0923S06001-机器学习与模式识别.docx
PAGE3
ADDINCNKISM.UserStyle《机器学习与模式识别》课程教学大纲
（理论课程·2023版）
一、课程基本信息
课程号
0923S06001
开课单位
数学与信息科学学院
课程名称
（中文）机器学习与模式识别
（英文）MachineLearningandPatternRecognition
课程性质
必修
考核类型
考试
课程学分
4
课程学时
68
课程类别
专业发展课程（专业核心课）
先修课程
高等数学、线性代数、概率论、数理统计
适用专业（类）
数据科学与大数据技术
二、课程描述及目标
（一）课程简介
《机器学习与模式识别》课程是本专业（类）的一门专业发展课程。
机器学习与模式识别是一门多领域交叉应用学科，涵盖了概率论、统计学、优化、计算机科学与技术等多个学科，属于人工智能的重要分支。人类对世界的认识本质上是生命体对环境及客体的识别与改造，机器学习与模式识别是人类借助计算机用数学技术方法进行模式的判别和处理，模拟或实现人类的学习行为，以获取新的知识或技能。课程基本内容涵盖了机器学习的基本算法、模型评估与优化、特征选择与降维、模式识别的基本原理和方法等方面。其中，重点讲解了监督学习、无监督学习和强化学习等机器学习算法的原理和应用，以及模式识别在图像识别、语音识别等领域的实际应用。通过学习，学生能够理解机器学习的基本原理和算法，掌握模式识别的核心技术和应用方法，为未来的职业发展奠定坚实的基础。此外，该课程还能提升学生的问题解决能力、创新能力和实践能力，对于培养具备创新精神和实践能力的高素质人才具有重要意义。
（二）教学目标
通过本课程的学习使学生掌握机器学习和模式识别的基本概念、基本方法，会用常用的机器学习和模式识别方法求解简单问题等。
课程目标1：通过教师课堂讲授，学生课外自学，打好机器学习的数学基础，掌握常用的机器学习方法，如线性回归、逻辑回归、决策树、聚类和降维、支持向量机、集成学习等。
课堂目标2：通过教师课堂讲授，学生课外自学，掌握并应用模式识别的基本概念和常用方法，如贝叶斯分类器、特征选择、特征提取、监督模式识别、聚类算法等。
课堂目标3：为以后开设的专业课程打下坚实的理论基础。
三、课程目标对毕业要求的支撑关系
毕业要求指标点
课程目标
权重
1-3：掌握数据科学和大数据技术的基本理论和方法，包括数据库基础、信息论、数据挖掘、机器学习、并行与分布式计算、人工智能基础、数据科学导引等相关技术和方法。
课程目标1
0.5
2-1：具有良好的抽象思维、逻辑思维、空间想象、数学演算和数学建模能力，具有良好的数学表达能力。
课程目标2
0.3
3-4：具有科学情怀，具备数学思维和数据思维素养，能胜任数据建模、数据分析与挖掘算法等问题的研究和大数据系统的开发工作，即可在科研机构或高校继续深造，从事数据科学相关的科研工作，也可在经济、管理、生物、交通、医疗等领域或业界从事大数据的采集、管理、分析与处理方面的工作。
课程目标3
0.2
四、教学方式与方法
教学方式：课堂讲授为主，辅以课堂讨论。
教学方法：启发式教学，配合大量实例。
五、教学重点与难点
（一）教学重点
第一章：机器学习与模式识别概述。
第二章：模型的评估与选择。
第三章：线性回归。
第四章：逻辑回归。
第五章：支持向量机。
第六章：感知机与前馈网络。
第七章：BP算法原理与实现。
第八章：决策树。
第九章：集成学习。
第十章：贝叶斯分类器。
第十一章：最大似然估计。
第十二章：特征选择与提取。
第十三章：降维。
第十四章：聚类算法。
第十五章：前沿技术介绍。
（二）教学难点
第一章：机器学习与模式识别的形式化表示。
第二章：机器学习的泛化能力。
第三章：损失函数。
第四章：逻辑回归模型的激活函数。
第五章：SVM的原问题和对偶优化问题。
第六章：神经元网络结构与参数。
第七章：BP算法原理与计算图。
第八章：ID3算法原理。
第九章：贝叶斯估计的理论。
第十章：高斯混合模型。
第十一章：特征选择的准则。
第十二章：维数灾难。
第十三章：PCA及奇异值分解。
第十四章：无监督学习的目标函数。
第十五章：模式识别领域所面临的问题。
六、教学内容、基本要求与学时分配
序号
教学内容
基本要求
学时
教学
方式
对应课程目标
1
第1章机器学习概论
了解机器学习的基本概念及形式化表示，掌握监督学习和非监督学习的分类和应用。
2
讲授
课程目标1
2
第2章模型评估与选择
掌握模型评估指标，模型选择的本质含义。
4
讲授
课程目标1
课程目标2
3
第3章线性判别与回归
了解线性分类与回归的基本概念，熟悉模型的使用及损失函数的优化方法。理解最最小二乘法。
6
讲授
课程目标1
课程目标2
4
第4章逻辑