《机器学习与深度学习》电子教案.docx

PAGE2

周次×第1次课学时1+1

章节名称

1.1环境安装

授课形式

理论课■案例讨论课□实验课■习题课□其他□

教学目的及要求

理解实验环境相关概念

安装相关环境

教学重点

命令行管理环境

教学难点

教学内容

Anaconda环境安装

图形化管理与命令行管理

Spyder、Jupyter开发环境

MindSpore和TensorFlow2深度学习框架

教学方法与手段设计

教学方法：

（1）介绍/演示Anaconda环境和MindSpore、TensorFlow2的安装与管理

（2）示例说明Spyder的使用

（3）示例说明Jupyter的使用

辅助手段：多媒体演示

对于重点，通过例题讨论讲解、师生互动、作业等来突出

板书设计

（详见ppt课件）

（1）以文字说明为纲，串连软件安装演示过程

思考题

和作业

课后继续完成本次课所涉及环境和工具安装

实验内容

老师演示并指导学生完成环境及工具包安装

周次×第2次课学时2

章节名称

1.2Python语言相关概念

1.3Python3语法概要

授课形式

理论课■案例讨论课□实验课□习题课□其他□

教学目的及要求

理解程序设计语言的概念，理解面向过程和面向对象程序设计方法的思想，理解平台无关性和解释型语言的概念

掌握与机器学习有关的Python3基本语法，为后续运行算法奠定基础

教学重点

面向对象程序设计思想

类与对象

教学难点

类与对象

教学内容

程序设计语言、面向过程与面向对象程序设计方法、平台无关性与解释型语言

Python3的基础语法、数据类型与运算符、函数、类和对象、流程控制、常用扩展库

教学方法与手段设计

教学方法：

（1）通过示例讨论面向对象等问题

辅助手段：多媒体演示

对于重点和难点，通过例题讨论讲解、师生互动、作业等来突出

板书设计

（详见ppt课件）

（1）以代码示例为核心，适当辅以提示性文字说明

（2）课堂运行代码进行演示

思考题

和作业

完成1.6练习题1

课后复习本次课讲授的Python3基本语法，并上机实验

实验内容

周次×第3次课学时2

章节名称

1.4Python初步应用示例-迭代法

1.5TensorFlow2和MindSpore深度学习框架概要

授课形式

理论课■案例讨论课□实验课□习题课□其他□

教学目的及要求

理解迭代法，初步掌握用Python语言实现迭代法的方法

理解张量和算子，掌握它们的操作方法

教学重点

迭代法求方程的近似解

爬山法

算子操作张量的方法

教学难点

算子操作张量的方法

教学内容

迭代法

TensorFlow2和MindSpore中的张量

TensorFlow2和MindSpore中的算子

教学方法与手段设计

教学方法：

（1）以示例分析迭代法求解问题的方法

（2）以示例说明张量与算子的概念及操作方法

辅助手段：多媒体演示。

对于重点和难点，通过例题讨论讲解、师生互动、作业等来突出。

板书设计

（详见ppt课件）

（1）以代码流程为核心，适当辅以提示性文字说明；

思考题

和作业

完成1.6练习题2、3、4

实验内容

周次×第4次课学时2

章节名称

2.1机器学习与深度学习

2.2机器学习应用流程

授课形式

理论课■案例讨论课□实验课□习题课□其他□

教学目的及要求

了解机器学习和深度学习的发展及现状

了解机器学习应用的流程，初步理解数据采集、特征工程、模型训练与评价和模型应用等知识

教学重点

机器学习应用流程示例

教学难点

教学内容

机器学习、深度学习、强化学习等概念

机器学习应用流程及相关概念

机器学习任务分类

机器学习模型效果评价方法

教学方法与手段设计

教学方法：

（1）用最新的发展来激发对机器学习的学习兴趣

（2）示例说明机器学习应用流程

辅助手段：多媒体演示。

对于重点，通过现场运行演示来加深理解。

板书设计

（详见ppt课件）

（1）及时更新最新的发展和现状。

思考题

和作业

课后自行运行本次课上的示例，加深对相关内容的理解

实验内容

周次×第5次课学时2

章节名称

2.3机器学习算法概要

3.1K均值聚类算法

授课形式

理论课■案例讨论课□实验课□习题课□其他□

教学目的及要求

理解机器学习算法相关术语

理解决策函数、概率模型和神经网络等机器学习模型实现算法的基本内涵和区别

理解并掌握K均值聚类算法

教学重点

K均值聚类算法

教学难点

K均值聚类算法

教学内容

机器学习算法术语

机器学习模型实现算法分类

K均值聚类算法

教学方法与手段设计

教学方法：

（1）图示分析K均值