《机器学习》教学大纲.docVIP

PAGE1

《机器学习》教学大纲

课程

英文名

MachineLearning

课程代码

03M0222

学分

3.0

总学时

48

理论学时

32

实验学时

16

上机学时

0

实践学时

0

课程类别

学科基础课

课程性质

必修

先修课程

高等数学、概率论与数理统计、线性代数、Python程序设计

适用专业

人工智能

开课学院

信息工程学院

执笔人

汪晓锋

审定人

制定时间

2025年1月

注：课程类别是指公共基础课/学科基础课/专业教育课；课程性质是指必修/限选/任选。

一、课程地位与课程目标

（一）课程地位

机器学习是人工智能的核心组成部分，其算法和模型构成了智能系统学习和适应能力的基础。《机器学习》课程在人工智能专业人才培养体系中占据核心地位，是连接数学基础、计算机科学理论与实际应用的关键桥梁。本课程旨在为学生提供机器学习的基本理论、方法和算法的系统性学习，使其能够在数据分析、模型构建、算法实现等方面具备扎实的专业能力。课程的作用在于培养学生运用机器学习技术解决复杂问题的能力，为后续深入学习深度学习、模式识别、数据挖掘等领域打下坚实的基础，同时为学生在科研、工程实践及未来职业生涯中从事人工智能相关领域的工作提供必要的理论支撑和技术储备。

（二）课程目标

本课程作为人工智能专业的核心学科基础课，致力于培养学生运用机器学习技术解决实际问题的专业能力。课程不仅涵盖机器学习的基本理论、模型及方法，更注重理论与实践的深度融合，重视学生实践技能的培养。通过专门设置的上机实验环节，学生将深入理解并熟练运用各类机器学习模型，从而巩固理论知识并提升实践操作能力。此外，课程还着重于数据分析、模型优化、编程实践以及创新思维的锻炼，为学生未来在人工智能及其相关领域的学术研究或职业发展奠定坚实的理论与技能基础。具体地，通过本课程的学习，应达到下列预期学习效果（ILO，IntendedLearningOutcomes）：

1、ILO-1:了解机器学习与人工智能之间关系及其地位，了解机器学习的基本概念、发展历程和主要分类，掌握机器学习的基本流程和算法原理；

2、ILO-2:理解监督学习、无监督学习、强化学习等机器学习范式，掌握模型训练、评估和优化的方法，能够运用这些知识解决实际问题，培养学生解决实际问题的能力；

3、ILO-3:掌握特征工程、模型选择、超参数调整等关键技能，具备独立进行机器学习项目实践开发的能力；掌握科学分析方法、技术报告撰写和学术交流的技巧；通过机器学习在伦理、社会责任等方面的案例教学，培养学生正确的价值观，理解机器学习技术发展与社会进步的紧密联系，培养学生的批判性思维和创新能力，鼓励学生在机器学习领域进行探索和研究，勇于挑战现有技术。

二、课程目标达成的途径与方法

课程主要以课堂教学与实验操作为主，结合课堂讨论、课外作业、小组大作业、期末测试等途径和方式来达成。具体课程目标的达成途径与方法如下表所示。

课程目标

达成途径与方法

ILO-1

课堂教学、课后作业、课堂测试和期末测试

ILO-2

课堂教学、实验操作、期末考试

ILO-3

课堂教学、实验操作及实验报告

三、课程目标与相关毕业要求的对应关系

本课程支撑的毕业要求如下：

毕业要求1：工程知识：能够将数学、自然科学、人工智能专业知识用于解决人工智能相关的复杂工程问题。

毕业要求1-4：掌握人工智能领域的专业知识、基本理论与主要方法，能够用于解决智能系统相关的复杂工程问题。

毕业要求2：问题分析：能够应用数学、自然科学和工程科学的基本原理，识别、表达、并通过文献研究分析人工智能领域复杂工程问题，以获得有效结论。

毕业要求2-1：能够利用各种数学、自然科学和工程科学等知识对人工智能复杂工程问题进行识别和判断，并结合人工智能专业知识对问题进行有效分解。

毕业要求5：使用现代工具：能够针对人工智能复杂问题，开发、选择与使用恰当的技术、资源、现代工程工具和信息技术工具，包括对复杂工程问题的预测和模拟，并能够理解其局限性。

毕业要求5-2：能够运用Python、C/C++等编程工具完成人工智能系统工程问题的模拟、仿真分析与预测。

课程目标对毕业要求的支撑关系如表1所示。

课程目标

课程目标对毕业要求的支撑程度（H、M、L）

毕业要求1-4

毕业要求2-1

毕业要求5-2

ILO-1

M

ILO-2

H

ILO-3

H

注：1.支撑强度分别填写H、M或L（其中H表示支撑程度高、M为中等、L为低）。

2.毕业要求应根据课程所在专业培养方案进行描述。

3.通识选修课程可不填写上表。

四、课程主要内容与基本要求

第1章：机器学习概述

1.1机器学习的概念与基本术语

1.2人工智能、机器学习、深度学习三者的关系

1.3机器学习的三个基本要素

1.4机器学习模型的分类

1.5