《机器学习》课程教学大纲(本科).docxVIP

《机器学习》课程教学大纲

课程编号：04290

课程名称：机器学习

英文名称：MachineLearning

课程类型：学科基础课

课程要求：必修

学时/学分：48/3（讲课学时：40上机学时：8）

适用专业：智能科学与技术

一、 课程性质与任务

机器学习是智能科学专业的学生学习和掌握各种复杂求解算法进行决策的基础课程。本

课程在教学方面着重介绍各种机器学习算法的基本思想、理论体系和计算机实现的技巧。在培

养学生实践能力方面着重培养学生设计求解算法的整体思路，设计求解步骤，使学生能够应用

机器学习对复杂问题进行决策。（支撑毕业要求1.2,2.2,3.1,3.2,5.1,5.2,10.1,10.3,

11.1,11.2）

二、 课程与其他课程的联系

先修课程：C语言，人工智能基础，神经网络技术、概率论与数理统计

后续课程：大数据分析

概率论与数理统计课程学习的数学理论知识是本课程贝叶斯学习和评估假设学习的基础。

人工智能和神经网络技术是本课程的基本算法的组成部分。C语言可实现本课程的机器学习算

法。

本课程给出的机器学习算法可用来为数据分析结果实现智能化提供方法。

三、 课程教学目标

学习机器学习算法的基本理论知识、算法的求解思想和基本流程，能够实现智能机器人、

智能控制系统的自动化、信息化、智能化等复杂工程问题；（支撑毕业要求1.2,2.2）

通过对机器学习算法的学习，能够针对智能控制系统、智能机器人等复杂工程问题，

开发、选择与使用合理的智能技术、资源，实现对复杂工程问题的预测与模拟。（支撑毕业要

求5.1,5.2）

通过机器学习算法的整体求解思路，各部分算法实现能够基于智能系统工程相关背景知

识进行合理分析，评价复杂工程问题解决方案对社会、健康、安全、法律以及文化的影响；

（支撑毕业要求3.1,3.2）

通过对机器学习算法的学习，能够掌握智能系统及智能工程管理与经济决策方法，并能

在多学科环境中应用；（支撑毕业要求11.1,11.2）

了解本专业领域的最新进展与发展动态，具有跟踪学科发展前沿的意识和文献检索基本

技能，能够在跨文化背景下进行沟通和交流。（支撑毕业要求10.1,10.3）

四、教学内容、基本要求与学时分配

序

号

教学内容

教学要求

学

时

教学

方式

对应课

程教学

目标

1

一、绪论

.引言

.基本术

.假设空间

4.归纳偏好

5.应用现状

了解机器学习的基本术语、假

设空间的基本概念和表示方法。

掌握归纳偏好的定义及表示

方法。

3.了解机器学习的应用实例。

2

讲授

5

2

二、模型评估与选择

1.经验误差与过拟合

2.评估方法

3.性能度量

4上匕较检验

5.偏差与方差

1.了解经验误差的表示方法和过

拟合的定义。

.掌握评估方法和性能度量方

法。

.掌握比较检验的方法。

.了解偏差与方差的定义。

4

讲授

1,3

3

三、线性模型

基本形式

线性回归

对数几率回归

4.线性判别分析

5.多分类学习

6.类别不平衡问题

了解线性模型的基本形式。

掌握线性回归、局部加权回

归、对数几率回归的方法。

3.重点掌握线性判别分析的基本

方法。

4.掌握多分类学习方法。

4

讲授

1,3

4

四、决策树

1.基本流程

划分选择

剪枝处理

连续与缺失值

5.多变量决策树

.了解决策树的基本流程。

.掌握决策树学习算法表示法和

算法的求解过程。

重点掌握决策树选择、剪枝的

基本方法。

掌握决策树连续和确实的处理

方法。

5.掌握多变量决策树方法。

8

讲授

1,2,3,4

上机：决策树学习算法实现

掌握决策树学习算法的决策过

程，应用决策树学习的求解机理

对给定的问题实例。

4

上机

2,3

5

五、贝叶斯分类器

贝叶斯决策论

极大似然估计

.朴素贝叶斯分类器

.半朴素贝叶斯分类器

.掌握贝叶斯决策的基本原理。

.了解极大似然估计方法。

掌握朴素分类器、半朴素贝叶

斯分类器基本原理和决策过程。

掌握贝叶斯网的结构、学习、

推断方法。

8

讲授

1,2,3,4

贝叶斯网

EM算法

上机：贝叶斯学习算法实现

5.掌握EM算法的基本过程

掌握贝叶斯学习的基本步骤、求

解机理、算法实现的过程，应用

实例验证算法的求解结果。

2

上机

2,3

6

六、聚类

.聚类任务

.性能度量

.距离计算

.原型聚类

.密度聚类

.层次聚类

掌握聚类任务、性能度量、距

离计算方法。

重点掌握k均值算法、学习向量

法等原型聚类的方法。

掌握密度聚类、层次聚类的方

法。

8

讲授

1,3,4

7

七、降维与度量学习

k近邻学习

低维嵌入

3.主成分分析

1.掌握k.临近算法的基本过程、

求解流程。

2.掌握低维嵌入的分析方法。

3.掌握主成分分析方法。

掌握邻近和回归算法的