还剩7页未读,继续阅读
文本内容:
《机器学习》课程教学大纲
一、课程基本信息课程名称(中文)机器学习课程名称(英文)Machine Learning课程类别专业选修课课程性质2选修授课语言3中文授课学期6学分3总学时讲课实验课外课程学时及分配48321648适用专业软件工程、计算机科学与技术、网络工程、物联网工程、信息安全等教材《机器学习》,周志华编著,清华大学出版社,2016授课学院计算机与软件学院先修课程程序设计基础、概率论与数理统计等深度学习、强化学习、深层神经网络、机器视觉、自然语言处理、语音信号处理后续课程等课程基本定位机器学习是人工智能领域中最重要的一个分支之一本课程是面向软件工程、计算机科学与技术、网络工程、信息安全等专业本科生的一门专业选修课其教学重点是使学生对机器学习的一般理论有所了解.;同时掌握常见机器学习算法,包括算法的主要思想和基本步骤,并通过编程练习加深了解,为学生能够学以致用的解决该方向中的一些实际问题奠定基础核心学习结果该课程将介绍机器学习相关领域中的发展历程及研究现状;研究不同种类的机器学习算法,例如决策树、神经网络、支持向量机、贝叶斯分类器、聚类等课程课程简介将采用理论教学与实验相结合的方式,注重培养学生的实践能力,单独设立实验上机来加强学生对不同机器学习算法的理解,通过实验来锻炼学生在建立机器学习模型和编程实现能力通过本课程的学习,学生将全面了解机器学习的正确运用,能够在实际问题研究中运用机器学习解决问题,跟踪最前沿的机器学习算法和思想等,能够为学生从事人工智能下一步相关研究工作或在解决实际问题的实践中打下坚实的基础主要教学方法本课程以课堂教学、演示、讨论和课内实验为主,结合课外自学、课堂讨论、团组大作业大纲更新时间
2020.
08.16注
1.课程类别选填“通识核心课/通识拓展课/通修课/学科基础课/专业主干课/专业选修课/专业实践/素质拓展”
2.课程性质选填“选修/必修”
3.授课语言选填“中文/双语/全英文或其他语种”
二、课程目标课程目标(参考培养目标、毕业要支撑毕业要求指标点1序号达成途径求、课程定位)(-)讲解基本概念,介绍机器学习中的前沿技术,配合讲解相应技术的思想原理及应用,使同学们对机器学习课程产生兴趣,【毕业要求7-环境和可持从而激发学生们续发展】能够理解和评价针的学习积极性,对软件工程领域复杂工程问使其在之后的理题的专业工程实践对环境、具有健全的人格和良好科学文论教学中能更好培养目标社会可持续发展的影响化素养,具备高尚的职业道德和强的理解后续技术
1.1支撑指标点
7.3正确认识软烈的社会责任感的原理件工程实践对于客观世界和
(二)通过课外社会的贡献和影响,理解用团队大作业要求技术手段降低其负面影响的学生能够运用课作用与局限性堂知识,以团队合作的形式利用机器学习的理论思想来求解客观实践中的实际问题,从而提升学生求解实际问题的实践能力(-)通过讲解使学生能够熟练【毕业要求1•工程知识工掌握机器学习主能够将数学、自然科学、工要技术,具备采能够运用相关法规及技术标准程基础和计算机专业知识用用技术解决实际并合理地运用所学软件工程专业知于解决软件工程及其相关领问题的能力,通识来分析、解决工程实际中遇到的域的复杂工程问题过案例分析,使培养目标技术难题,具有扎实的理论基础、宽支撑指标点L4系统掌握软学生掌握采用技
3.1阔的专业视野,具有计算机软硬件件工程基础理论及专业知术解决问题的能相关产品分析、开发、测试和维护能识,包括计算机硬件、软件及力力,能够用系统的观点分析、处理科系统等方面内容,具备理解
(二)要求学生学技术问题软件工程复杂工程问题的能寻求实际生活中力,能够运用所学知识进行存在的能够通过软件工程问题求解机器学习技术解决的相应应用案例,并提出切实可行的解决方案【毕业要求项目管理】理解并掌握软件工程领域工程管理原理与经济决策方法,并能在多学科*环境中应把学生分组,用.并为每个小组布支撑指标点
11.3能够在多置与课程内容紧学科环境中应用工程管理原密相关的课题项理与经济决策方法,具备初目,采用实践、讨能够通过继续教育或其他学习培养目标步的软件工程项目管理经验论、课程论文的方渠道更新知识,实现能力和技术水
5.1与能力式要求每组完成平的提升【毕业要求12-终身学习】课程报告通过分具有自主学习和终身学习的组完成项目、互相意识,有不断学习和适应发打分的方式培养展的能力学生项目管理和支撑指标点
12.2能认识不断创新探索的能力探索和学习的必要性,具有自主学习和终身学习的意识注
1.支撑毕业要求指标点选填项需要进行专业认证,有毕业要求指标点可参照的课程必填,无明确毕业要求指标点可参照的可不填
三、理论教学内容学生学习教学章标题教学内容学时思政融入点1课程目标预期成果2板3在高速了解机了解
1.机器学习的概念发展的机器器学习的基本机器学习学习领域,中内容及其主要研究的特
2.机器学习的发展历国学者做出研究领域,为点、内容、第一章2了突出贡献,以后应用其解讲授发展历程程占据了优势决实际问题奠及其研究地位,在很多定基础掌握现状,通过
3.机器学习的研究现领域都是中该领域的核心对机器学状国人在引领前沿技术和研习的了解,领域的发展,究现状把握技术为学生树立应用和发民族自信和展的趋势
4.机器学习的应用领时代精神,鼓目标L1域励学生为科技强国多做贡献
1.信息论的要素了解端、掌握
2.特征选择和过滤特征选择的基讲授、基本特征第二章
3.子集搜索与评价4本概念,熟悉评价方法及评演示选择概念、
4.模型评估方法与性基本方法价准则能度量目标
3.1L决策树的基本原理、算法和表示法理解决掌握
2.属性选择策树的基本原基本决策第四章
3.ID3算法4理、算法和表讲授树算法示法,掌握其ID
3、C
4.5o
4.C
4.5算法常见问题及常目标
3.
15.假设空间搜索用处理方法L神经网络模型的概念掌握反向传播理解神
2.代价函数算法和梯经网络的工作度下降,能
3.反向传播算法原理,能将神讲授、第五章6够构建并
4.全局最小与局部极经网络应用于讨论训练优化小解决实际工程神经网络
5.其他常见的神经网问题目标
3.1络L间隔和超平面掌握支持向量
2.支持向量和对偶问机与分类、题使学生回归的关掌握建立支持AjV、.
3.核函数系,理解支向量机的方法讲授、立.第4八早
4.支持向量机的概念持向量机并学会针对特演示的原理以定情形的应及掌握核用
5.核方法函数目标
3.1L贝叶斯决策论了解鼓励学贝叶斯公
2.极大似然估计生求真务实,式的基本
3.朴素贝叶斯分类器勤奋好学,提原理、先验出当前热点使学生
4.半朴素贝叶斯分类概率和后问题和难点,掌握算法的原第七章4讲授验概率的器寻求解决办理、实现和应概念掌握
5.贝叶斯网法,树立良好用贝叶斯最的科研价值优分类器
6.EM算法观和思维习的原理和惯算法及其实现和应用目标
3.
11.个体与集成结合集成的
2.序列集成方法与并概念,使学生牢固树立集行集成方法使学生了掌握体决策价值
3.Boosting解序列集成方Boosting和观,认识社会讲授、
4.Bagging与随机森林法和并行集成Bagging的第八章4主义集体制方法,掌握两讨论区别与应度的强大优者的代表方用势,牢固树立法目标3」
5.Stacking社会主义集体制度、集体决策价值观L聚类的概念掌握使学生了聚类的基
2.性能度量与距禺计解聚类思想,本原理及掌握主流聚类算方法了解算法并熟练应讲授、第九章
3.K-means聚类4不同聚类用于求解实际案例
4.密度聚类算法的原问题理和应用
5.层次聚类目标5」
6.FCM聚类注
1.思政融入点至少写3条,简述该课程教学中将思政教育内容与专业教育内容有机融合的知识点(下同)
2.学生学习预期成果描述学生在学完本节内容后应获得的知识、能力或素养水平(下同)
3.教学方式:包括讲授、讨论、案例、演示等,但不限于所列,根据课程实际需要列举
四、实践(实验或实习)教学1实验或实验或实习项学生学习预期成编号教学内容学时实习类思政融入点课程目标目名称型2果戈U分成掌握K-近根据K-近小组,选出优邻算法的核邻算法的核心秀党员作为组加强对K-近邻心思想与适思想实现K-最长,充分发挥K-近邻算法算法的理解,用情况,锻炼近邻分类算党员在群众中1求解分类问2验证实现用K■近邻学生分析问法,至少在两的模范带头作题算法并用于求题、解决问题个不同的数据用,小组成员解分类问题并动手实践集上比较算法内相互帮扶、的能力的性能相互促进目标
3.1构造决策树实现ID3决策注重鼓励熟悉和掌握决掌握典型决22验证求解分类问树,并在给定学生提出策树算策树的分类原题理、实质和过法,能够运用数据集上进自己的算法并程;掌握典型的决策树解决实行5折交叉验去努力实现,学习算法和实际分类决策问证观测所得引导学生避免现技术题决策树在训练长期使用国外目标31集和测试集上算法,潜移默的准确率,从化中培养学生而判断该决策民族自豪感和树是否存在过爱国主义精度拟合神了解有针对线性二掌握支持向量关支持向量机分类问题,构线性支持向机算法原理和的基本原理,建支持向量机3量机算法的4验证实现技术,验证能够实现并使的基本模型验实现支持向量机算用支持向量机证其算法性法的分类性能的代码解决分能类问题目标
3.1设计实现K-了解无监督学加深对means聚类算习的理论基础,无监督学习的K-means聚法,求解对未动态聚类分析理解和认识,42验证类算法实验分类标注的数的思想和理论掌握K-means据进行分组问以及聚类算法算法题,得到分组的评价指标目标
3.1后的图像提供实验所了解基分组讨论,团掌握PCA算法需提取数据的本的降维方队协作,发现的思想,了解其利用PCA数空间信息,实法,掌握PCA与质疑,充分其他的一些降5据预处理实现并利用PCA2验证算法简化数据发挥社会主义维技术并熟悉验算法对原始数的方法,能够集体思维决策其优缺点及适据的简化操运用到求解实的优势用问题作际问题中去目标
5.1深入掌握决策树的概使用决策树念和方法,了构建随机森构造随机森林实现随机森林解随机森林与6林模型求解N的基本模型求4验证模型并测试决策树之间的分类问题解N分类问关系,掌握随题机森林原理和实现技术目标
5.1注
1.此表可用于课内实践教学环节或某门综合实践课程
2.实验类型选填”验证性/综合性/设计性”;实习类型选填“认识实习/生产实习/毕业实习”
五、课程评价
(一)考核内容、考核方式与课程目标对应关系课程目标在各考核方式中占比1课程目标考核内容平时课程实验课程论表现作业报告文机器学习的概念、机器学习研究的培养目标L120%20%10%10%基本内容、神经元数学模型信息燧、决策树、n)3算法、支持向量机、核函数、模型评估、特征选择、PCA算法、贝叶斯分类器、聚类分析、K-means聚类算法、Boosting算法、Bagging与随机森林、BP学习算法、离散型Hopfield培养目标
3.170%60%80%80%网络、连续型Hopfield网络、卷积神经网络的运算、池化、机视觉、自然语言处理、智能医疗、生物信息学、数据挖掘、环境监测领域、能源勘测、搜索领域、自动驾驶等等深度学习的基本思想、深度学习前培养目标
5.110%20%10%10%沿算法合计100%100%100%100%各考核方式占总成绩权重(自行赋值)20%10%10%60%注
1.课程目标在考核方式及占比主要根据课程目标自行设计和制定多元化考核方式,表中所列仅为参考(红色数据可删除)但所列考核方式必须覆盖全体学生,可根据当学期具体教学情况酌情调整2•各考核方式占总成绩权重根据课程实际情况对各考核方式占总成绩的权重予以赋值
(二)考核方式评分标准
1.课程作业评分标准评分标准占比课程目标90-10060-690-59(优)80-89(良)70-79(中)(及格)(不及格)培养目标L1能够较能够理基本理不理能够深好地理解机解机器学习解机器学习解机器学习入理解机器器学习的基的基本概念的基本概念的基本概念20%学习的基本本概念和发和发展方向和发展方和发展方概念和发展展方向向向方向培养目标3」能够较能够理基本理不理能够很好地理解机解机器学习解机器学习解模机器学好地掌握机器学习主流主流算法,并主流算法,习主流算器学习主流算法,并能够能够编程实并能够编程法,并能够70%算法,并能编程实现一现一些主流实现一些主编程实现一够编程实现些主流算法算法流算法些主流算一些主流算法法培养目标
5.1能够深能够较能够理基本理不理入理解各种好地理解各解各种机器解各种机器解各种机器机器学习主种机器学习学习主流算学习主流算学习主流算流算法并应主流算法并法并应用其法并应用其法并应用其10%用其求解实应用其求解求解实际问求解实际问求解实际问际问题实际问题题题题注考核方式和课程目标在考核方式中占比应与“
(一)考核内容、考核方式与课程目标对应关系”一致所列考核环节,除了笔试类均须依次给出评分标准,格式同上笔试类课程考核评分标准可以在本课程大纲里进行说明,也可以通过提交“试卷分析表”予以说明
六、参考书目及学习资料
1.《机器学习》,周志华编著,清华大学出版社,20162•《机器学习算法》(第2版),朱塞佩•博纳科尔索编著,机械工业出版社,
20203.《机器学习基础》(第2版),吕云翔编著,清华大学出版社,
20184.《机器学习实战》(第1版),Peter Harrington编著人民邮电出版社,2013。