机器学习及应用-课程标准.docx
《机器学习及应用-课程标准.docx》由会员分享，可在线阅读，更多相关《机器学习及应用-课程标准.docx（4页珍藏版）》请在冰点文库上搜索。
《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 机器学习及应用
英文名称 MachineLearningandApplication
课程代码
适用专业 计算机网络技术、计算机应用技术、物联网技术等 总学时 48
□核心课程、□通识课程、□√拓展课程、□创新创业课程
课程性质
□其他
学分 3
课程简介
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。
课程地位
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。
本课程拟用Python作为编程语言，选用Anaconda的Spyder或JetBrainsPyCharm
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、课程学习 概率图模型、深度学习初步等内容。
目标 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。
课程学习
形式
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。
二、课程内容和学时分配
序号 单元名称 主要教学知识点 学习目标及能力要求 学习情境 学时 作业
1导论
2Python
基础
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
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。
理解信息熵，并编码实现；
多媒体理论教 2
学
多媒体教学
AnaCondaPython3.3及 4以上IDE开发
环境下实验。
3决策树 信息熵；ID3算法；
C4.5算法
神经元；前向多层神经网络；Logistic
利用信息熵，构建ID3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；
同上 4
4神经网络
5支持向量机
6贝叶斯分类器
梯度下降法；
Logistic梯度随机下降法；BP神经网络函数间隔与几何间隔；SMO算法；Scikit-LearnSVM分类器运用
贝叶斯定理；朴素贝叶斯算法；EM算
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sklearnSVM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 6
同上 6
同上 4
法；贝叶斯网络 中的朴素贝叶斯方法。
7集成学习
8聚类
9降维
10概率图模型
11深度学习初步
集成学习的基本概念；Voting；Bagging；Ada
Boosting 以 及GradientBoosting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
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；TensorFolw简介与基本使用
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。
同上 4
同上 6
同上 6
同上 4
同上 2
合计 48
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
段。
教学手段
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。
三、课程教与学的策略
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
四、课程绩效评价考核
考试、作业规定（讨论题、练习题、作业题、操作题，形式、数量；）出勤要求（对考核的影响）等内容在课程绩效评价中所占的比例。
考核点
建议考核方式
成绩比例
实验环境，运用典型Python库
现场考核+实验报告
10%
神经网络
现场考核+实验报告
10%
支持向量机
现场考核+实验报告
10%
聚类算法
现场考核+实验报告
10%
集成方法
现场考核+实验报告
10%
综合性实验
现场考核+实验报告
50%
合计
100%
升级会员 