文档详情

《机器学习（含实验实践）》课程教学大纲（机械设计制造及其自动化专业）.doc

发布：2024-11-18约5.67千字共9页下载文档

文本预览下载声明

PAGE

PAGE1

《机器学习》课程教学大纲

一、课程简介

课程中文名

机器学习

课程英文名

Machinelearning

双语授课

□是?否

课程代码课程学分

总学时数

64（含实践32）

课程类别

□通识教育课程

□公共基础课程

?专业教育课程

□综合实践课程

□教师教育课程

课程性质

□必修

?选修

□其他

课程形态

□线上

?线下

□线上线下混合式

□社会实践

□虚拟仿真实验教学

考核方式

□闭卷□开卷□课程论文?课程作品?汇报展示□报告

?课堂表现□阶段性测试?平时作业□其他（可多选）

开课学院

大数据与智能工程学院

开课

系(教研室)

计算机科学与技术系

面向专业

计算机科学与技术

开课学期

第5学期

先修课程

数据结构与算法、Python程序设计

后续课程

企业级应用系统综合实训

选用教材

1.安德里亚斯·穆勒、莎拉·吉多著，张亮译，Python机器学习基础教程[M]，北京：清华大学出版社，2018.

参考书目

1.周志华，机器学习[M]，北京：清华大学出版社，2016

2.塞巴斯蒂安·拉施卡著，陈斌译，Python机器学习[M]，北京：机器工业出版社，2021

课程资源

/paths/ijeknthr

课程简介

机器学习是计算机科学与技术专业学生和电子信息专业的选修课，课程内容包括机器学习概述、模型的评估与选择，和线性回归、广义线性回归、决策树、支持向量机、贝叶斯分类器、集成学习、聚类、降维与推荐等机器学习算法。课程通过对机器学习基础知识的学习，使学生循序渐进地掌握机器学习算法原理及建模过程，达到具有分析问题、解决实际问题的能力。

二、课程目标

表1课程目标

序号

具体课程目标

课程目标1

掌握线性回归、广义线性回归、决策树、支持向量机、贝叶斯分类器、集成学习、聚类、降维与推荐等常用机器学习算法原理，能够设计并实现一些经典机器学习算法如如支持向量机、线性回归、逻辑回归、贝叶斯分类器、K最近邻、主成分分析及K均值等，并能够使用特定方法对模型性能进行评估和优化。

课程目标2

能够识别计算机软件系统设计与实现中的关键问题，选择合适的机器学习算法对其进行建模和实现，并根据实现问题需求对模型进行改进及持续优化，从而更好地解决工程领域中的相关问题，并在设计和实现环节中体现创新性。

课程目标3

通过在研究过程中，使用Numpy、Pandas、Scikit-learn等工具开发、选择与使用恰当机器学习算法，对计算机复杂工程问题进行研究、设计实验、分析实验结果、并对数据合理性进行解释。

表2-1课程目标与毕业要求对应关系（计算机科学与技术专业）

毕业要求

指标点

课程目标

1.工程知识：能够将数学、自然科学、工程基础和计算机科学与技术专业知识用于解决计算机复杂工程问题。【L】

1.3能够对计算系统的设计方案和所建模型进行分析推理，并能够得出有效结论。

课程目标1

3.设计/开发解决方案：能够针对计算机复杂工程问题的解决方案，设计并实现满足特定需求的软件系统，并能够在设计和实现环节中体现创新意识，考虑社会、健康、安全、法律、文化以及环境等因素。【H】

3.2能够识别计算机软件系统设计与实现中的关键问题，并对方案进行持续优化，体现创新性。

课程目标2

3.设计/开发解决方案：能够针对计算机复杂工程问题的解决方案，设计并实现满足特定需求的软件系统，并能够在设计和实现环节中体现创新意识，考虑社会、健康、安全、法律、文化以及环境等因素。【M】

4.1能够使用基本的实验方法和工具，在适当的环境下，针对计算机复杂工程问题研究的需要设计实验方案，并进行实验。

课程目标3

三、课程学习内容与方法

（一）理论学习内容及要求

表3-1课程目标、学习内容和教学方法对应关系

序号

课程模块

学习内容

学习任务

课程目标

学习重点难点

教学方法

学时

机器学习基础

1.机器学习的概念

1.了解机器学习的相关概念

2.理解监督学习与无监督学习的区别

3.查阅相关文献，整理目前机器学习的最新的技术

课程目标1

重点：

1.机器学习的定义

难点：

2.机器学习的分支

1.讲授法：引导学生掌握机器学习的概念。

2.专题研讨：促进学习理解不同机器学习分支的特点。

2.机器学习的发展历史

课程目标1

3.机器学习的主要分支

课程目标1

4.机器学习的相关应用领域

课程目标2