机器学习及应用 课程教案
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 材 使 用 情 况 采用教材名称 出版社名称 机器学习基础及应用 人民邮电出版社 书号 48 学分 0 0 3 - 出版（改版）年月 教学参考书 1．Python科学计算基础教程，Hemant Kumar著 陶俊杰 陈小莉译，人民邮电出版社，2017 2．Python数据科学指南，Gopi Subramanian著 方延凤 刘丹译，人民邮电出版社，2016 3．Python程序设计，董付国，清华大学出版社，2016 实验（课程设计、实训等）指导书 无 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 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） 11、分组完成深度学习实验（验证性实验，可选） 拟采用的教学方法 （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。） 1、 授受式教学，启发式教学； 2、 课堂讨论，当堂测试； 3、 通过安排适量的自主学习，并加强引导，提高学员技术运用能力和新知识获取能力。 拟采用的教学手段 （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。） 1、 适当采用多媒体课件，提高课堂教学效果； 2、 上机编程实践，巩固课堂教学内容； 3、 借助Internet，收集配件资料、拓展课程内容。 考核方式和评分标准 （考试/考查，开卷/闭卷，期中考试，期终考试，平时测验，实验，课堂发言，平时作业，课堂参与，课堂表现，考勤要求，课外论文，调研报告，市场调查，读书报告，……选择其中几项，或补充其它考核方式，并写出评分标准。） 1、本考试为考查课：平时成绩占40%，包括出勤、课堂回答问题占10%、实验情况以及讨论的情况占20%，小组互评占10%； 2、课程结束时的期终考查占60%。
机器学习及应用教案
