机器学习及应用 教学大纲
授 课 基 本 情 况 选课号 课程名称 授课教师姓名 机器学习及应用 授课班级 职称 教 学 安 排 教学总周数 讲课学时 习题课学时 16 32 0 理论教学周数 实验课（含上机）学时 课堂讨论学时 16 16 0 实践环节周数 其他环节 总学时 教学目标与教学要求 教学目标： 机器学习是计算机科学与人工智能的重要分支领域，这门学科所关注的问题是：计算机程序如何随着经验累积自动提高性能。通过“原理简述+问题实例+实际代码+运行效果”介绍每一个典型的机器学习算法。主要包括机器学习概论、Python中与机器学习相关的典型库、决策树、神经网络、支持向量机、贝叶斯网络、集成学习、深度学习初步等内容。 教学要求： （一）机器学习导论 基本要求 1、了解人工智能，特别是机器学习的概念、发展历程 2、掌握机器学习的一些基本概念和术语 （二）Python初步 基本要求 1、了解Python编程语言，学会使用Numpy、Matplotlib、SciPy和sklearn库 2、掌握与机器学习相关的4个库，特别是sklearn库 （三）决策树 基本要求 1、了解决策树的基本思想和应用场景 2、掌握信息熵、ID3算法和sklearn中的决策树函数 3、掌握C4.5算法、sklearn中的回归树CART算法 （四）神经网络 基本要求 1、了解神经网络的发展历程、典型的模型和方法 2、掌握神经元模型、多层神经网络、随机梯度下降法等 3、掌握误差反向传播算法等 （五）支持向量机 基本要求 48 学分 0 0 3 -
1、了解支持向量机的发展历程、主要方法 2、掌握典型的线性支持向量机模型、核技巧等 3、掌握典型的非线性支持向量机模型、核技巧等 4、掌握sklearn SVC方法 （六）贝叶斯分类器 基本要求 1、了解贝叶斯原理和贝叶斯分类器的基本概念、应用场景等 2、掌握朴素贝叶斯算法分类器的Python实现方法 3、掌握贝叶斯网络 （七）集成学习 基本要求 1、了解集成学习的基本概念、应用场景、典型方法 2、掌握典型的集成学习方法，如Voting、Boosting等 （八）聚类 基本要求 1、了解聚类的基本概念、距离的不同定义等 2、掌握k-Means聚类、密度聚类、层次聚类等 （九）降维 基本要求 1、了解降维的基本概念、应用场景、典型方法 2、掌握典型的集成学习方法，如k-近邻学习、主成分分析、低维嵌入、奇异值分解等 （十）概率图模型 基本要求 1、了解概率图模型的基本概念，如马尔科夫过程、隐马尔科夫模型等 2、掌握Viterbi算法 （十一）深度学习初步 基本要求 1、了解深度学习的基本概念、应用场景等 2、了解TenserFlow的安装、基本使用等 （十二）实验 基本要求 1、学习Python语言的开发环境（验证性实验） 2、分组完成Python库函数的使用（验证性实验） 3、分组完成决策树实验（设计性实验） 4、分组完成神经网络实验（设计性实验） 5、分组完成支持向量机实验（设计性实验） 6、分组完成集成学习实验（设计性实验） 7、分组完成朴素贝叶斯实验（设计性实验，可选） 8、分组完成聚类实验（设计性实验，可选） 9、分组完成降维实验（设计性实验，可选） 10、分组完成概率图模型实验（设计性实验，可选）
机器学习及应用-教学大纲
