原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
“机器学习与Python实践”课程教学大纲
课程名称
机器学习与Python实践
英文名称
MachineLearningandPythonPractice
课程编号
360271
开课学期
五
课程性质
专业必选课
课程属性
必修课
课程学分
3
适用专业
智慧海洋技术
课程学时
总学时：48；其中理论学时：24实验实践学时：0上机学时：24
开课单位
船舶与港口工程学院智慧海洋技术专业教研室
先修课程
课程名称
对先修课应知应会具体要求
Python数据分析与可视化
1.掌握Python语言的程序编写与使用。
2.掌握Python扩展库的管理，Python中的数据类型；Python中的内置函数、基本输入输出，Python代码编写规范，Python文件名和程序运行。
后续课程
海洋大数据技术与应用
支撑专业毕业要求
课程目标
毕业要求
2
5
12
1.学习机器学习的基本原理及相关数学知识，深入理解机器学习的概念、模型和算法，掌握运用样本数据和数学模型求解实际问题的基本方法。
0.3
0.5
2.掌握常用的机器学习模型，理解其问题背景、核心思想、建模方法与求解算法，熟练运用Anaconda、jupyter等常用开发环境进行Python编程，熟练运用Numpy、Pandas等常用类库进行数据分析和预处理，并熟练运用
Scikit-learn、TensorFlow2等常用机器学习编程框架进行机器学习编程。
0.7
0.5
3.具有助力海洋强国建设使命感，养成良好的行为习惯，传输勇于奉献和担当、安全设计的职业道德。培养学生在设计中的创新意识和创新思维及相互合作的团队精神。
1
课程概述
机器学习与Python实践是智慧海洋技术专业的一门专业必修课。本课程重点讲解机器学习的基本原理和前沿思想，并使用Python语言同步开展机器学习编程实践，为后续课程海洋大数据技术与应用提供必备的知识，使学生掌握机器学习的基本原理、方法及研究应用领域。通过数学建模和算法推导联系，培养学生良好的科学素养和严谨的科研习惯，通过重温机器学习经典模型的研究过程，激发学生的创新创业意识。
课程应知应会具体内容要求
任务一：机器学习导论（支撑课程目标2、5）知识要点：
1.测算房价的数学模型；
2.随机模型及其学习算法；
3.随机变量与数学语言；
4.更加复杂的数学模型；
5.机器学习问题；学习目标：通过教学，使学生熟悉机器学习的应用实例、基本模型，激发学生的兴趣。
授课建议：
2课时。采用PPT与板书结合的教学形式，教师讲解和学生互动相结合，以实际案例为切入点，使学生了解机器学习的基本概念。
任务二：回归分析（支撑课程目标2、5）知识要点：
1.编程环境与数据集；
2.数据集加载与预处理；
3.模型训练与评价；
4.正则化；
5.非线性回归。
学习目标：
通过教学，使学生熟悉数据集加载与预处理的方法以及正则化、非线性回归模型。
授课建议：
6课时。采用PPT与板书结合的教学形式，教师讲解和学生互动相结合，以具体案例为切入点。
任务三：分类问题（支撑课程目标2、5）知识要点：
1.贝叶斯分类器；
2.非贝叶斯分类器；
3.多分类问题与分类模型评价；
4.特征降维；学习目标：通过教学，使学生熟悉贝叶斯分类与非贝叶斯分类器。
授课建议：
8课时。采用PPT与板书结合的教学形式，教师讲解和学生互动相结合，以具体案例为切入点。
任务四：统计学习理论与支持向量机（支撑课程目标2、5）知识要点：
1.统计学习理论；
2.线性可分支支持向量机；
3.非线性可分的支持向量机；
4.SVM分类器及其Python实现。
学习目标：通过教学，使学生熟悉统计学习理论与支持向量机。
授课建议：
8课时。采用PPT与板书结合的教学形式，教师讲解和学生互动相结合，以具体案例为切入点。
任务五：聚类问题（支撑课程目标2、5）知识要点：
1.聚类问题的提出；
2.EM算法；
3.K均值聚类；
4.密度聚类DBSCAN；
5.向量量化。
学习目标：通过教学，使学生熟悉基于不同算法的聚类方法。
授课建议：
8课时。采用PPT与板书结合的教学形式，教师讲解和学生互动相结合，以具体案例为切入点。
任务六：神经网络基础（支撑课程目标2、5）知识要点：
1.神经元模型；
2.神经网络；
3.反向传播算法；
4.TensorFlow机器学习框架；
5.Keras高层接口建模。
学习目标：
通过教学，使学生掌握神经网络基础。
授课建议：
8课时。采用PPT与板书结合的教学形式，教师讲解和学生互动相结合，以具体案例为切入点。
任务七：深度学习（支撑课程目标2、5）知识要点：
1.卷积神经
文档评论（0）