机器学习原理及应用课程教学大纲
课程教学大纲_机器学习
《机器学习》教学大纲课程编号：120013B课程类型：□通识教育必修课□通识教育选修课□专业选修课□学科基础课总学时：48 讲课学时：32 实验（上机）学时：16学分：3适用对象：大数据专业先修课程：概率论、数理统计、统计软件（以上标题为黑体，四号字；内容为宋体，四号字）一、教学目标（黑体，小四号字）机器学习作为一门新兴的交叉学科，它涉及统计、数学和计算机等学科领域。
通过本课程的学习使学生了解、掌握机器学习的基本方法及原理，使学生能够比较系统和全面的了解当今新的适用于当今高维复杂数据的机器学习方法，使学生能够用所学的内容进行实例分析，提高学生解决实际问题的能力。
目标1：了解、掌握机器学习的基本方法及原理目标2：了解当今新的适用于当今高维复杂数据的机器学习方法目标3：学生能够用所学的内容进行实例分析，提高学生解决实际问题的能力。
正文（宋体，小四号字）二、教学内容及其与毕业要求的对应关系（黑体，小四号字）教学内容：首先简要概述机器学习的发展历史、特点和应用领域；然后讲授回归分析及其应用，重点讲授线性回归分析方法和部分非线性回归分析方法；再讲授分类方法及其应用，重点讲授参数方法、非参数方法和集成学习方法；然后讲授聚类分析方法，重点讲授混合模型、最近邻方法等。
对拟实现的教学目标所采取的教学方法、教学手段：采取课堂讲授与上机实验相结合的方式。
课堂讲授以演示文档为主、板书为辅；上机实验以老师示范为辅、学生实验为主。
对实践教学环节的要求：要求学生在实践中能够整理数据，并能根据数据自身特点和具体目的，选取恰当的方法分析数据，根据分析结果能够进一步的指导人们的生产生活。
对课后作业、学生自学要求：课后作业和上机实验要求学生提交电子版。
该课程从哪些方面促进了毕业要求的实现：三、各教学环节学时分配（黑体，小四号字）以表格方式表现各章节的学时分配，表格如下：（宋体，小四号字）教学课时分配四、教学内容（黑体，小四号字）以“章节”为单位说明本章节的教学内容、教学重点、难点、课程的考核要求和复习思考题等，各章节格式如下：正文（宋体，小四号字）第一章绪论（了解）考核要求：学生应了解机器学习的发展历程，了解学习本门课程所应具备的数学、统计和计算机知识。
《机器学习》课程教学大纲
《机器学习》课程教学大纲课程中文名称：机器学习课程英文名称：Machine Learning适用专业：计算机应用技术，管理科学与工程总学时：36 （讲课：28 ，实验：8 ）学分：2大纲撰写人：大纲审核人：编写日期：一、课程性质及教学目的：本课程是面向计算机与信息工程学院研究生开设的专业基础课。
其教学重点是使学生掌握常见机器学习算法，包括算法的主要思想和基本步骤，并通过编程练习和典型应用实例加深了解；同时对机器学习的一般理论，如假设空间、采样理论、计算学习理论，以及无监督学习和强化学习有所了解。
二、对选课学生的要求：要求选课学生事先受过基本编程训练，熟悉C/C++或Matlab编程语言，具有多元微积分、高等代数和概率统计方面基本知识。
三、课程教学内容和要求（200字左右的概述，然后给出各“章”“节”目录及内容简介）1.决策论与信息论基础：a)损失函数、错分率的最小化、期望损失的最小化等b)相对熵、互信息2.概率分布：a)高斯分布、混合高斯分布、Dirichlet分布、beta分布等b)指数分布族：最大似然估计、充分统计量、共轭先验、无信息先验等c)非参数方法：核密度估计、近邻法3.回归的线性模型：a)线性基函数模型b)贝叶斯线性回归c)贝叶斯模型比较4.分类的线性模型：a)判别函数：二分类和多分类的Fisher线性判别b)概率生成模型：连续输入、离散特征5.核方法：a)对偶表示b)构造核函数c)径向基函数网络：Nadaraya-Watson模型d)高斯过程：高斯过程模型用于回归和分类、Laplace逼近、与神经网络的联系6.支持向量机：a)最大边缘分类器：历史回顾b)用于多分类和回归的支持向量机：几何背景、各种变种c)统计学习理论简介：Vapnik等人的工作7.图模型：a)贝叶斯网络b)Markov随机场：条件独立、因子分解c)图模型中的推断8.混合模型和期望最大化（Expectation Maximization，EM）算法（3学时）：a)高斯混合模型的参数估计：最大似然估计、EM算法b)EM一般算法及其应用：贝叶斯线性回归9.隐Markov模型和条件随机场模型（3学时）：a)隐Markov模型：向前-向后算法、Viterbi算法、Baum-Welch算法等b)条件随机场及其应用四、课程教学环节的学时安排和基本要求1.决策论与信息论基础（2学时）：了解并掌握统计决策理论和信息论的基础知识。
机器学习应用课程大纲
机器学习应用课程大纲一、课程简介1.1 课程概述1.2 目标和预期成果1.3 教学方法和评估方式二、基础知识介绍2.1 机器学习的定义和原理2.2 常用机器学习算法概述2.2.1 监督学习算法2.2.2 无监督学习算法2.3 数据预处理方法2.3.1 数据清洗2.3.2 特征选择和提取2.3.3 数据变换与归一化三、机器学习应用案例3.1 自然语言处理3.1.1 文本分类3.1.2 信息抽取3.1.3 情感分析3.2 图像识别与处理3.2.1 物体检测3.2.2 图像分割3.2.3 人脸识别3.3 推荐系统3.3.1 协同过滤算法3.3.2 基于内容的推荐3.3.3 混合推荐算法3.4 其他领域应用3.4.1 金融风控3.4.2 医疗诊断3.4.3 市场预测四、机器学习模型评估与优化4.1 模型评估指标4.1.1 精确度、召回率与F1值4.1.2 ROC曲线与AUC值4.1.3 混淆矩阵4.2 过拟合与欠拟合的解决方法4.2.1 正则化方法4.2.2 交叉验证4.2.3 集成学习五、实践项目5.1 项目选择与需求分析5.2 数据收集与清洗5.3 特征工程与模型构建5.4 模型调优与评估5.5 实验结果展示与总结六、课程总结与展望6.1 课程回顾6.2 学生反馈与意见收集6.3 未来机器学习应用的发展趋势以上是《机器学习应用课程大纲》的内容安排，通过对机器学习基础知识的介绍、常见机器学习算法的讲解，以及机器学习在自然语言处理、图像识别与处理、推荐系统等领域的具体应用案例展示，帮助学生全面了解机器学习应用的实际场景。
课程还包括机器学习模型评估与优化的技巧与方法，并通过实践项目提供学生机会实际运用所学知识。
课程结束时进行总结与展望，回顾课程内容，收集学生反馈，并展望未来机器学习应用的发展趋势。
通过本课程的学习，学生将能够掌握机器学习应用的基础知识和实践技能，为将来在该领域有所作为奠定坚实基础。
(完整版)机器学习教学大纲
感知器的基本原理和训练法则（梯度下降和delta法则）的基本原理
反向传播算法（BP）和训练法则。
反向传播算法的其它问题：收敛性、局部极小值等。
（五）评估假设（3学时）
对假设的精度进行经验的评估是机器学习中的基本问题。它包含
估计假设精度（样本错误率、真实错误率、置信区间等）
可能学习近似正确假设：假设的错误率、PAC可学习性
有限假设空间的样本复杂度
无限假设空间的样本复杂度
VC维
（八）基于实例的学习（3学时）
基于实例的学习基本原理
k-近邻法算法及实现
距离加权最近邻算法
（九）增强学习（3学时）
增强学习基本原理：一个能够感知环境的自治agent，怎样学习选择能达到其目标的最优动作。
学习的任务：获得一个控制策略，以选择能达到目的的行为。
Q-学习算法的原理和实现
其它问题：Q函数的设计、算法的收敛性、实验策略等
四、考核
本课程种类考查课，可采取期末书面考查或论文撰写等形式。
五、实践环节（16学时）
实验内容：
利用java语言进行编程设计实现下面的算法
决策树算法的设计与实现
人工神经网络（BP算法的设计和实现）
三、教学要求
教学内容本着少而精的原则，突出重点，深入浅出，在重视基础理论的同时，注意培养学生独立思考的能力，同时注意引导学生用学到的理论来解决本方向中的一些实际的问题，达到为研究生开设这门课的意义和目的。
四、主要教学内容
本课程的讲授分为8章
（一）绪论（4学时）
机器学习的一般原理及相关概念
学习问题的标准描述
采样理论基础和方法
学习方法的比较
（六）贝叶斯学习（6学时）
《机器学习》教学大纲
《机器学习》教学大纲课程编号：课程名称：机器学习英文名称：Machine Learning先修课程：高等数学（数学分析）、线性代数（高等代数）、概率论与数理统计、程序设计基础总学时数：54学时一、教学目的本课程可作为计算机科学与技术、智能科学与技术相关本科专业的必修课，也可作为其它本科专业的选修课，或者其它专业低年级研究生的选修课。
本课程的教学目的是使学生理解机器学习的基本问题和基本算法，掌握它们的实践方法，为学生今后从事相关领域的研究工作或项目开发工作奠定坚实的基础。
具体来讲，要使学生理解聚类、回归、分类、标注相关算法并掌握它们的应用方法；理解概率类模型并掌握它们的应用方法；理解神经网络类模型并掌握它们的应用方法；理解深度学习模型并掌握它们的应用方法；理解距离度量、模型评价、过拟合、最优化等机器学习基础知识；掌握特征工程、降维与超参数调优等机器学习工程应用方法。
二、教学要求总体上，本课程的教学应本着理论与实践相结合的原则，深入浅出，突出重点，在重视基础理论的同时，注意培养学生独立思考和动手能力。
在内容设计上，应以示例入手，逐步推进，详尽剖析算法思想与基本原理。
在实施方法上，应采取启发式教学方法，在简要介绍算法思想和流程的基础上，引导学生自行运行并分析实现代码。
在教学手段上，应结合板书、多媒体、网络资源等多种传授方法，提高学生兴趣。
在实验教学上，应促进学生对讲授知识的理解，开拓眼界，提升实践能力。
三、教学内容本课程内容共分为八章。
（一）绪论（1学时）【内容】机器学习的基本概念，机器学习算法及其分类，课程内容介绍，编程环境及工具包。
【重点】机器学习的基本概念，机器学习算法分类。
（二）聚类（11学时，含4学时实验课）【内容】K均值聚类及其改进算法，聚类的任务，样本点常用距离度量，聚类算法评价指标，聚类算法分类，DBSCAN算法及其派生算法，AGNES算法。
【重点】距离度量，聚类算法评价指标，K均值算法，DBSCAN算法。
《机器学习》课程教学大纲(本科)
《机器学习》课程教学大纲课程编号：04290课程名称：机器学习英文名称：Machine Learning课程类型：学科基础课课程要求：必修学时/学分：48/3 （讲课学时：40 上机学时：8）适用专业：智能科学与技术一、课程性质与任务机器学习是智能科学专业的学生学习和掌握各种复杂求解算法进行决策的基础课程。
本课程在教学方面着重介绍各种机器学习算法的基本思想、理论体系和计算机实现的技巧。
在培养学生实践能力方面着重培养学生设计求解算法的整体思路，设计求解步骤，使学生能够应用机器学习对复杂问题进行决策。
（支撑毕业要求 1.2, 2.2, 3.1, 3.2, 5.1, 5.2, 10.1, 10.3, 11.1, 11.2）二、课程与其他课程的联系先修课程：C语言，人工智能基础，神经网络技术、概率论与数理统计后续课程：大数据分析概率论与数理统计课程学习的数学理论知识是本课程贝叶斯学习和评估假设学习的基础。
人工智能和神经网络技术是本课程的基本算法的组成部分。
C语言可实现本课程的机器学习算法。
本课程给出的机器学习算法可用来为数据分析结果实现智能化提供方法。
三、课程教学目标1.学习机器学习算法的基本理论知识、算法的求解思想和基本流程，能够实现智能机器人、智能控制系统的自动化、信息化、智能化等复杂工程问题；（支撑毕业要求1.2,2.2）2.通过对机器学习算法的学习，能够针对智能控制系统、智能机器人等复杂工程问题，开发、选择与使用合理的智能技术、资源，实现对复杂工程问题的预测与模拟。
（支撑毕业要求5.1, 5.2）3.通过机器学习算法的整体求解思路，各部分算法实现能够基于智能系统工程相关背景知识进行合理分析，评价复杂工程问题解决方案对社会、健康、安全、法律以及文化的影响；（支撑毕业要求3.1, 3.2）4.通过对机器学习算法的学习，能够掌握智能系统及智能工程管理与经济决策方法，并能在多学科环境中应用；（支撑毕业要求11.1, 11.2）5.了解本专业领域的最新进展与发展动态，具有跟踪学科发展前沿的意识和文献检索基本技能，能够在跨文化背景下进行沟通和交流。
《机器学习》课程教学大纲
《机器学习》课程教学大纲一、课程基本信息课程代码：21133600课程中文名称：机器学习课程英文名称：Machine Learning讲课学时/学分：32/2课内实验学时/学分： 8课外实验/科研实践学时：8课外研讨学时：课外素质拓展学时：课程类别：专业选修课课程性质：选修授课语种：中文适用专业：软件工程开设学期：第五学期先修课程：无责任单位：二、课程地位与作用《机器学习》课程是软件工程专业的专业选修课。
2017年7月8日国务院发布关于印发新一代人工智能发展规划的通知，宣布我国人工智能技术的战略目标：2025年人工智能基础理论实现重大突破，2030年人工智能理论、技术与应用总体达到世界领先水平。
2018年4月2日教育部发布关于印发《高等学校人工智能创新行动计划》的通知，指出加快机器学习等核心关键技术研究，形成新一代人工智能技术体系。
机器学习作为人工智能技术的基础，是一门多学科融合的技术，通过机器学习，使计算机系统具有从数据中“学习”经验的能力以便实现人工智能。
通过本课程的学习，学生将理解机器学习的原理，掌握常见机器学习方法中主要算法、较新的深度学习网络，通过实验提高机器学习算法编程和应用的能力，能够跟踪机器学习发展前沿，为学生将来从事人工智能相关工作或研究打下基础。
三、课程内容简介本课程涵盖了机器学习的大部分内容，从机器学习原理到实际应用，从传统机器学习方法到深度学习等该领域近年来较新的研究。
具体包括：机器学习基础、数据预处理、分类算法、决策树、支持向量机、回归分析、聚类分析、神经网络训练与深度学习、卷积神经网络、循环神经网络、图神经网络、生成对抗网络等内容。
四、课程目标及对毕业要求的支撑通过本课程的学习，应达到的目标及能力如下：目标1：掌握机器学习相关的专业术语，了解机器学习的发展动态，能够查阅该领域的中英文文献。
目标2：了解监督/无监督学习方法，了解回归任务和分类任务，了解人工神经网络的原理和基本结构。
《机器学习》课程教学大纲
《机器学习》课程教学大纲课程中文名称：机器学习课程英文名称：Machine Learning适用专业：计算机应用技术，管理科学与工程总学时：36 （讲课：28 ，实验：8 ）学分：2大纲撰写人：大纲审核人：编写日期：一、课程性质及教学目的：本课程是面向计算机与信息工程学院研究生开设的专业基础课。
其教学重点是使学生掌握常见机器学习算法，包括算法的主要思想和基本步骤，并通过编程练习和典型应用实例加深了解；同时对机器学习的一般理论，如假设空间、采样理论、计算学习理论，以及无监督学习和强化学习有所了解。
二、对选课学生的要求：要求选课学生事先受过基本编程训练，熟悉C/C++或Matlab编程语言，具有多元微积分、高等代数和概率统计方面基本知识。
三、课程教学内容和要求（200字左右的概述，然后给出各“章”“节”目录及内容简介）1.决策论与信息论基础：a)损失函数、错分率的最小化、期望损失的最小化等b)相对熵、互信息2.概率分布：a)高斯分布、混合高斯分布、Dirichlet分布、beta分布等b)指数分布族：最大似然估计、充分统计量、共轭先验、无信息先验等c)非参数方法：核密度估计、近邻法3.回归的线性模型：a)线性基函数模型b)贝叶斯线性回归c)贝叶斯模型比较4.分类的线性模型：a)判别函数：二分类和多分类的Fisher线性判别b)概率生成模型：连续输入、离散特征5.核方法：a)对偶表示b)构造核函数c)径向基函数网络：Nadaraya-Watson模型d)高斯过程：高斯过程模型用于回归和分类、Laplace逼近、与神经网络的联系6.支持向量机：a)最大边缘分类器：历史回顾b)用于多分类和回归的支持向量机：几何背景、各种变种c)统计学习理论简介：Vapnik等人的工作7.图模型：a)贝叶斯网络b)Markov随机场：条件独立、因子分解c)图模型中的推断8.混合模型和期望最大化（Expectation Maximization，EM）算法（3学时）：a)高斯混合模型的参数估计：最大似然估计、EM算法b)EM一般算法及其应用：贝叶斯线性回归9.隐Markov模型和条件随机场模型（3学时）：a)隐Markov模型：向前-向后算法、Viterbi算法、Baum-Welch算法等b)条件随机场及其应用四、课程教学环节的学时安排和基本要求1.决策论与信息论基础（2学时）：了解并掌握统计决策理论和信息论的基础知识。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
《机器学习》课程教学大纲
课程代码：
课程名称：机器学习
开课学期：
学分/学时：3/48
课程类型：必修
适用专业/开课对象：
先修课程：
开课单位：
团队负责人：责任教授：
执笔人：核准院长：
一、课程的性质、目的与任务
《机器学习》是新工科专业中的一门非常实用的课程，该课程以机器学习算法为主题，从理解其中涉及的数学理论以及Python实现常见的机器学习算法方向出发，主要内容包括含有分类和回归问题、集成学习框架、无监督算法、神经网络与深度学习这几部分常见的机器学习模式，以及包括K-Means算法分类、朴素贝叶斯分类器、逻辑回归、线性回归和决策树及SVM分类、多层感知机模型和随机森林模型、生成式对抗网络、人脸识别等Python机器学习项目的实现方法。
本课程的目的与任务是使学生通过本课程的学习，从机器学习的基本数学知识入手，循序渐进的学习Python机器学习项目的开发，并通过引入实际案例的学习，帮助学生更好的系统性学习机器学习，做到理论与实践相结合，方法
与应用相结合。
本课程除要求学生掌握基础机器学习算法的运用，更重要的是要求学生拥有分析问题、解决问题的能力和学以致用的思想，为更深入地学习和今后的实践打下良好的基础。
二、教学内容及教学基本要求
1. 机器学习概述（2学时）
了解机器学习的组成；了解不同划分标准下的机器学习算法；理解分类问题和回归问题；理解监督学习、半监督学习和无监督学习；了解生成模型和判别模型；了解模型评估方法；了解正则化处理；了解并使用Python的sklearn模块；
2. 逻辑回归及最大熵模型（2学时）
了解并掌握线性回归，包括一元线性回归和多元线性回归；理解广义线性回归，包括逻辑回归、多分类逻辑回归和交叉熵损失函数；理解最大熵模型；了解并掌握分类问题的评价指标；实现一个简单的逻辑回归案例；
3. k-近邻算法（2学时）
理解k-近邻算法的数学思想；掌握实现k-近邻算法所需要的一般手段，包括k值的选取、距离的度量和快速检索；实现简单的k-近邻算法，并自主对比不同参数下的表现；
4. 决策树（2学时）
理解决策树算法的思想；了解并掌握特征选取中的不同度量及数学含义，包括信息增益和信息增益比；了解并掌握决策树生成算法CART；理解决策树剪枝，包括预剪枝和后剪枝及之间的区别；实现简单的决策树算法完成分类问题；
5. 朴素贝叶斯分类器（2学时）
理解极大似然估计；理解并掌握朴素贝叶斯分类；了解拉普拉斯平滑；了解朴素贝叶斯分类器和极大似然估计之间的联系；实现简单的朴素贝叶斯分类器完成垃圾信息分类问题；
6. 支持向量机（2学时）
理解支持向量机的核心思想；理解最大间隔及超平面的数学定义；理解线性可分支持向量机的数学实现；理解线性支持向量机的数学实现；了解合页损失函数；理解并掌握核技巧解决线性不可分问题；了解并掌握SVM算法解决二分类问题和多分类问题；实现简单的SVM模型完成分类问题；
7. 集成学习（4学时）
理解回归问题中的偏差与方差；理解Bagging的思想和数学实现；了解随机森林与Bagging之间的区别；理解并掌握Boosting的思路和AdaBoost的算法实现；了解提升树及各自的特点，包括残差提升树、GBDT和XGBoost；了解Stacking；实现GBDT模型完成房价预测问题；
8. EM算法及其应用（4学时）
理解并掌握EM算法的算法流程；了解高斯混合模型，结合案例理解数学实现；了解并掌握隐马尔科夫模型，包括核心思想、观测概率的计算、估计隐马尔可夫模型的参数和隐变量序列预测；实现高斯混合模型完成分类问题；
9.降维（4学时）
了解降维的目的；理解主成分分析的数学实现；理解并掌握主成分分析算法的流程，实现鸢尾花数据降维；了解奇异值分解；了解并掌握奇异值分解的用途和几何解释；实现利用奇异值分解将图片压缩；
10.聚类（2学时）
了解聚类的目的；理解不同的距离度量；了解并掌握层次聚类的算法流程；理解并掌握K-Means聚类的算法流程；理解并掌握K-Medoids聚类的算法流程；理解并掌握DBSCAN的算法流程和含义；实现K-Means模型完成鸢尾花数据聚类；
11.神经网络与深度学习（6学时）
理解神经元模型和各种激活函数；掌握多层感知机的组成；理解损失函数的数学含义；了解并掌握反向传播算法，包括梯度下降法的算法流程及梯度消失问题的解决办法；理解卷积神经网络，包括卷积、池化和网络结构；理解循环神经网络，了解LSTM；理解生成对抗网络的组成和算法流程；了解图卷积神经网络的数学含义；实现卷积神经网络完成手写数字的识别；
12. 实验（16学时）
教学说明及教学基本要求见《机器学习》实验教学大纲。
三、教学方法
本课程教学方法以教师为主导的启发式讲授教学法为主，讨论（提问）式教学为辅，结合课外学习的教学方法。
实验以学生动手实验为主，教师的启发式讲授教学法为辅，并结合讨论（提问）式教学，以及结合课外学习的教学方法。
1．本课程概念较多，因此教学形式以讲授方式为主。
本课程拟采用多媒体PPT 的教学方法，增加课堂信息，浅显通俗地对概念、定义和原理进行解释，增加教学的直观性，教学过程中注意各个知识点的关联性，以使学生更好地理解课程内容。
2．对课程中关键性概念、设计思想方面的问题可辅以课堂讨论的形式。
3．为加强和落实动手能力的培养，每章课后应安排作业，帮助学生学习和应用。
四、课内外教学环节及基本要求
本课程共48个学时，其中理论32个学时，讲授16周（每周2学时）；实验16个学时，讲授8周（每周2学时）。
课外学习要求：
1．做好课前预习，预习时以教材为主，了解相关的概念、定义、原理。
预习中认真思考，以便带着问题主动地听课。
2．课后要复习，有余力的学生复习时还应阅读参考资料，认真整理课堂听课笔记。
3．要求学生课外自主学习，学生课外阅读的参考资料以本大纲所列参考资料为主。
五、考核内容及方式
本课程成绩由平时成绩和期末考核成绩组合而成，课程成绩以百分制计算，分配比例如下：
1．平时成绩占30%，主要考查作业的完成程度，理论课和实验课的出勤率，实验课的考试结果。
其中作业占10%，实验占15%，出勤率占5%。
2．期末成绩占70%，采用考试的考核方式。
考试采用闭卷形式，题型为选择题、正确/错误题、填空题、简答题，以及应用题。
六、持续改进
本课程根据学生作业、课堂讨论、平时考核情况和学生、教学督导等反馈，及时对教学中不足之处进行改进，并在下一轮课程教学中改进。
七、建议教材及参考资料
建议教材：
[1] 吕云翔等.机器学习原理与应用[M]. 北京：清华大学出版社，2021.。