《机器学习与应用》课程教学大纲.docxVIP

第 PAGE \* Arabic 1 页 / 共 NUMPAGES \* Arabic 6 页 《机器学习与应用》课程教学大纲 课程名称：机器学习与应用????????????????????课程类别：专业选修课 适用专业：电子信息工程??????????????????????考核方式：考查 总学时、学分：24学时1.5学分??????????????? 一、???课程性质、教学目标 ????《机器学习与应用》作为电子信息工程专业的一门专业选修课，本课程提供机器学习的入门基础讲解，让学生能够较为全面地了解机器学习这门学科的各类问题和方法论，主要包括监督学习、无监督学习和数据降维的主要学习算法。此外，本课程强调学生的动手能力，要求学生通过编程练习和典型应用实例加深理解，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。要求学生具备基本编程基础，熟悉Matlab或Python编程语言。其具体的课程教学目标为： 课程教学目标1：掌握机器学习的基本问题定义、基本模型，对机器学习学科有概览性的认识。 课程教学目标2：掌握目前主流的机器学习算法和模型，并能够根据实际问题的需要选择并实现相应的算法。 课程教学目标3：编程完成机器学习典型应用实例，对机器学习工程编程有初步的训练。 课程教学目标4：团队合作完成1项机器学习项目，并做展示与交流。 ? ? 课程教学目标与毕业要求对应的矩阵关系 教学目标 毕业要求 1 2 3 4 5 6 7 8 教学目标1 ? ? H L ? ? ? ? 教学目标2 ? ? H M ? ? ? ? 教学目标3 ? ? ? H ? M M ? 教学目标4 ? ? ? H ? M H H 二、????课程教学要求 通过课堂教学，要求学生对国际上机器学习研究及应用领域的现状和发展有较为全面的了解和把握，掌握其中的主流学习方法和模型（监督学习和非监督学习），并能够根据实际问题的需要选择并实现相应的算法。 三、????先修课程 高等数学、概率论与数理统计、程序设计基础。 四、????课程教学重、难点 本课程的教学重点是使学生掌握主流的机器学习算法：支持向量机、贝叶斯分类器、K-均值算法和主成分分析，包括算法的主要思想和步骤，并通过编程练习和典型应用实例加深了解。 五、????课程教学方法与教学手段 课堂讲授与动手实践相结合。突出重点，深入浅出，在重视基础理论的同时，注意培养学生独立思考的能力，同时引导学生用学到的理论来解决一些实际问题，达到开设这么课的意义和目的。 六、??课程教学内容 第一章??绪论（2学时） 1．教学内容 (1)?机器学习基本概念； (2)?基本术语； (3)?假设空间； (4)?归纳偏好。 2．重、难点提示 (1)?重点是基本术语； (2)?难点是假设空间和归纳偏好。 第二章??模型评估与选择（3学时） 1．教学内容 (1)?经验误差与过拟合； (2)?评估方法； (3)?性能度量。 2．重、难点提示 (1)?重点是评估方法； (2)?难点是性能度量。 第三章??线性模型（3学时） 1．教学内容 (1)?基本形式； (2)?线性回归； (3)?对数几率回归； (4)?线性判别分析； (5)?多分类学习。 2．重、难点提示 (1)?重点是线性回归和对数几率回归； (2)?难点是线性判别分析。 第四章??支持向量机（4学时） 1．教学内容 (1)?间隔与支持向量； (2)?对偶问题； (3)?核函数； (4)?软间隔与正则化； (5)?支持向量回归； (6)?核方法。 2．重、难点提示 (1)?重点是软间隔与正则化； (2)?难点是核函数和支持向量回归。 第五章??贝叶斯分类器（4学时） 1．教学内容 (1)?贝叶斯决策论； (2)?极大似然估计； (3)?朴素贝叶斯分类器。 2．重、难点提示 (1)?重点是极大似然估计； (2)?难点是朴素贝叶斯分类器。 第六章??无监督学习及数据降维（4学时） 1．教学内容 (1)?聚类任务和性能度量； (2)?距离计算； (3) k均值算法； (4)?主成分分析。 2．重、难点提示 (1)?重点是k均值聚类 (2)?难点是主成分分析。 第七章??神经网络（4学时） 1．教学内容 (1)?神经元模型； (2)?感知机与多层网络； (3)?误差逆向传播算法； (4)?全局最小与局部极小； (5)?深度学习。 2．重、难点提示 (1)?重点是误差逆向传播算法； (2)?难点是深度学习。 七、学时分配 章目 教学内容 教学环节 理论教学学时 实验教学学时 一 绪论 2 0 二 模型评估与选择 3 0 三 线性模型 3 0 四 支持向量机 4 0 五 贝叶斯分类器 4 0 六 无监督学习及数据降维 4 0 七 神经网络 4 0 总计 ? 24 0