机器学习导论教案.docx

PAGE 机器学习导论 教案 20××～20××学年第 × 学期 学院（部）： 教研室（系）： 授课班级： 课程学分： 2 课程学时： 32 使用教材：《机器学习导论》 教案设计人： PAGE 17 周次 × 第 1 次课 学时 2 章节名称 第1章 机器学习概述（第1.1节~第1.5节） 授课形式 理论课■ 案例讨论课□ 实验课□ 习题课□ 其他□ 教学目的及要求 熟悉机器学习的基本概念、机器学习模型的分类，理解人工智能、机器学习、深度学习三者之间的关系，掌握机器学习的三个基本要素，了解损失函数、代价函数和目标函数之间的区别和联系，理解生成模型和判别模型，了解数据清洗、归一化（标准化）等处理方法。 教学重点 （1）机器学习的概念与基本术语 （2）机器学习的三个基本要素 （3）生成式模型和判别式模型 教学难点 （1）机器学习的学习准则（策略） （2）生成式模型和判别式模型 教学内容 （1）机器学习的概念与基本术语 （2）人工智能、机器学习、深度学习三者之间的关系 （3）机器学习的三个基本要素 （4）机器学习模型的分类 （5）数据预处理 教学方法与手段设计 （1）以教师讲授为主，注重条理性和逻辑性； （2）不断穿插提问和思考等互动环节，进行启发引导； （3）以多媒体PPT为主，少量板书为辅，帮助学生理解； （4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来解决。 板书设计 （详见ppt课件） （1）以图片、公式、关键内容为核心，适当辅以提示性文字说明； （2）涉及有关算法流程时，通过示例描述； （3）关键推导过程用黑板手写。 思考题 和作业 第1.8节 习题1~10 周次 × 第 2 次课 学时 2 章节名称 第1章 机器学习概述（第1.6节） 第2章 回归模型（第2.1节） 授课形式 理论课■ 案例讨论课□ 实验课□ 习题课□ 其他□ 教学目的及要求 掌握模型交叉验证法的步骤，熟悉混淆矩阵、分类准确率、错误率、查准率、查全率、F1-score、ROC曲线及ROC曲线下面积（AUC）等常用的分类模型评估指标及应用场合，理解模型欠拟合、过拟合与泛化能力，掌握范数和范数正则化的方法。 熟悉线性回归模型的定义以及学习准则（策略），熟悉最小二乘法和正规方程，掌握梯度下降法的原理。 教学重点 （1）模型选择与交叉验证法 （2）常用的分类模型评估指标 （3）范数和范数正则化 （4）线性回归模型 （5）最小二乘法和正规方程 （6）梯度下降法 教学难点 （1）范数和范数正则化 （2）最小二乘法求解线性回归模型 （3）梯度下降法的迭代关系式 教学内容 （1）机器学习模型选择与评估 （2） 线性回归 教学方法与手段设计 （1）以教师讲授为主，注重条理性和逻辑性； （2）不断穿插提问和思考等互动环节，进行启发引导； （3）以多媒体PPT为主，少量板书为辅，帮助学生理解； （4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来解决。 板书设计 （详见ppt课件） （1）以图片、公式、关键内容为核心，适当辅以提示性文字说明 （2）涉及有关算法流程时，通过示例描述 （3）关键推导过程用黑板手写 思考题 和作业 第1.8节 习题11~22 第2.7节 习题1~5 周次 × 第 3 次课 学时 2 章节名称 第2章 回归模型（第2.2节~第2.5节） 授课形式 理论课■ 案例讨论课□ 实验课□ 习题课□ 其他□ 教学目的及要求 掌握多项式回归转化为线性回归求解的方法，熟悉岭回归（Ridge回归）和套索回归（Lasso回归）的原理，掌握逻辑斯蒂回归和Softmax回归的原理以及两者的区别与联系。 教学重点 （1）多项式回归转化为线性回归求解的方法 （2）岭回归和套索回归的原理 （3）逻辑斯谛回归的原理和特点 （4）Softmax回归的原理和特点 教学难点 （1）逻辑斯谛回归的极大似然估计 （2）Softmax回归模型的求解 教学内容 （1） 多项式回归 （2）线性回归的正则化——岭回归和套索回归 （3）逻辑斯谛回归 （4）Softmax回归 教学方法与手段设计 （1）以教师讲授为主，注重条理性和逻辑性； （2）不断穿插提问和思考等互动环节，进行启发