内容发布更新时间 : 2024/11/16 3:44:15星期一 下面是文章的全部内容请认真阅读。

《机器学习及应用》课程教学标准

学院（部） 系（教研室） 撰写人： 时间 一、课程概述

课程名称 英文名称 适用专业 课程性质 □其他 本课程是计算机网络技术、计算机应用技术、物联网技术等专业培养方案中的一门专业拓展课程。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、逼近论、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的科学，使计算机具有智能。在过去十年，机器学习促成了无人驾驶、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。通过本课程的学习，培养学生综合运用各种所学知识，提升其分析问题和解决问题的能力。 本课程将介绍机器学习及应用的基础知识和一些典型而常用的算法，主要包括：决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维、概率图模型、深度学习初步；同时也为选修者提供一些进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等内容。 本课程适用于计算机应用技术、计算机网络技术和物联网技术等专业，主要面向应用类机器学习职业岗位。这类岗位的市场需求量非常大，所有的互联网公司都设置了这个岗位；零售、金融、电信和制造业等行业也有需求。本课程是上述专业培养方案中的拓展课程，综合运用专业所学的编程、微积分、统计学等知识，培养学生分析问题和解决问题的能力。 选修者的预备知识是Python程序设计、概率论、微积分和线性代数方面的课程，具有一定的自学能力，能独立调试编程过程中的简单问题。其后续课程有数据挖掘、毕业设计系统等。 机器学习及应用 课程代码 Machine Learning and Application 计算机网络技术、计算机应用技术、物联网技术等 √拓展课程、□创新创业课程 □核心课程、□通识课程、□总学时 学 分 48 3 课程简介 课程地位 课程学习目标 本课程拟用Python作为编程语言，选用Anaconda的Spyder或JetBrains PyCharm作为开发平台。建议在选修前先自学Python语言，学会编写一些简单的Python程序。 计算机应用技术专业的学生具有一定的编程能力和数据处理能力，可以选修本课程的全部内容：决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维、概率图模型、深度学习初步等内容。 计算机网络技术和物联网技术专业的学生具有良好的数据处理能力，编程训练有待加强，可以选修本课程所涉及的常用算法，主要包括：决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维等。 对于其他有志于人工智能和机器学习的学习者，可以根据自己的实际情况，在熟悉Python语言、微积分等先续知识的前提下，选修部分内容。 本课程的学习拟采取校内集中面授+实验的方式，教师主要介绍人工智能的基本原理，机器学习的经典算法及其Python实现方案，选修者在教师指导下完成各个实验。 另外，选修者也可以在网络上搜寻相关的人工智能、机器学习的内容，作为本课程内容的有益补充。 课程学习形式

二、课程内容和学时分配 序号 1 单元名称 导论 主要教学知识点 了解机器学习的基本概念、发展历程及应用现状 搭建Python开发环境；学会使用Numpy矩阵运算；学会使用Linalg线性代数矩阵；数据处理的可视化 学习目标及能力要求 了解机器学习的概念；掌握概念学习、假设空间、模型评估与选择等概念。 掌握机器学习的IDE开发环境；学习Python矢量编程方法；学会使用Python算法库（包括第三方），特别是数据的可视化编程。 学习情境 多媒体理论教学 多媒体教学AnaConda Python 3.3及以上IDE开发环境下实验。 学时 2 作业 2 Python基础 4 3 决策树 理解信息熵，并编码实现；信息熵；ID3算法；利用信息熵，构建ID3算法C4.5算法 和C4.5算法。 理解梯度下降法和线性感知器的原理，并编码实现；实现多层前向神经网络；实现BP神经网络，并用该算法识别手写体。 理解函数间隔和几何间隔；利用sklearn SVM方法解决简单的分类问题；编码实现SMO算法。 利用Numpy库，编码实现朴素贝叶斯算法；sklearn同上 4 4 神经元；前向多层神经网络；Logistic神经网络 梯度下降法；Logistic梯度随机下降法；BP神经网络 支持向量机 贝叶斯分类器 函数间隔与几何间隔；SMO算法； Scikit-Learn SVM分类器运用 贝叶斯定理；朴素贝叶斯算法；EM算同上 6 5 同上 6 6 同上 4 法；贝叶斯网络 集成学习的基本概念；Voting；集成学习 Bagging；Ada Boosting以及Gradient Boosting 聚类的基本概念；典型的距离计算方法；k-Means算法；密度聚类；层次聚类 降维的基本概念；k近邻学习；主成分分析；低维嵌入；奇异值分解 中的朴素贝叶斯方法。 掌握集成学习方法中的Voting、Bagging；Ada Boosting、Gradient Boosting。 掌握典型的距离计算方法；掌握k-Means算法原理；利用sklearn中的kMeans算法和DBSCAN算法。 使用Scikit-Learn库函数SVD实现一个推荐系统的相似度算法；实现k近邻学习算法 掌握隐马尔科夫模型；利用sklearn库方法实现viterbi算法。 掌握深度学习基本模型，以及TensorFlow的安装与基本使用。 7 同上 4 8 聚类 同上 6 9 降维 同上 6 10 概率图模型 深度学习初步 11 马尔科夫过程；隐马尔科夫模型； Vertibi算法 深度学习的典型方法；TensorFlow简介与基本使用 合计 同上 4 同上 2 48 三、课程教与学的策略

如授受式教学，启发式教学，课堂讨论，当堂测试，学生讲授，学生自学，案例教学，参观实习，调研，角色游戏、活动教学、项目教学、实验、探究……选择其中几项，或补充其它教学方法。 教学方法 案例教学、项目教学、实验、探究 如传统讲授，多媒体教学，语音教学，网络教学，VCD，录相，……选择其中几项，或补充其它教学手教学手段 段。 多媒体教学、网络教学。 如学习团队组织；情境（工程背景）创设；以学生为中心的案例设计；讨论与研究安排；学习中的合教学设计 作安排；知识运用与实践的安排；知识的梳理与认识（重构）;学习报告等等方面的教学设计。 讨论与研究安排；学习中的合作安排；知识运用于实践的安排；学习报告。

四、课程绩效评价考核

考核方式 考试或考核；笔试或口试；操作或综合。考核 形成性评价要求