0923S06002-机器学习与模式识别实验.docxVIP

PAGE3

ADDINCNKISM.UserStyle《机器学习与模式识别实验》课程教学大纲

（实验课程·2023版）

一、课程基本信息

课程号

0923S06002

开课单位

数学与信息科学学院

课程名称

（中文）机器学习与模式识别实验

（英文）ExperimentsofMachineLearningandPatternRecognition

课程性质

选修

课程学分

1

课程学时

34

课内实验学时

34

课程类别

专业发展课程（专业核心课）

先修课程

高等数学、线性代数、概率论、数理统计

适用专业（类）

数据科学与大数据技术

二、课程描述及目标

《机器学习与模式识别实验》课程是本专业（类）的一门专业发展课程。机器学习与模式识别是研究计算机识别物体的机理，该课程的学习将为数据分析与处理以及人工智能等领域的学习打下基础。本课程较全面、系统地对机器学习与模式识别的基本理论、方法和实际应用进行上机操作。通过实际操作，培养高年级本科生的应用数学知识解决实际工程技术问题的能力，为今后的进一步学习和研究打下扎实的基础。

通过本课程的学习使学生掌握机器学习和模式识别的基本概念、基本方法，会用常用的机器学习和模式识别方法求解简单问题等。

课程目标1：通过上机实验操作，掌握常用的机器学习方法，如线性回归、逻辑回归、决策树、聚类和降维、支持向量机、集成学习等。

课堂目标2：通过上机实验操作，掌握并应用模式识别的基本概念和常用方法，如贝叶斯分类器、特征选择、特征提取、监督模式识别、聚类算法等。

课堂目标3：培养学生正确记录实验数据和现象，正确处理实验数据、分析实验结果、调试程序、书写实验报告的能力。

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

1-4：大数据科学研究与应用领域知识

课程目标1

0.4

2-6：能熟练使用计算机（包括常用语言、工具以及一些专用软件），具有基本算法分析、设计能力和较强的编程能力，能够将数据分析方法编程实现、进行大数据分析实验能力，具有一定的数据科学研究和大数据软件开发的能力。

课程目标2

0.3

3-4：优秀的专业素养：具有科学情怀，具备数学思维和数据思维素养，能胜任数据建模、数据分析与挖掘算法等问题的研究和大数据系统的开发工作，即可在科研机构或高校继续深造，从事数据科学相关的科研工作，也可在经济、管理、生物、交通、医疗等领域或业界从事大数据的采集、管理、分析与处理方面的工作。

课程目标3

0.3

四、教学重点与难点

决策树、聚类和降维、支持向量机、集成学习、贝叶斯分类器。

特征选择、特征提取、监督模式识别、聚类算法。

五、实验内容、基本要求与学时分配

序号

实验项目名称

实验内容与要求

学时

类型

对应课程目标

1

决策树、贝叶斯分类器

建立一个决策树

用贝叶斯分类器进行分类

4

验证性

课程目标1

2

聚类

实现聚类的基本算法

10

验证性

设计性

课程目标1、2

3

监督模式识别、BP神经网络

用监督的方法训练一个前馈神经网络，并实现分类

10

验证性

设计性

课程目标1、2、3

4

特征选择、特征提取、

采用不同的方法对数据进行降维，并对比两类方法的区别和联系

10

验证性

设计性

课程目标1、3

合计

34

六、课程教学方法

教学方式：小组讨论，教师指导，上机实验，

教学方法：与理论课程内容相对应，探讨式教学、启发式教学、案例教学相结合，让学生掌握处理基本矩阵问题的方法。

七、学业评价和课程考核

1.考核类型：?考试t考查

2.考核方式：t实验报告?实验作品

?其它：（填写具体考核方式）

3.成绩评定：

考核

依据

建议分值

（百分比）

考核/评价细则

对应课程目标

平时考核

30

表现

20

完成进度、实验报告正确性等

课程目标1、2

作业

50

编程效率，程序优化，学习态度

课程目标1、2、3

小测

30

实验基础知识，基础操作

课程目标3

期末考核

70

期末考试成绩

课程目标1、2、3

八、课程目标达成评价

课程目标的实际达成效果计算方式如下，达成值越高，教学效果越好。

课程目标达成度

毕业要求指标点达成度

九、教材与教学参考书

1.教材

《机器学习》，周志华著，清华大学出版社，2016年，第一版。

执笔人

花强

审核人

董春茹

教学院长

田大增

院长

高红亚

发布日期

2023年6月4日