《大数据与机器学习》教学大纲.pdfVIP

《大数据与机器学习》教学大纲

英文课程名称：BigDataandMachineLearning

课程编码：

课程性质：专业选修课

适用专业：大数据、人工智能、软件工程、电子信息工程、电子信息工程、计算机科学与技

术等

总学时：48学时（32理论学时+16实验学时）

学分：2.5

开课学期：6

前导课程：高等数学，线性代数，概率论与数理统计，Python程序设计

后续课程：毕业设计，创新训练，专业实习，综合实训等

课程描述

大数据与机器学习是若干工科专业的窗口课程。所谓窗口课程，是指课程不属于专业主

修方向的核心体系课程，但是属于高等学校工科工程专业规范定义的教学领域范畴，课程与

行业发展联系密切，与社会需求联系密切，能够承接和引导学生未来发展。窗口课程的教学

任务要求聚焦前沿，密切联系实际。开拓进取、机动灵活、与时俱进是窗口课程的突出特点。

作为大数据与人工智能方向的专业选修课，大数据与机器学习承担着领学生入门、为学生导

航、向前沿聚焦、向自我挑战的教学使命。

领学生入门，是指以大数据与机器学习发展史的视角，梳理与审视大数据与机器学习的

过去、现在与未来，建立大数据与机器学习的历史发展观。

为学生导航，是指面对大数据与机器学习的日新月异，增强对大数据与机器学习方法路

径、学派流派的理解与认识，学生能够自主选择适合自己的方向。

向前沿聚焦，是指面对大数据与机器学习的汪洋大海，不必拘泥于大数据与机器学习的

一般教材，也不必拘泥于大数据与机器学习专业的大纲，用48个课时作为教学支点，突出

前沿教学，以点带面，用新理论、新方法拓展学生的见识与视野。

向自我挑战，是指学生面对大数据与机器学习未来巨大的不确定性，面对大数据与机器

学习科学自身的复杂性，能够结合自身的专业优势，规划未来职业取向，树立信心，确立目

标，接受挑战，建功立业。

教学目标与定位

1、课程教学目标

教育部新工科培养方案明确指出本科生应具备复杂系统设计能力。大数据与机器学习与

此目标完美契合，同时具备高阶性、创新性与挑战性三种特质。课程的具体教学目标如下。

目标1：理解掌握数据分析与处理的基本方法，熟练应用Numpy、Pandas、Matplotlib、Seaborn

等数据分析与处理工具。

目标2：理解掌握深度学习的结构原理，如卷积神经网络（CNN）、生成式对抗网络（GAN）

和自然语言处理（NLP）等。

目标3：理解掌握经典与前沿机器学习模型。对于历史经典模型（LeNet-5）、结构优美的模

型（VGG-16）、自身应用广泛并对后来算法影响深远的模型（ResNet、Inception），性能卓著

的后起之秀模型（YOLOv1～v4、DenseNet、EfficientNet、EfficientDet、BERT）等，予以重点

关注。

目标4：边理论，边实践，结合具体应用领域，如房产零售、生物信息、图像处理、蛋白质

折叠、自动驾驶、机器问答、植物病理等，提升实战能力。

目标3和目标4的内容可根据前沿进展予以动态调整。

2、课程定位

密切联系社会需求，培养学生实践能力，拓展学生职业发展空间，在大数据与机器学习

方向播撒星星之火。

课程覆盖的知识领域和知识单元

知识点与学时分配

实验设计

1实验教学目的与基本要求

（1）巩固各部分知识板块。

（2）淬炼学生知识应用能力。

（3）培养学生查阅文献、自主学习、自主创新的能力。

（4）培养学生团队协作、分享喜悦、与团队成员一起解决复杂问题的能力。

2实验环境与仪器设备

PC机、Anaconda、JupyterNoteBook（或Pycharm、Vscode等）以及第三方开源库和机器学

习开源框架。

3实验项目设置

考核与成绩评定

采用过程考核与期末考核相结合的方式，各占50%。考试模式分为线上考核、线下考核、

线上线下混合考核，三种考核模式任意选择。

1线上考核

线上考核：采用中国大学MOOC网上设置的考核模式，由单元测试、单元作业、期末考试

和课堂讨论四部分内容构成。课程满分100分。

（1）单元测验，占总分比例20%

（2）单元作业，占总分比例20%

（3）课程讨论，占总分比例10%

（4）期末考试，占总分比例50%

2线下考核

满分100分，采用“四四制”。课堂考核、论文考核、作品设计、作品答辩各占四分之一。

3线上线下混合考核

根据实际