还剩4页未读,继续阅读
文本内容:
《机器学习》教学大纲
一、课程基本信息机器学习课程名称Machine learning课程编码OSI321821020开课院部海洋与空间信息学院课程团队未设置学分
2.0课内学时32讲授32实验0上机0实践0课外学时32适用专业电子信息工程授课语言中文先修课程局等数学2-
1、高等数学2-
2.数字信号处理、人工智能模型和算法、数字图像处理机器学习是研究怎样使用计算机模拟或实现人类学习活动的科学,是信号信息处理领域中重要的热点研究方向本课程是面向电子信息工程专业本科生开设的一门专业选修课,提供机器学习的入门基础讲解,让学生能够较为全面地了解机器学习这门学科的各类问题和方法论通过本课程的学习,学生应掌握机器学习中的主流学习思想和方法,包括监督学习、无监督学习、深度学习等算法的基本原理;同时要求学生对机器学习研究及应用领域的现状和发展趋势有较全面地把握和及时了解此外,本课程强调学生的动手能力,要求学生能根据实际问题的需要选择合适的机器学习算法并编程实现,从而加深对所学知识的理解通过本课程的学习,学生能够掌握海洋和空间信息处理领域所需的基本方法和技术手段,为学生开展相关领域技术开发和科学研究奠定基础课程简介限Machine learningis ascience thatstudies howto usecomputer simulationor realizehuman learningactivities,and is an importanthot researchdirection in选the field of signalinformation processing.This courseisaprofessional electivecourse forundergraduates majoringin electronicinformation engineering.It providesa basicintroduction tomachine learning,so thatstudents canhave amore comprehensiveunderstanding of the variousproblems andmethodologies ofthe subjectof machine learning.Through thestudy ofthis course,students shouldmaster themainstream learningideas andmethods inmachine learning,including thebasic principlesof algorithmssuch assupervised learning,unsupervised learning,and deeplearning.Have amore comprehensivegrasp andtimely understanding.In addition,this courseemphasizes thestudents hands-on ability,requiring students to choosethe appropriatemachinelearningalgorithm andprogram toachieve accordingto theneeds ofthe actualproblem,so asto deepenthe understandingoftheknowledge learned.Through thestudy ofthis course,students canmaster thebasic methodsand technicalmeans requiredin thefieldofmarine andspatial informationprocessing,laying thefoundation forstudentstocarry outtechnical developmentand scientificresearch inrelated fields.负责人大纲执笔人审核人
二、课程目标毕业要求指标点序号代号课程目标OBE任务自选目标1掌握数据信息处理问题中聚类、降维、分类、回归等各种学习任务所适用的机器学习算法模型和1Ml是
1.
21.2求解方法,包括无监督学习、监督学习、深度学习算法等目标2能够根据数据特征选择、模式分类和预测等实际信息处理问题的不同特性选择和设计合适的机器2M2是
4.
24.2学习技术方案3M3目标3能够通过编程等方式对机器学习算法方案进行实现,并正确收集和分析实验结果数据是
4.
34.3
三、课程内容支撑课程课内课外序号章节号标题课程内容/重难点教学方式课外环节目标学时学时
1.1机器学习的基本机器学习的定义,机器学习的任务,机器学习的发展历程,机器学
11.1Ml
0.5讲授/讨论0/概念习的应用数据集、样本、属性、样本空间、属性空间、特征维数、学习、训
1.2机器学习的基本
21.2练、测试、训练样本、测试样本、标记、预测、分类、回归、聚Ml1讲授/讨论0/术语类、监督学习、无监督学习、泛化、归纳、演绎
2.1经验误差与过拟训练误差或者经验误差的含义,过拟合与欠拟合的概念与原因,泛
32.1Ml,M21讲授/讨论0/合化误差
42.
22.2模型评估方法留出法,交叉验证法,自助法Ml,M21讲授/讨论0/均方误差,错误率与精度,查准率,查全率,F-1分数,ROC与
52.
32.3性能度量M
30.5讲授/讨论0/AUC曲线
3.1线性模型基本形
63.1线性模型的数学表达形式,线性组合Ml,M
20.5讲授/讨论0/式线性回归的定义,学习目标与损失函数,平方损失,交叉病损失,
73.
23.2线性回归Ml,M21讲授/讨论0/求解方法Fisher判别分析的概念,类内离散度,类间离散度,优化求解方法
83.
33.3线性判别分析Ml,M
21.5讲授/讨论4作业
94.
14.1支持向量机的线性可分,最大间隔分类面,支持向量,最优化问题及求解,Ml,M
21.5讲授/讨论0/基本模型软间隔与正则化
104.
24.2核函数核函数的作用,高维映射,常见核函数的基本形式
0.5讲授/讨论4作业Ml,M2,M
35.1神经元数学模型
115.1神经元模型的数学表达形式,权重参数,激活函数Ml,M
2.5讲授/讨论0/
5.2感知机网络与误感知机模型,多层网络,误差反向传播算法的原理,梯度下降,全
125.2M2,M
31.5讲授/讨论0/差反向传播局最优与局部最优
5.3常见网络模型与深度前馈神经网络模型,深度置信网络模型,深度卷积神经网络模Ml,M2,M
3135.32讲授/讨论4作业深度学习型,深度循环网络模型集成学习的定义,个体分类器,学习器的准确性与多样性,集成学
146.
16.1个体与集成Ml,M
30.5讲授/讨论0/习方法分类Boosting的工作机制,弱学习器与强学习器,Adaboost算法原理Ml,M2,M
3156.
26.2Boosting算法2讲授/讨论4作业
6.3Bagging与随机
166.3Bagging算法的基本思想,随机森林算法的基本原理Ml,M
21.5讲授/讨论0/森林
176.
46.4结合策略平均法,投票法,学习法Ml,M21讲授/讨论0/
187.
17.1降维的概念降维的含义,降维的作用,降维算法的分类Ml
0.5讲授/讨论0/
197.
27.2主成分分析投影,方差最大化,奇异值分解,特征向量1讲授/讨论4作业Ml,M2,M
3207.
37.3流形学习流形的概念,局部保持映射算法的基本原理,拉普拉斯矩阵M2,M32讲授/讨论0/
217.
47.4聚类的概念类的定义,相似度和距离计算,聚类的应用Ml,M21讲授/讨论0/K均值聚类算法的原理,谱聚类算法的原理,高斯混合聚类的原理Ml,M2,M
3227.
57.5常用聚类算法2讲授/讨论4作业
8.1特征选择的基本特征,相关特征,无关特征,特征选择的定义,子集评价和子集搜
238.1Ml,M
20.5讲授/讨论00概念索
8.2常用特征选择方
248.2过滤式选择,包裹式选择,嵌入式选择与L1正则化Ml,M
21.5讲授/讨论0/法
258.
38.3稀疏学习稀疏的含义,稀疏表示与字典学习,压缩感知2讲授/讨论8大作业Ml,M2,M
39.1强化学习的概念
269.1智能体,状态,策略,环境,动作,奖励,马尔科夫奖励过程Ml,M
21.5讲授/讨论0/
9.2策略优化与策略策略优化的原理,策略评估方法,动态规划,蒙特卡洛采样,时序Ml,M2,M3讲授人讨论
279.210/评估差分
9.3强化学习的求解
289.3Q-learning的流程,探索与利用,贪心策略,深度Q学习Ml,M21讲授/讨论0/
四、考核方式序号考核环书操作细节总评占比
1.大约布置6次作业
2.成绩采用白分制,根据作业完成准确性、是否按时上交、是否独立完成评分1平时作业40%
3.考核学生对常用机器学习算法的掌握能力,学生综合运用所学算法知识分析和解决问题的能力,题型主要以编程题为主
1.大作业题目给定一个实际的数据处理问题,要求学生综合运用所学机器学习理论知识对该问题进行建模和求解,给出详细2大作业的技术路线方案并编程实现20%
2.根据建模和实验方案的可行性、结果的准确性进行评分
1.闭卷考试,成绩采用百分制,卷面成绩总分100分3期末考试
3.主要考核学生对机器学习基本知识的掌握能力,学生综合运用所学知识分析问题、解决问题的能力,题型主要有填空题、选40%择题、简答题、分析题等
五、评分细则序号课程目标考核环节大致占比评分等级A-独立思考、按时完成,作图规范,解题思路清晰、步骤完整、格式合理、编程结果准确B-独立思考、按时完成,作图比较规范,解题思路比较清晰、步骤比较完整、格式合理、编程结果准确1Ml平时作业30%C-独立思考、按时完成,作图比较规范,解题思路比较清晰、步骤比较完整、格式比较合理、编程结果准确D-作业抄袭,未能按时完成,作图不规范,程序运行结果不准确A-问题建模和实验方案设计正确,作业报告撰写规范,程序运行结果正确,准确解决作业题目中的实际数据处理问题B-问题建模和实验方案设计比较正确,作业报告撰写比较规范,程序运行比较正确,能够解决作业题目中的实际2Ml大作业20%数据处理问题C-问题建模和实验方案设计基本正确,作业报告撰写基本规范,程序运行基本正确,能够解决作业题目中的实际数据处理问题D-问题建模和实验方案设计不正确,作业报告撰写不规范,程序运行不正确,未能解决作业题目中的实际数据处理问题3Ml期末考试50%以试卷评分标准为准A-独立思考、按时完成,作图规范,解题思路清晰、步骤完整、格式合理、编程结果准确B-独立思考、按时完成,作图比较规范,解题思路比较清晰、步骤比较完整、格式合理、编程结果准确4M2平时作业20%C-独立思考、按时完成,作图比较规范,解题思路比较清晰、步骤比较完整、格式比较合理、编程结果准确D-作业抄袭,未能按时完成,作图不规范,程序运行结果不准确A-问题建模和实验方案设计正确,作业报告撰写规范,程序运行结果正确,准确解决作业题目中的实际数据处理问题B-问题建模和实验方案设计比较正确,作业报告撰写比较规范,程序运行比较正确,能够解决作业题目中的实际5M2大作业40%数据处理问题C-问题建模和实验方案设计基本正确,作业报告撰写基本规范,程序运行基本正确,能够解决作业题目中的实际数据处理问题D-问题建模和实验方案设计不正确,作业报告撰写不规范,程序运行不正确,未能解决作业题目中的实际数据处理问题6M2期末考试40%以试卷评分标准为准A-独立思考、按时完成,作图规范,解题思路清晰、步骤完整、格式合理、编程结果准确B-独立思考、按时完成,作图比较规范,解题思路比较清晰、步骤比较完整、格式合理、编程结果准确7M3平时作业20%C-独立思考、按时完成,作图比较规范,解题思路比较清晰、步骤比较完整、格式比较合理、编程结果准确D-作业抄袭,未能按时完成,作图不规范,程序运行结果不准确A-问题建模和实验方案设计正确,作业报告撰写规范,程序运行结果正确,准确解决作业题目中的实际数据处理问题B-问题建模和实验方案设计比较正确,作业报告撰写比较规范,程序运行比较正确,能够解决作业题目中的实际8M3大作业50%数据处理问题C-问题建模和实验方案设计基本正确,作业报告撰写基本规范,程序运行基本正确,能够解决作业题目中的实际数据处理问题“D-问题建模和实验方案设计不正确,作业报告撰写不规范,程序运行不正确,未能解决作业题目中的实际数据处理问题9M3期末考试30%以试卷评分标准为准评分等级说明[A,B,C,D]=[90-100,75-89,60-74,0-59]
六、教材与参考资料序号教学参考资料明细1图书1机器学习,周志华,清华大学出版社,2016,681^:
9787302423287.(*主教材)2图书1机器学习原理、算法与应用,雷明,清华大学出版社,2019,ISBN:
9787302532347.3图书1机器学习入门到实战——MATLAB实践应用,冷雨泉,张会文,张伟,清华大学出版社,2019,ISBN:
9787302495147.。