现代机器学习：方法与实践-课程教学大纲

《现代机器学习：方法与实践（微课版）》课程教学大纲一、课程基本信息项目内容课程名称现代机器学习：方法与实践课程英文名称ModernMachineLearning:MethodsandPractice课程类别专业必修课适用专业人工智能、计算机科学与技术、数据科学与大数据技术、电子信息工程、通信工程等前导课程高等数学、线性代数、概率论与数理统计、数据结构、Python程序设计、人工智能导论后续课程深度学习、人工智能综合实践二、课程性质与课程简介1.课程性质本课程是人工智能、数据科学、计算机类、电子信息类等专业的核心必修课程，立足新工科建设要求，融合理论原理、数学基础、代码实践与前沿技术，是衔接传统人工智能基础与深度学习、大模型前沿应用的关键课程。课程兼顾理论深度与工程实践性，聚焦培养学生机器学习建模、算法实现、数据处理与模型优化的核心能力，适配新时代人工智能领域应用型、创新型人才培养需求。2.课程简介本课程依托《现代机器学习：方法与实践（微课版）》数智化特色教材，采用“原理讲解+微课视频+可运行代码+真实案例”四位一体的教学模式，系统讲解经典机器学习、深度学习及大模型前沿技术。课程内容覆盖监督学习、无监督学习、集成学习、数据降维、神经网络、Transformer架构、图神经网络、大模型提示工程与微调等核心内容。课程全程以Python、scikit-learn、PyTorch为工具，配套50+可复现实战案例，循序渐进讲解算法数学原理、代码实现、参数调优、模型评估与工程落地方法。授课中适时适当融入课程思政元素，坚持知识传授、能力培养、价值塑造三位一体育人目标，引导学生树立科学思维、创新意识与家国情怀，为学生后续从事人工智能、大数据、电子信息智能处理相关工作奠定坚实基础。三、课程教学目标本课程基于OBE目标导向教学理念，结合PBL、CBL双轨教学模式，从知识、能力、素养三个维度制定教学目标，对标专业毕业要求。1.知识目标（1）掌握机器学习基本概念、术语、发展脉络，熟练运用Python主流机器学习工具库；（2）掌握K近邻、决策树、朴素贝叶斯、线性模型、支持向量机、集成学习、聚类、降维等经典机器学习算法的原理与适用场景；（3）理解神经网络、CNN、RNN、Transformer、图神经网络等深度学习核心架构；（4）掌握数据预处理、特征工程、交叉验证、超参数调优、正则化、过拟合优化等模型优化核心技术；（5）了解大语言模型提示工程、LoRA微调、检索增强生成等人工智能前沿技术与落地应用。2.能力目标（1）具备独立完成机器学习数据集处理、模型搭建、训练、评估与优化的工程实践能力；（2）能够针对分类、回归、聚类、特征降维等不同任务，合理选择算法并完成代码实现；（3）具备模型过拟合、欠拟合问题的排查与优化能力，掌握网格搜索、交叉验证等调参方法；（4）具备研读AI前沿技术、复现科研案例、解决专业领域智能处理实际问题的创新能力。3.素养目标（1）培养严谨求实的科学精神、精益求精的工程素养，树立正确的技术认知观，摒弃经验主义；（2）结合人工智能领域技术发展现状，引导学生关注国产AI技术发展，厚植爱国情怀与创新担当意识；（3）培养辩证思维、团队协作能力与问题导向思维，树立科技服务社会的职业价值观。四、课程教学内容与学时分配本课程建议总学时为56学时，其中理论教学32学时，实践上机教学24学时，具体分配如下：第一部分机器学习基础（理论3学时）教学内容：机器学习发展概述、核心概念与术语；Python、NumPy、SciPy、pandas、sklearn、Matplotlib工具基础；高等数学、线性代数、概率论、优化算法交叉知识点回顾。教学目标：掌握机器学习实践基础工具，夯实算法所需数学基础，建立机器学习整体认知。实践项目：Numpy、Pandas、Matplotlib等数据分析与可视化库综合实操训练（课后完成）。思政融入：夯实专业基础，树立脚踏实地、深耕技术的治学理念。第二部分经典监督学习算法（理论12学时，实践12学时）教学内容：1.K近邻算法：算法原理、距离度量、K值选择、手动实现与sklearn实战、标准化处理；2.决策树：if-then规则、信息增益/基尼指数、ID3/C4.5/CART算法、剪枝策略、随机森林初探、参数调优与可视化、回归实战、网格搜索；3.朴素贝叶斯：贝叶斯决策论、参数估计、文本分类、情感分析、EM算法；4.线性模型：线性回归、岭回归、Lasso回归、正则化、偏差方差、逻辑回归、梯度优化、多分类与非均衡分类；5.支持向量机：间隔最大化、软间隔、核函数、SMO算法、非线性分类实战。实践项目：手写数字识别、鸢尾花分类、病马死亡率预测、垃圾邮件分类、肿瘤检测等经典监督学习实战案例。思政融入：树立辩证认知思维，区分经验与经验主义，培养多角度分析问题的能力。第三部分集成学习与无监督学习（理论6学时，实践6学时）教学内容：集成学习Bagging、Boosting、Stacking原理；随机森林、AdaBoost、XGBoost实战；K-means、凝聚聚类、DBSCAN、Louvain社区聚类；主成分分析、奇异值分解、t-SNE流形学习、特征工程、交叉验证与超参数调优。实践项目：Wine数据集AdaBoost分类实践、Bagging年收入预测实践、社交网络Louvain社区发现、多类型数据集聚类分析、半导体制造数据降维、模型超参数网格搜索优化实战。思政融入：理解团结协作、求同存异的思维，感悟适度优化的客观规律。第四部分深度学习基础与前沿架构（理论7学时，实践4学时）教学内容：人工神经元、激活函数、感知机、多层感知机；反向传播、正则化；CNN、RNN、LSTM、GRU网络；Transformer整体架构、编码器解码器；图神经网络、图Transformer基础原理与实战。实践项目：PyTorch服装图像分类、时间序列预测、图卷积网络节点分类、Transformer文本处理实战。思政融入：了解我国AI领域技术短板与突破方向，激发科技自立自强的使命感。第五部分大模型技术与综合实践（理论4学时，实践2学时）教学内容：大语言模型基础、提示工程、上下文学习、检索增强生成、LoRA微调；大模型文本生成、图数据节点分类完整实战案例。教学目标：掌握大模型基础应用与微调方法，对接人工智能前沿落地场景。实践项目：大模型辩论赛文本内容生成实践、大模型论文引用网络节点分类实践。思政融入：聚焦人工智能大模型前沿领域发展态势，引导学生客观认知国内外大模型技术发展差距与我国AI技术突破进程，正视领域“卡脖子”技术难题。培养学生敢于探索、勇于创新的科研精神，树立自主研发、技术自立自强的核心信念。同时引导学生坚守人工智能伦理准则，规范大模型应用行为，恪守学术诚信、杜绝AI滥用与学术不端，树立科技向善、技术服务科研创新与社会发展的正确价值观，培养兼具技术能力与家国担当的人工智能领域复合型人才。五、教学方法与教学手段1.课前预习依托教材配套资源课件、教材配套微课视频等学习资源引导学生预习，同时开展学情调研，实现教学前移。2.课堂教学采用OBE理念+PBL/CBL双轨教学模式，以问题、真实案例为牵引，结合微课、配套视频课资源、实践案例启发式教学，精讲算法原理，重点突破重难点，强化师生互动答疑。3.课后实践设置机器学习实战任务，适配课程进度和学情；上机课堂适当采用翻转课堂、学生汇报、互评点评模式，强化实操能力。4.思政融合教学将科学精神、辩证思维、家国情怀、科技强国等思政元素融入各章节教学，实现专业教育与思政教育同向同行。六、考核评价方式本课程采用过程性考核+终结性考核综合评价体系，兼顾知识掌握、实践能力与素养表现，总成绩100分。建议考核评价方式如下：1.课前预习打卡：10%2.课堂互动与随堂测试：15%3.上机实操、汇报与互评：15%4.课后作业与实践任务：15%5.期末闭卷考试：45%建议额外增设思政素养评价维度，作为综合评优参考依据。七、教材与参考资料1.主教材《现代机器学习：方法与实践（微课版）》，曾园园、项慨编著，人民邮电出版社，2026年。2.参考书目[1]《机器学习》，周志华，清华大学出版社[2]《Python机器学习（原书第2版）》，SebastianRaschka，机械工业出版社[3]《机器学习实战》，PeterHarrington，人民邮电出版社[4]《统计学习方法》，李航，清华大学出版社八、课程教学重难点1.教学重点各类经典机器学习算法原理、Python代码实现、模型训练与评估