《机器学习原理与应用综合实践》课程教学大纲.docVIP

《机器学习综合实践》课程教学大纲

一、课程基本信息

课程代码：XXXX

课程学分：2学分

课程学时：2周

课程类别：集中实践（第X学期）

适用专业：数据科学与大数据技术、智能科学与技术

考核方式：考查（过程性考核）

先修课程：Python编程基础、数据挖掘

二、课程简介

本课程是数据科学与大数据技术、智能科学与技术专业的工程基础课程，属于集中实践环节。

机器学习综合实践课程以具体案例分析为基础，注重算法原理讲解与数学公式推导，同时利用Python语言从零开始实现相关算法（非调用工具包）并演示算法的工作流程。本课程与其他课程的联系：（1）《机器学习》是数据科学与大数据技术、智能科学与技术等专业重要的核心课程。（2）本实训是《机器学习》课程综合知识的运用。（3）本实训是一门实践性很强的课程，不仅巩固学生在课堂上所学的知识，加深对机器学习的理解，更重要的是通过实训案案例提高学生的动手能力，增强学生就业的竞争力。（4）本实验对毕业设计等课程有一定的指导意义。

三、课程教学目标

本课程的具体教学目标如下：

1.教学目标1：能够针对具体问题采集、存储与处理相关数据并选择、设计恰当的算法构建相应的数学模型进行求解。（指标点5.2）

2.教学目标2：能够根据具体问题的规模对相关任务进行分解、协调与组织实施。（指标点8.2）

3.教学目标3：能够针对具体问题创新性地规划相应的实施方案并撰写相关实验或总结报告。（指标点9.1）

4.教学目标4：能够针对具体问题查阅相关文献或学习最新技术以完善专业知识、提高专业技能。（指标点11.1）

四、课程目标对毕业要求的支撑关系

毕业

要求

毕业要求指标点

课程

目标1

课程

目标2

课程

目标3

课程

目标4

1.开发、选择和使用现代工具能力

5.2能够在大数据领域复杂工程问题的预测、建模或解决过程中，选择与使用恰当的技术、软硬件平台及开发工具。

H

8.个人与团队

8.22能够独立或合作承担任务，并能够有效地进行组织、协调和指挥团队开展工作。

M

9.沟通与交流能力

9.1能够针对数据科学与大数据技术领域复杂工程问题的设计方案、研究方法、技术路线等问题与同行及社会公众进行有效沟通和交流，能够通过书面报告、设计文档或发言等方式清晰、准确地表达自我想法和观点。

H

11.自主学习和终身学习能力

11.1理解数据科学与大数据技术发展对于知识和能力的影响和要求，认识自主学习和终身学习的必要性，能够跟踪数据科学与大数据技术领域最新前沿技术。

M

五、课程综合实践内容和基本要求

实践项目的选定依据教学计划对学生实践能力培养的要求，着重于巩固和加深学生对机器学习的理解，提高学生编程能力及结合运用所学知识解决问题的能力。实践项目要求学生掌握Python编程知识并运用相关知识自行设计机器学习算法与相关应用程序。

课程实践包含两个部分：（1）章节综合应用实践。（2）综合项目案例设计与实现。

（一）章节综合应用实践

章节综合应用实践包括10个左右的实践题目，主要考查学生采用经典机器学习算法对工程实践问题进行分析与求解的能力，旨在培养学生解决工程问题的科学思路和方法，为培养学生解决复杂工程问题的能力提供基础支撑。实践题目样例如下表2所示。

表2实践题目样例表

序号

考查内容

样例题目名称

样例问题描述

样例基本要求

1

线性回归

体重预测

（1）数据预处理（归一化或标准化）。

（2）体重预测模型构建与训练。

（3）体重预测与精度分析。

（1）数据预处理。

（2）基于线性回归的体重预测模型的训练。

（3）实验结果绘图与分析。

2

Logistic回归

肾癌预测

（1）数据预处理（归一化或标准化）。

（2）肾癌预测模型构建与训练。

（3）肾癌预测与精度分析。

（1）数据预处理。

（2）基于Logistic回归的肾癌预测模型的训练。

（3）实验结果绘图与分析。

3

朴素贝叶斯

婚姻预测

（1）数据预处理（归一化或标准化）。

（2）婚姻预测模型构建与训练。

（3）婚姻预测与精度分析。

（1）数据预处理。

（2）基于朴素贝叶斯婚姻预测模型的训练。

（3）实验结果绘图与分析。

4

K近邻

电影分类

（1）数据预处理（归一化或标准化）。

（2）电影分类模型构建与训练。

（3）电影分类与精度分析。

（1）数据预处理。

（2）基于K近邻的电影分类模型的训练。

（3）实验结果绘图与分析。

5

决策树

运动预测

（1）数据预处理（归一化或标准化）。

（2）运动预测模型构建与训练。

（3）体重预测与精度分析。

（1）数据预处理。

（2）基于决策树的运动预测模型的训练。

（3）实验结果绘图与分析。

6

支持向量机

糖尿病预测

（1）数据预处理（归一化或标准化）。

（2）糖尿病预测模型构建与训练。

（3）体重预测与精度分析。

（