机器学习 教案 庞俊彪 第1次课---第13次课 机器学习与模式识别引论---决策树.docx

《机器学习》教案

《机器学习》教案

适用专业：机器人、人工智能

教学年度：

教学班级：

授课教师

课程名称

授课地点

授课时间

第1次

章节题目

机器学习与模式识别引论

教学目的

让学生了解什么是人工智能

教学重点

什么是机器学习

什么是模式识别

什么是人工智能

教学难点

机器学习的数学基础从记忆转化为理解概念的由来

模式识别的分类

教学方法

启发式，案例

教具

多媒体，程序运行结果，黑板板书

案例设计

一个典型的模式识别过程包括

教学内容

人工智能（artificialintelligence，AI）定义为：任何感知环境并采取行动以类似人的方式实现其目标的设备，即一种能够像人类一样进行思考、判断、行动等，能够使用类似人类的方式对外界刺激做出反应的智能机器。

模式识别：利用统计规律来发现数据中的规律，并利用该规律来进行预测，尤其将数据预测分类到不同的类别中。

一个典型的模式识别过程包括：数据抽取过程中的规范化，数据的预处理，数据的规范化，根据问题建立模型，训练模型，利用模型进行预测，系统地部署，根据预测结果对上述过程进行改进。上述过程中，各个阶段需要注重的典型问题及动机。

机器学习：对于某类任务T和性能指标P，若一个计算机程序在任务T中以指标P的性能随着经验E而自我改善，则我们称该程序在从经验E中学习。传统机器学习关注模式识别中“根据问题建立模型”，并对模型的理论特点进行分析，包括模型精度的上下解，模型的收敛性，模型的等效性。

教学过程

由手写字符问题引出人工智能

从人工智能的发展引入关于沿着正确方法坚持的思政教育

重点介绍数学概念的理解应该从物理概念出发以beyes公式的理解，从计算转换为对证据的累积的过程

教学总结

授课教师

课程名称

授课地点

授课时间

第2次

章节题目

模式识别数学基础

教学目的

让学生了解模式识别数学公式

教学重点

贝叶斯公式

函数的凹凸性

导数的含义

教学难点

机器学习的数学基础

增强学生的对数学和物理的理解能力

教学方法

启发式，案例

教具

多媒体，程序运行结果，黑板板书

案例设计

不知道概率分布情况下对数据进行最大释然估计，最大后验估计

教学内容

贝叶斯公式

理解证据，先验，消元的含义；

理解贝叶斯公式证据的增加会带来新的先验。

函数的凹凸性

凹凸函数的判断方法；

凸函数与Jessian不等式。

导数的含义：

函数变化速度最快的方向-〉一阶梯度下降优化方法；

函数的形状在局部的近似-〉函数在局部区域内的逼近方法。

泰勒展开：

函数在局部点任意阶的近似-〉函数在局部区域内的逼近方法和不等式证明。

基于梯度下降的优化

基于梯度下降的优化公式；

对于凹函数而言，理解学习率与梯度下降迭代次数的关系；

理解梯度下降过程，并能画出梯度下降中，梯度，学习率和优化点的几何关系；

一阶梯度下降与函数一阶泰勒展开的关系；

理解学习率大小与目标函数优化速度之间的关系；

对于用一个向量组成的变量而言，理解学习率对于向量不同分量最有解的影响；

会用程序实现基于梯度下降的目标优化算法；

贝叶斯决策理与代价矩阵

贝叶斯决策是考虑预测错误下引发代价所带来的期望损失最小化；

代价矩阵本质上体现问题决策错误的损失函数；

贝叶斯决策引入了样本点所在空间位置的概率，而不在简单归约为每个样本的概率一样。后者是带来样本不平衡问题中损失函数设计所考虑的重要问题。

基本编程能力

会使用OPENCV，PYTORCH，Sci-Py，scikit-learn,NumPy,scikit-image,Matplotlib

利用贝叶斯公式作为推理依据，实现MNIST手写字符识别

理解模式识别基本过程中的步骤，数据的预处理，数据的规范化，根据问题建立模型，训练模型，利用模型进行预测，系统地部署，根据预测结果对上述过程进行改进；

理解先验概率，似然概率的计算过程；

理解朴素贝叶斯在MNIST中能成功地条件并能找到实验证据；

理解拉普拉斯平滑的动机，原理和计算过程；

能通过实验观测，学生意识到直方图建立概率的编程过程和局限性；

能尝试利用已学的知识（如图象处理）实现“数据的预处理”的优化而提高性能；

教学过程

1.讲解数的凹凸性，导数的含义：

2.留梯度下降和taylor展开之间的关系作为作业？并留梯度下降的作业？

3.对手写数字识别过程的讨论

教学总结

授课教师

课程名称

授课地点

授课时间

第3次

章节题目

参数化的概率密度估计

教学目的

让学生了解频率学派、贝叶斯学派的基本观点

教学重点

频率学派的观点

贝叶斯学派的观点和优点

最大似然估计

教学难点

机器学习的数学基础从记忆转化为理解概念的由来

增强学