机器学习及应用-课程标准
机器学习原理及应用课程教学大纲
《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。
“机器学习”课程教学大纲(质量标准)
课程名称
对先修课应知应会具体要求
先修课程 概率论与数理统计 掌握概率统计的基本概念、基本方法和基本思想。
Python 程序设计 掌握 Python 基本语法和程序设计的思想
后续课程
课程目标
毕业要求 3456
课程目标 1. 熟悉机器学习在大数据中的应用领域。
0.1 0.1 0.1 0.1
及与毕业 2. 掌握机器学习的基本概念和常用方法。
133
内容要求
授课建议：4 课时，上机。
（实验部分） 任务三：集成学习实验（支撑课程目标 1、2、3、4）
知识要点：Boosting 学习；Bagging 算法。
学习目标：掌握 AdaBoost 算法原理，编程实现 AdaBoost 算法并能解决实际问题；掌握
bagging 算法过程，编程实现 bagging 算法并能解决实际问题。
任务四：支持向量机（支撑课程目标 1、2、3、4） 知识要点：间隔与支持向量；对偶问题；核函数。 学习目标：理解支持向量、间隔、最大间隔的含义，掌握支持向量机的基本型和使用方法；
了解拉格朗日乘子法求解“对偶问题”；了解核函数定义及定理；了解软间隔的原理与使用方 法。
授课建议：4 学时，讲授。 任务五：集成学习（支撑课程目标 1、2、3、4）
感和责任感。 授课建议：4 学时，讲授。
任务二：模型评估与选择（支撑课程目标 1、2、3、4） 知识要点：经验误差与过拟合；模型评估方法；性能度量。 学习目标：理解经验误差与泛化误差、过拟合与欠拟合的含义；掌握常用评估方法；理解
错误率与精度、查准率与查全率、P-R 曲线的含义。 思政内容：合理的度量指标才能学得合理的模型，每个人都有无限潜能，只有清晰人生方
132
(完整版)《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。
机器学习课程大纲
机器学习课程大纲一、课程简介1.1 课程背景与目标1.2 学习资源与参考资料二、基础知识准备2.1 数学基础2.1.1 线性代数2.1.2 概率论与统计学2.2 编程能力2.2.1 Python基础2.2.2 数据处理与可视化工具三、机器学习概述3.1 机器学习定义与发展历程3.2 监督学习与无监督学习3.3 训练集、验证集与测试集的划分四、监督学习方法4.1 线性回归4.1.1 最小二乘法4.1.2 正规方程解4.2 逻辑回归4.2.1 二分类与多分类4.2.2 损失函数与梯度下降4.3 决策树4.3.1 特征选择与节点划分4.3.2 剪枝与过拟合4.4 支持向量机4.4.1 线性可分与线性不可分情况4.4.2 软间隔与核函数五、无监督学习方法5.1 聚类分析5.1.1 K-means算法5.1.2 层次聚类算法5.2 主成分分析与降维5.2.1 特征值分解与奇异值分解5.2.2 主成分分析算法5.3 关联规则挖掘5.3.1 Apriori算法5.3.2 FP-growth算法六、深度学习基础6.1 神经网络简介6.2 反向传播算法6.3 常见激活函数与优化器七、深度学习模型7.1 卷积神经网络（CNN）7.1.1 卷积层、池化层与全连接层 7.1.2 图像分类与目标检测7.2 循环神经网络（RNN）7.2.1 LSTM与GRU7.2.2 应用于自然语言处理7.3 生成对抗网络（GAN）7.3.1 生成模型与判别模型7.3.2 图像生成与风格迁移八、模型评估与调优8.1 训练集与测试集的划分8.2 误差度量与评估指标8.3 过拟合与欠拟合8.4 超参数调优与模型选择九、应用案例与实战项目9.1 图像分类与目标检测案例9.2 自然语言处理案例9.3 推荐系统案例十、课程总结与展望10.1 机器学习的应用领域10.2 学习资源与继续深造的方向以上是《机器学习课程大纲》的详细内容，课程涵盖了机器学习的基础知识、监督学习和无监督学习方法、深度学习基础与模型等内容。
“机器学习”课程教学大纲.
“机器学习”课程教学大纲一、课程名称：机器学习二、学分：3三、先修课程：高等数学、计算方法、概率论四、开课目的本课程是面向数学科学学院、信息科学学院研究生开设的专业基础课（高年级本科生可选修）。
其教学目的是使学生掌握常见“机器学习”类型：监督学习、无监督学习、半监督学习和强化学习中的主要学习算法，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，如计算学习理论、采样理论等有所了解。
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。
五、教材主要参考书：“Machine Learning”by Tom Mitchell，辅助参考书：“Pattern Recognition and Machine Learning”by Christopher Bishop；“Pattern Recognition”by Richard Duda et al。
六、课程进度课程内容主要由机器学习简介、监督学习、计算学习理论、无监督学习、半监督学习、增强学习组成，其中监督学习包括决策树、贝叶斯学习、核方法、神经网络、图模型，和隐马尔科夫模型，以下是课程进度，括号中的数字为大约所需授课时间。
1)Introduction to machine learning (2hr)2)Inductive learning, decision tree (2hr)3)Evaluating hypotheses, covering Estimating hypothesis accuracy, Basics of sampling theory,and Comparing learning algorithm (3hr).4)Bayesian learning, covering Bayesian theory, Maximum likelihood and MAP estimators,Minimum Description Length Principle, Bayes Optimal Classifier, and Naïve Bayesianclassifier (3hr).5)Computational learning theory, covering PAC learning, VC dimension etc. (3hr)6)Kernel methods, covering Dual representations, Constructing kernels, Radical basisfunction networks, and Gaussian process (4hr).7)Artificial neural network, covering perceptron, multilayer network and the backpropagationalgorithm, and facial recognition as an example (3hr).8)Graphical models, covering Bayesian network, Conditional independence, Markov RandomFields, and Inference in graphical models (8hr)9)Sampling methods, covering Basic sampling algorithms and Markov Chain Monte Carlo(3hr).10)Markov model and Hidden Markov model (HMM), and application of HMM in speechrecognition (3hr).11)Clustering, focusing on Density-based clustering and Hierarchical clustering (2hr).12)Semi-supervised learning (3hr)13)Reinforcement learning, covering Q learning etc. (3hr)在上述内容中1–5、7和13主要出自Mitchell著作中的相关章节，6和8–10主要出自Bishop 著作中的相关章节。
机器学习应用导论 教学大纲及教案
机器学习应用导论教学大纲及教案一、课程简介本课程旨在介绍机器研究的基本概念和应用。
通过理论讲解和实践操作，学生将掌握机器研究的基本原理和常见算法，并学会将其应用于实际问题解决。
二、教学目标1. 了解机器研究的基本概念和发展历程。
2. 掌握常见的机器研究算法及其应用场景。
3. 学会使用机器研究工具和平台进行数据挖掘和模型训练。
4. 能够独立思考和解决实际问题，并将机器研究方法应用于问题求解。
三、教学内容1. 机器研究概述- 机器研究的定义和分类- 机器研究的应用领域2. 监督研究- 概念理解和基本原理- 常见的监督研究算法：线性回归、逻辑回归、决策树、支持向量机等- 监督研究在实际问题中的应用案例3. 无监督研究- 概念理解和基本原理- 常见的无监督研究算法：聚类、关联规则等- 无监督研究在实际问题中的应用案例4. 强化研究- 概念理解和基本原理- 强化研究的算法和模型- 强化研究在实际问题中的应用案例5. 数据预处理和特征工程- 数据清洗和缺失值处理- 特征选择和降维技术6. 机器研究实践- 使用Python进行机器研究开发- 常用的机器研究库和工具介绍- 实战案例分析和实验操作四、教学方法1. 理论授课：讲解机器研究的基本概念和算法原理。
2. 实践操作：通过实际案例和实验操作，让学生亲自动手实践机器研究的流程和方法。
3. 讨论和交流：引导学生思考和讨论，解决实际问题中的机器研究应用难题。
4. 课程作业和项目：布置相关的实践作业和项目，加深学生对机器研究的理解和应用能力。
五、教材与参考资料1. 主教材：《机器研究导论》2. 参考资料：《Python机器研究实战》、《机器研究实战》、《统计研究方法》等六、评估方式1. 平时表现：参与课堂讨论和实践操作。
2. 课程作业：完成相关的实践作业和项目。
3. 考试：理论知识的考核和应用题的解答。
以上为《机器学习应用导论教学大纲及教案》的内容概要，课程内容以具体教案为准。
机器学习 课程大纲
机器学习课程大纲机器学习课程大纲一、课程简介1.1 目标本课程旨在介绍机器学习的基本概念、原理和应用。
通过学习本课程，学生将掌握机器学习的核心算法和方法，能够应用机器学习技术解决实际问题。
1.2 学时安排本课程总学时为XX小时，分为理论课和实验课两部分。
理论课重点讲解机器学习的基本理论和算法，实验课将通过实际案例操作，增强学生的实践能力。
二、教学内容2.1 机器学习导论2.1.1 机器学习定义与应用领域2.1.2 监督学习、无监督学习和强化学习2.1.3 机器学习的发展历程和应用前景2.2 机器学习基础2.2.1 数据预处理与特征选择2.2.2 模型评估与选择2.2.3 交叉验证和偏差-方差平衡2.3 监督学习算法2.3.1 线性回归2.3.2 逻辑回归2.3.3 支持向量机2.3.4 决策树2.3.5 集成学习2.4 无监督学习算法2.4.1 聚类算法2.4.2 主成分分析2.4.3 关联规则挖掘2.5 深度学习和神经网络2.5.1 深度学习基础2.5.2 前馈神经网络2.5.3 卷积神经网络2.5.4 循环神经网络2.6 强化学习2.6.1 马尔可夫决策过程2.6.2 值函数和策略2.6.3 Q-learning算法2.7 机器学习在实际问题中的应用2.7.1 图像识别2.7.2 自然语言处理2.7.3 推荐系统2.7.4 数据挖掘三、教学方法3.1 理论课程采用课堂讲授的方式，结合案例分析，激发学生的学习兴趣，培养学生分析和解决实际问题的能力。
3.2 实验课程通过计算机实验和实际案例操作，提供机器学习实践的机会，增强学生的动手能力和团队协作能力。
四、教材及参考资料4.1 教材：- 《机器学习导论》- 《机器学习实战》4.2 参考资料：- 《统计学习方法》- 《深度学习》五、考核方式5.1 平时成绩包括课堂出勤、课堂表现、小组讨论等。
5.2 作业包括理论课和实验课的作业，以及课程设计。
5.3 期末考试对学生对机器学习理论和实践能力的综合考核。
机器学习及应用-教学大纲
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
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numpymatplotlibscipy和sklearn2掌握与机器学习相关的4个库特别是sklearn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c45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sklearnsvc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votingboosting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kmeans聚类密度聚类层次聚类等基本要求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
《机器学习》课程标准
《机器学习》课程标准一、课程概述1.课程性质《机器学习》是人工智能技术服务专业针对人工智能产业及其应用相关的企事业单位的人工智能技术应用开发、系统运维、产品营销、技术支持等岗位，经过对企业岗位典型工作任务的调研和分析后，归纳总结出来的为适应人工智能产品开发与测试、数据处理、系统运维等能力要求而设置的一门专业核心课程。
2.课程任务《机器学习》课程通过与机器学习算法应用程序开发相关的实际项目学习，增强学生对本专业数据挖掘与机器学习知识的认识，训练他们养成良好的编程习惯，理解并掌握回归分析、神经网络、支持向量机、聚类、降维、大规模机器学习等内容，构建计算思维，初步具备数据挖掘与机器学习应用算法的开发能力，从而满足企业对相应岗位的职业能力需求。
3.课程要求通过课程的学习培养学生数据挖掘与机器学习算法应用方面的岗位职业能力，分析问题、解决问题的能力，养成良好的职业道德，为后续课程的学习打下坚实的基础。
二、教学目标（一）知识目标（1）了解机器学习的概念，了解机器学习目前的应用领域；（2）掌握成本函数和梯度下降算法，学会用正则化构建回归模型并避免过拟合；（3）理解神经网络的工作原理，体会不同部分在神经网络中的作用，学会将梯度检验以及其他高级优化方法应用于神经网络的构建中；（4）理解大间距分类器的概念，理解支持向量机与逻辑回归的关系，掌握其实现方法；（5）理解监督学习和无监督学习的区别，掌握K均值算法的构建；（6）明白降维的重要性，学会主程序分析算法压缩数据；（7）理解大数据机器学习的特点，掌握其算法应用的一般方法；（二）能力目标（1）会识读程序流程图，能看懂案例程序代码；（2）会使用Python语言（MATLAB语言）实现“机器学习”常规算法；（3）能按照任务要求，设计程序流程图，编写程序代码；（4）能够根据系统功能要求对程序进行调试；（5）能够对所编写的程序故障进行分析，提出解决方案并进行故障排除；（6）能根据系统工作情况，提出合理的改造方案，组织技术改造工作、绘制程序流程图、提出工艺要求、编制技术文件。
《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。
机器学习及应用课程标准
《机器学习及应用》课程教学标准学院（部）系（教研室）撰写人：时间
一、课程概述
注：1.对相近多专业使用本课程的，应分别予以描述。
2.对于有项目教学模块的课程填写本表；对于以项目教学为主体的课程另填。
二、课程内容和学时分配
2.学时包括单元的理论和实践学时
三、课程教与学的策略
说明：以上提出的策略建议，在实际运用过程中，可采用或着重运用其中某些建议或采取其他的策略方案。
四、课程资源
【推荐教材】教材名称，教材在本课程学习中作用
机器学习及应用，李克清，时在田等，编.北京：人民邮电出版社，2019-03-01
【活页教材（讲义）】活页教材名称、编制教师、编制时间
【其他参考资料】建议相关参考资料和信息，提供获取渠道，如相关网站等。
1．Python科学计算基础教程，Hemant Kumar著陶俊杰陈小莉译，北京：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，北京：人民邮电出版社，2016 3．Python程序设计，董付国，北京：清华大学出版社，2016
4. 北京西普阳光教育科技有限公司实验吧
【仪器设备与教学技术】列举必备仪器设备名称；尽可能使用更为先进的教学媒体技术、CAI技术。
五、课程绩效评价考核
注：考核方式可以为：教师评价、教师评价+互评、教师评价+互评+自评、面试、口试、讨论等各种形式。
六、其他
【技术标准】本课程涉及的国家、行业、企业技术标准
【安全要求】相关技术标准和安全（主要为实验、实训环节安全要求）
【其他】。
《机器学习》课程教学大纲
《机器学习》课程教课纲领课程中文名称：机器学习课程英文名称：Machine Learning合用专业：计算机应用技术，管理科学与工程总学时： 36 （授课：28 ，实验： 8 ）学分： 2纲领撰写人：纲领审查人：编写日期：一、课程性质及教课目标：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。
其教课要点是使学生掌握常有机器学习算法，包含算法的主要思想和基本步骤，并经过编程练习和典型应用实例加深认识；同时对机器学习的一般理论，如假定空间、采样理论、计算学习理论，以及无监察学习和加强学习有所认识。
二、对选课学生的要求：要求选课学生预先受过基本编程训练，熟习C/C++ 或 Matlab 编程语言，拥有多元微积分、高等代数和概率统计方面基本知识。
三、课程教课内容和要求（ 200 字左右的概括，而后给出各“章”“节”目录及内容简介）1.决议论与信息论基础：a)损失函数、错分率的最小化、希望损失的最小化等b)相对熵、互信息2.概率散布：a)高斯散布、混淆高斯散布、 Dirichlet 散布、 beta 散布等b)指数散布族：最大似然预计、充足统计量、共轭先验、无信息先验等c)非参数方法：核密度预计、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) 鉴别函数：二分类和多分类的Fisher 线性鉴别b)概率生成模型：连续输入、失散特点5.核方法：a)对偶表示b)结构核函数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 迫近、与神经网络的联系6.支持向量机：a)最大边沿分类器：历史回首b)用于多分类和回归的支持向量机：几何背景、各样变种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)图模型中的推测8.混淆模型和希望最大化（ Expectation Maximization ， EM）算法（ 3 学时）：a) 高斯混淆模型的参数预计：最大似然预计、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、课程教课环节的学时安排和基本要求1.决议论与信息论基础（ 2 学时）：认识并掌握统计决议理论和信息论的基础知识。
机器学习课程标准
机器学习课程标准
背景
机器研究是一种重要的人工智能领域，近年来变得越来越受欢迎。
许多人希望通过研究机器研究来提高他们的技能，但许多机器研究课程的内容和质量参差不齐。
因此，制定一套基本的机器研究课程标准有助于确保学生们接受高质量的教育，为他们未来的职业做好准备。
标准
1. 基础知识
课程应该包括以下基础知识：
- 线性代数
- 概率论与统计学
- 最优化
2. 机器研究基础
课程应该介绍以下机器研究基础：
- 监督研究
- 无监督研究
- 半监督研究
- 强化研究
3. 机器研究技术
课程应该介绍以下机器研究技术：
- 决策树
- 支持向量机
- 神经网络
- 集成方法
4. 应用
课程应该包括以下机器研究应用：
- 自然语言处理
- 计算机视觉
- 数据挖掘
- 异常检测
结论
制定机器研究课程标准可以确保学生们接受到高质量的教育。
这对于学生们未来的职业发展至关重要。
通过提供统一的标准，学生们可以更好地评估不同课程的内容和质量，选择最适合自己的机器研究课程。
- 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)。
6
9
降维
降维的基本概念；k近邻学习；主成分分析；低维嵌入；奇异值分解
使用Scikit-Learnห้องสมุดไป่ตู้函数SVD实现一个推荐系统的相似度算法；实现k近邻学习算法
同上
6
10
概率图模型
马尔科夫过程；隐马尔科夫模型；Vertibi算法
掌握隐马尔科夫模型；利用sklearn库方法实现viterbi算法。
同上
《
学院（部）系（教研室）撰写人：时间
一、课程概述
课程名称
机器学习及应用
课程代码
英文名称
Machine LearningandApplication
适用专业
计算机网络技术、计算机应用技术、物联网技术等
总学时
48
课程性质
□核心课程、□通识课程、 拓展课程、□创新创业课程
□其他
学分
3
课程简介
本课程是计算机网络技术、计算机应用技术、物联网技术等专业培养方案中的一门专业拓展课程。机器学习及应用是一门多领域交叉学科，涉及概率论、统计学、逼近论、算法复杂度理论等多门学科，让计算机在非精确编程下进行活动的科学，使计算机具有智能。在过去十年，机器学习促成了无人驾驶、高效语音识别、精确网络搜索及人类基因组认知的大力发展。通过本课程的学习，培养学生综合运用各种所学知识，提升其分析问题和解决问题的能力。
本课程将介绍机器学习及应用的基础知识和一些典型而常用的算法，主要包括：决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维、概率图模型、深度学习初步；同时也为选修者提供一些进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等内容。
课程地位
本课程适用于计算机应用技术、计算机网络技术和物联网技术等专业，主要面向应用类机器学习职业岗位。这类岗位的市场需求量非常大，所有的互联网公司都设置了这个岗位；零售、金融、电信和制造业等行业也有需求。本课程是上述专业培养方案中的拓展课程，综合运用专业所学的编程、微积分、统计学等知识，培养学生分析问题和解决问题的能力。
计算机应用技术专业的学生具有一定的编程能力和数据处理能力，可以选修本课程的全部内容：决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维、概率图模型、深度学习初步等内容。
计算机网络技术和物联网技术专业的学生具有良好的数据处理能力，编程训练有待加强，可以选修本课程所涉及的常用算法，主要包括：决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维等。
案例教学、项目教学、实验、探究
教学手段
如传统讲授，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。
多媒体教学、网络教学。
教学设计
如学习团队组织；情境（工程背景）创设；以学生为中心的案例设计；讨论与研究安排；学习中的合作安排；知识运用与实践的安排；知识的梳理与认识（重构）;学习报告等等方面的教学设计。
掌握集成学习方法中的Voting、Bagging；Ada Boosting、Gradient Boosting。
同上
4
8
聚类
聚类的基本概念；典型的距离计算方法；k-Means算法；密度聚类；层次聚类
掌握典型的距离计算方法；掌握k-Means算法原理；利用sklearn中的kMeans算法和DBSCAN算法。
4
11
深度学习初步
深度学习的典型方法；TensorFlow简介与基本使用
掌握深度学习基本模型，以及TensorFlow的安装与基本使用。
同上
2
合计
三、课程教与学的策略
教学方法
如授受式教学，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。
同上
4
4
神经网络
神经元；前向多层神经网络；Logistic梯度下降法；Logistic梯度随机下降法；BP神经网络
理解梯度下降法和线性感知器的原理，并编码实现；实现多层前向神经网络；实现BP神经网络，并用该算法识别手写体。
同上
6
5
支持向量机
函数间隔与几何间隔；SMO算法；Scikit-LearnSVM分类器运用
对于其他有志于人工智能和机器学习的学习者，可以根据自己的实际情况，在熟悉Python语言、微积分等先续知识的前提下，选修部分内容。
课程学习形式
本课程的学习拟采取校内集中面授+实验的方式，教师主要介绍人工智能的基本原理，机器学习的经典算法及其Python实现方案，选修者在教师指导下完成各个实验。
另外，选修者也可以在网络上搜寻相关的人工智能、机器学习的内容，作为本课程内容的有益补充。
选修者的预备知识是Python程序设计、概率论、微积分和线性代数方面的课程，具有一定的自学能力，能独立调试编程过程中的简单问题。其后续课程有数据挖掘、毕业设计系统等。
课程学习目标
本课程拟用Python作为编程语言，选用Anaconda的Spyder或JetBrains PyCharm作为开发平台。建议在选修前先自学Python语言，学会编写一些简单的Python程序。
理解函数间隔和几何间隔；利用sklearnSVM方法解决简单的分类问题；编码实现SMO算法。
同上
6
6
贝叶斯分类器
贝叶斯定理；朴素贝叶斯算法；EM算法；贝叶斯网络
利用Numpy库，编码实现朴素贝叶斯算法；sklearn中的朴素贝叶斯方法。
同上
4
7
集成学习
集成学习的基本概念；Voting；Bagging；Ada Boosting以及Gradient Boosting
二、课程内容和学时分配
序号
单元名称
主要教学知识点
学习目标及能力要求
学习情境
学时
作业
1
导论
了解机器学习的基本概念、发展历程及应用现状
了解机器学习的概念；掌握概念学习、假设空间、模型评估与选择等概念。
多媒体理论教学
2
2
Python基础
搭建Python开发环境；学会使用Numpy矩阵运算；学会使用Linalg线性代数矩阵；数据处理的可视化
掌握机器学习的IDE开发环境；学习Python矢量编程方法；学会使用Python算法库（包括第三方），特别是数据的可视化编程。
多媒体教学AnaCondaPython 3.3及以上IDE开发环境下实验。
4
3
决策树
信息熵；ID3算法；C4.5算法
理解信息熵，并编码实现；利用信息熵，构建ID3算法和C4.5算法。