机器学习及应用教案.pdfVIP

机器学习及应用 课程教案 授 课 基 本 情 况 选课号 - 课程名称 机器学习及应用 授课班级 授课教师姓名 职称 教 学 安 排 教学总周数 16 理论教学周数 16 实践环节周数 0 讲课学时 32 实验课 （含上机）学时 16 其他环节 0 习题课学时 0 课堂讨论学时 0 总 学 48 学分 3 时 教 材 使 用 情 况 采用教材名称 机器学习基础及应用 书号 出版社名称 人民邮电出版社 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