作用及反向传播算法。卷积神经网络在图像识别中的应用第八章支持向量机本章介绍支持向量机（SVM）的基本原理，包括线性可分与非线性可分问题的处理方法，涵盖支持向量分类（SVC）和回归（SVR），并探讨核函数的选择及参数调优。线性SVM的硬间隔与软间隔优化问题核函数的作用SVM在分类和回归中的实践应用第九章决策树本章介绍决策树的基本原理，包括ID3、C4.5和CART算法，涵盖分类树与回归树的构建方法，并结合葡萄酒分类和空间曲面预测案例演示实践应用。信息熵、信息增益及基尼系数的计算方法ID3、C4.5和CART算法的核心思想及差异熟悉决策树在分类回归任务中的应用第十章集成学习本章介绍集成学习的核心思想与方法，包括Bagging、Boosting（如AdaBoost、GBDT、XGBoost）及Stacking等策略，通过组合多个弱学习器提升模型性能，并结合分类与回归任务演示实践应用Bagging和Boosting的原理及差异XGBoost、LightGBM和CatBoost的适用场景集成学习中的组合策略第十一章特征选择与提取本章介绍特征选择与提取的核心方法，包括过滤式、包裹式、嵌入式特征选择，以及文本和图像的特征提取技术，旨在通过优化特征提升模型性能。特征选择的方法文本特征提取图像特征提取基于模型的特征重要性评估第十二章K均值聚类本章介绍K均值聚类的基本原理、实现步骤及其应用，涵盖聚类算法分类、K均值思想、实例演示及优缺点分析，帮助理解无监督学习中的核心聚类方法。K均值算法的核心思想与迭代过程（质心更新与样本分配）算法对初始质心的敏感性和局部最优问题第十三章高斯混合模型本章介绍高斯混合模型（GMM）的原理与应用，涵盖高斯分布基础、EM算法求解过程及GMM在聚类中的实践，帮助理解概率模型在复杂数据分布中的建模能力高斯混合模型的核心思想GMM的优势与局限性：对非球形和非均衡数据的适应性第十四章谱聚类本章介绍谱聚类的原理与实现，涵盖图论基础、邻接矩阵构建、拉普拉斯矩阵性质及RatioCut/Ncut切图方法，帮助理解基于图论的聚类技术及其在复杂数据中的应用邻接矩阵、度矩阵、拉普拉斯矩阵的定义与性质RatioCut与Ncut的优化目标与求解过程第十五章综合评价方法本章介绍综合评价方法的核心技术，重点讲解TOPSIS法的原理与实现，包括指标正向化、无量纲化、权重计算（变异系数法、熵权法、CRITIC法）及实际应用案例，帮助掌握多指标决策分析能力TOPSIS方法的原理及步骤指标正向化处理方法主客观权重计算方法本课程实验或社会实践活动安排本课程采取课程与实验相结合的授课方式，在每个算法的理论推导结束后，都会进行Python的编程练习。鼓励学生参加Kaggle/天池竞赛实战，通过以上安排，学生既能夯实算法基础，又能培养用机器学习解决社会问题的能力。六、考核安排本课程为考查课：考核内容大纲要求的所有内容考核方法开卷考试成绩记载学科：平时成绩30%，期末70%七、为完成教学大纲必要说明建议学生自己带电脑到课堂上课或是条件允许时，将课程安排到实验室。八、主要参考教辅李航.机器学