2023S04006-机器学习-2023版人才培养方案课程教学大纲.docxVIP

PAGE6

附件5-1

ADDINCNKISM.UserStyle《机器学习》课程教学大纲

（理论课程·2023版）

一、课程基本信息

课程号

2023S04006

开课单位

网络空间安全与计算机学院

课程名称

（中文）机器学习

（英文）MachineLearning

课程性质

必修

考核类型

考试

课程学分

3

课程学时

51

课程类别

专业发展课程（专业核心课）

先修课程

大学数学C、人工智能数学基础、人工智能程序框架

适用专业（类）

人工智能

二、课程描述及目标

（一）课程简介

《机器学习》是人工智能专业的一门专业核心课程，涉及概率论、线性代数、统计学、最优化理论等多领域的交叉知识。该课程研究计算机怎样模拟和实现人类的学习行为、以获取新的知识或技能，通过归纳、综合等方法，重组已有知识结构、使之不断改善自身性能。机器学习是使计算机具有智能的根本途径。目前，机器学习已有广泛的应用领域：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、证券市场分析、自动驾驶、DNA序列测序、语音和手写识别、机器翻译等。

本课程的教学，旨在使学生掌握线性模型、决策树、支持向量机、贝叶斯分类器、聚类算法、降维算法、模型的评估与选择等经典的机器学习理论、能够利用机器学习的原理和方法，针对具体问题、结合实际的数据集，进行机器学习模型的构建，并对结果进行评估。本课程的学习，可以为后续课程（神经网络与深度学习、计算机视觉、模式识别、自然语言处理等）奠定必要的理论基础，同时，力求学生的科学素养得到初步的训练。

（二）教学目标

通过本课程的学习，学生将对机器学习有较全面的认识、理清基本概念，掌握经典的机器学习模型的特点和原理，具备针对实际问题进行分析、选用适宜的机器学习方法、建模并予以解决的能力，逐步形成利用机器学习技术解决实际问题的思维方式。

课程目标1：理解并掌握机器学习的基本概念、特点与原理；

课程目标2：掌握经典的机器学习模型及其算法实现；

课程目标3：应用机器学习技术解决人工智能领域的实际问题；

课程目标4：了解和追踪机器学习领域的前沿技术。

三、课程目标对毕业要求的支撑关系

毕业要求指标点

课程目标

权重

1-3能够将相关工程专业知识和数学分析方法用于推演、分析人工智能领域复杂工程问题

课程目标1

0.2

2-1能运用相关科学原理，识别和判断人工智能领域中复杂工程问题的关键环节

课程目标2

0.4

5-2能够选择与使用恰当的技术、资源、现代工程工具、现代信息技术工具和相关辅助软件对人工智能领域的复杂工程问题进行分析、计算与设计

课程目标3

0.3

10-2了解人工智能专业领域的国际发展趋势、研究热点，理解和尊重世界不同语言、文化的差异性和多元化

课程目标4

0.1

四、教学方式与方法

采用理论与实践相结合的任务和目标驱动教学方式。本课程是人工智能专业的专业核心课程，主要从基本概念和基本问题出发，结合实践，用阶段性的任务和目标来引导学习，使其贯穿整个教学过程，让学生对机器学习模型有一定的了解，激发学生的学习兴趣和学习主动性。

五、教学重点与难点

（一）教学重点

机器学习的基本概念、机器学习的发展历程和应用现状、常用的模型评估方法、经验误差、偏差和方差、过拟合、模型性能度量指标、线性回归模型和线性判别分析、特征选择、信息熵、信息增益、基尼指数、决策树、剪枝策略、线性支持向量机、硬间隔、软间隔、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、贝叶斯网络、EM算法、集成学习、Boosting算法、Bagging算法和随机森林、聚类思想、k均值算法、高斯混合聚类、层次聚类、密度聚类、k近邻方法、主成分分析方法、低维嵌入方法、核化线性降维、聚类假设、流形假设、半监督SVM和半监督聚类、一阶规则学习、归纳逻辑程序设计。

（二）教学难点

假设空间、归纳偏好、特征选择、决策树的剪枝策略、支持向量机、核函数、贝叶斯分类器、EM算法、集成学习、k均值算法、高斯混合聚类、层次聚类、k近邻方法、主成分分析方法、核化线性降维、半监督学习方法。

六、教学内容、基本要求与学时分配

序号

教学内容

基本要求

学时

教学

方式

对应课程目标

1

第1单元

绪论

理解机器学习的基本概念、理解假设空间、归纳偏好、了解机器学习的发展历程、应用现状。

3

讲授

课程目标1

2

第2单元

模型评估与选择

理解经验误差、过拟合、偏差和方差、掌握常用的评估方法和性能度量指标、了解比较检验方法。

6

讲授

课程目标1

课程目标2

3

第3单元

线性模型

了解线性模型的基本形式、理解回归的含义、掌握线性回归模型和线性判别分析、了解对数几率回归、了解多分类学习。

5

讲授

课程目标2

课程目标3

4

第4单元

决策树

掌握决策树的基本流程、了解