大学本科三年级计算机科学与技术专业：基于梯度下降的机器学习优化方法深度教学教案.docxVIP

大学本科三年级计算机科学与技术专业：基于梯度下降的机器学习优化方法深度教学教案

一、教学背景与内容解构

（一）课程定位与内容选择逻辑

本课程隶属于计算机科学与技术专业本科三年级核心必修课“机器学习”，是该课程模型优化模块的纲领性内容。在知识序列上，前承线性回归、逻辑回归与神经网络前向传播，后启深度网络调参、生成对抗网络训练及强化学习策略更新，是连接经典统计建模与现代深度学习工程实践的方法论枢纽。本节内容旨在系统解析以梯度下降为内核的一阶优化族系，不仅完成数学原理的推演，更强调在非凸复杂landscape下的行为机理与工程适配策略，是学生从“模型调用者”转向“算法调试者”的关键认知跃迁节点。

（二）学情精准画像

教学对象为双一流高校计算机专业三年级本科生，已系统修读高等数学、概率论与Python科学计算，具备矩阵求导与链式法则的运算基础，并已完成线性模型的手动实现。前测显示：87%的学生能复述梯度下降的基本步骤，但仅12%能解释学习率与Hessian矩阵谱半径的关联；绝大多数学生在使用PyTorch时对优化器参数仅采用默认配置，缺乏根据损失曲面特征调整动量系数或自适应率的意识。深层认知障碍集中在“为何凸优化理论在深度网络中失效”与“自适应方法为何有时泛化更差”这两个冲突性命题上，亟待通过具象化实验与数学归因实现认知重构。

（三）教材与学术资源重组

放弃传统以李航《统计学习