《机器学习应用技术》课程标准.docxVIP

《机器学习应用技术》课程标准

课程名称：《机器学习应用技术》课程代码：013243

课程学分：2学分 课程学时：32学时

课程类型：专业核心课授课对象：

所属专业：大数据工程技术归口教研室：大数据教研室

一、课程定位

《机器学习应用技术》是大数据工程技术专业的核心课，服务于人工智能开发与测试工程师“机器学习模型搭建、应用机器学习模型进行对象分类与回归”这两项典型工作任务。本课程主要讲授数据导入与预处理、可视化分析、算法选择与创建模型、模型优化与部署等内容。本课程以两类、共6个实际案例组织课程的主要内容，开展案例式教学，培养学生使用Python语言搭建完整机器学习工程项目的能力。《机器学习应用技术》作为专业核心课，对于学生专业能力的培养起着关键的作用，其前修课程有《人工智能基础》、《Python语言程序设计》、《Python数据采集与分析》等，后修课程有《深度学习框架应用》等。

二、课程目标

学生学完《机器学习应用技术》课程后，应能根据具体问题或数据集，选择合适的机器学习算法，利用Python编程语言搭建完整的机器学习项目，实现对象的分类识别或从数据中回归出一定的规律，从而解决实际问题，创造价值。具体应达到以下目标：

1.树立精益求精的工匠精神，养成诚信敬业、认真负责、严谨规范的态度。

2.培育科技人文素养，探寻科技的文化根基，提升文化自信。

3.形成理性客观、实事求是、不懈探索的科学素养，以科学的态度面对问题、分析问题、处理问题。

4.传承军工精神，树立吃苦耐劳的劳动精神，养成团结协作、顾全大局的集体意识。

5.提升遵守国家法律法规的意识，尊重知识产权的观念。

6.提升遵循国家及行业规范的意识，确保工作质量。

7.能根据开源协议要求，依法依规使用开源资源，尊重原创知识产权。

8.根据职业发展需求，能够自行检索搜集人工智能、互联网及相关软件和信息技术服务业等行业的发展情况、前沿技术，持续更新自己的知识储备。

9.根据运维人员、数据分析和软件开发等不同岗位的要求，能够建立和丰富自己的知识体系、技能体系。

10.根据开发要求，能搭建机器学习项目Python语言开发环境，能够采用合适的方法将数据集导入到项目代码中，采用合适的方法对数据进行预处理，剔除其中的问题。

11.能够对数据进行可视化分析，根据需要绘制各种图表，能从图表中发现数据的分布规律。能将结果进行可视化展示，以辅助团队成员及客户的理解。

12.根据任务要求，能够利用常用的交叉验证方法小心细致地对算法进行交叉验证，以确定算法的性能，筛选最优算法，辅助提升最终效果。

13.能够选择合适的算法创建机器学习模型，并根据数据量的情况，对模型进行充分的训练。使用训练好的模型解决实际问题，并能采用合适的方式对模型的最终效果进行定量评估，给出明确的评估结果。

14.能根据任务需求对模型进行优化，使用算法调参流程对算法进行调参。

15.根据需求，能够以合适的方式部署最终的模型，能够实施序列化与反序列化，确保开发成果顺利投产、客户满意。

三、课程结构

工作内容

职业能力分析

支撑能力的知识技能

1.初识机器学习

1.能描述机器学习的含义，建立机器学习的基本概念；

2.能依据机器学习生态圈说明搭建完整的机器学习开发环境；

3.能列举常用机器学习算法与案例。

1.机器学习的概念；

2.机器学习常用术语；

3.分类与回归的区别；

4.Python机器学习开发环境搭建方法；

5.机器学习常用算法与常见案例；

2.鸢尾花分类

1.能概述k近邻算法的原理与处理要点；

2.能描述鸢尾花数据集的特点及分类要求；

3.能编写Python代码，用k近邻算法实现鸢尾花分类。

1.k近邻算法的基本原理；

2.k值的选取方法；

3.邻居距离的度量方法；

4.分类决策的制定方法；

5.鸢尾花数据集特点；

6.用k近邻算法实现鸢尾花分类的Python代码设计。

3.垃圾文本预测

1.能理解贝叶斯算法的历史渊源与问题；

2.理解朴素贝叶斯算法的含义；

3.理解TF-IDF算法在文本分类上的应用方法；

4.能编写Python代码，用贝叶斯算法实现垃圾短信预测。

1.贝叶斯算法的历史渊源及特点；

2.朴素贝叶斯算法的原理；

3.TF-IDF算法在文本分类上的应用；

4.用贝叶斯算法实现垃圾文本预测的Python代码设计。

4.红酒分类

1.能简述决策树算法的原理与构建方法

2.能说出红酒数据集的特点；

3.能编写Python代码，用决策树算法实现红酒分类。

1.决策树的基本原理；

2.决策树与信息熵；

3.决策树的构建方法-ID3与CART；

4.红酒数据集的特点；

5.用决策树模型实现红酒分类的Python代码设计。