《机器学习基础及应用》课程标准

【课程名称】机器学习基础及应用 【课程编码】 【课程类别】专业选修课 【适用专业】人工智能、大数据技术、计算机 等相关专业 【授课单位】 【总 学 时】32 【编写执笔人】 【编写日期】

一、课程定位和课程设计

1.1 课程性质

本课程是人工智能、大数据技术、计算机等相关专业的一门专业选修课，提供机器学习的入门基础讲解，让学生能够较为全面地了解机器学习这门学科的各类问题和方法论，主要包括监督学习、无监督学习等主要学习算法。此外，本课程强调学生的动手能力，要求学生通过编程练习和典型应用实例加深理解，同时对机器学习的一般理论，如计算训练线性回归预测模型，使用逻辑回归进行分，使用k近邻算法实现分类与回归，使用朴素贝叶斯算法训练分类器，使用决策树算法实现分类与回归，使用支持向量机实现图像识别，构建集成学习模型等有所了解。要求学生具备基本编程基础。具有很强的实践性，对于培养学生的实践能力、创新能力、分析和解决问题的能力都起到十分重要的作用。要求学生既要掌握基础理论知识，又要结合工作实际，提高学生实践应用能力。

1.2 课程设计思路

课程教学目标和组织在“定向对接，工学一体”人才培养模式的理念和方法指导下，以典型工作任务教学贯穿课程始终，突出实践教学过程，强化实践教学环节管理，增强实践教学效果。针对市场需求，以学生为本，选取循序渐进的典型工作项目“学习包”为载体构建学习情境，营造“易学乐学”的学习氛围，培养学生的专业能力、方法能力和社会能力。以学生为中心、工作过程为导向，采用小组化教学，融“教、学、做”为一体，培养学生的职业工作能力、团队协作能力和创新能力。保持课程的开放性，培养学生的可持续发展能力。

二、课程目标

1．知识目标

（1）通过课堂教学，要求学生对国际上机器学习研究及应用领域的现状和发展有较为全面的了解和把握，掌握其中的主流学习方法和模型（监督学习和非监督学习），并能够根据实际问题的需要选择并实现相应的算法。

（2）了解计算训练线性回归预测模型，使用逻辑回归进行分析，使用k近邻算法实现

分类与回归，使用朴素贝叶斯算法训练分类器，使用决策树算法实现分类与回归，使用支持向量机实现图像识别，构建集成学习模型等知识。

2．能力目标

（1）能够掌握计算训练线性回归预测模型的基本原理 （2）能够使用逻辑回归进行分析

（3）能够使用k近邻算法实现分类与回归 （4）能够使用朴素贝叶斯算法训练分类器 （5）能够使用决策树算法实现分类与回归 （6）能够使用支持向量机实现图像识别 （7）能够构建集成学习模型

3．素质目标

（1）树立勇于探索、追求真理的职业精神 （2）养成坚持不懈、刻苦钻研的工作作风 （3）具备诚实、守信的品质

（4）善于与人沟通协调,有良好的团队合作精神

（5）具备善于动脑、勤于思考、敢于创新、勇于展现的优秀素质

三、课程内容与教学要求

本课程内容分为11个项目，内容包括：搭建机器学习开发环境、训练线性回归预测模型、使用逻辑回归进行分类、使用k近邻算法实现分类与回归、使用朴素贝叶斯算法训练分类器、使用决策树算法实现分类与回归、使用支持向量机实现图像识别、构建集成学习模型、聚类、使用人工神经网络实现图像识别、真假钞票鉴别等，其教学要求和课时分配如表1所示。

表1 《机器学习基础及应用》课程要求及课时分配表 项目 项目名称 教学内容 （1）机器学习的概念与应用领域 （2）机器学习的类型 （3）机器学习的一般过程 （4）Python机器学习常用库 （1）线性回归的基本原理 （2）线性回归模型的性能评估 （3）岭回归与套索回归 教学要求 理解机器学习的基本概念。 了解机器学习的应用领域。 掌握机器学习的基本类型与一般过程。 了解Python机器学习常用库。 理解相关与回归的基本概念。 理解线性回归的基本原理。 掌握线性回归方程的参数求解方法。 掌握线性回归模型的性课时分配 1 搭建机器学习开发环境 4 2 训练线性回归预测模型 4 能评估方法。 掌握岭回归与套索回归的基本原理与参数调节方法。能够对训练完成的线性回归模型进行评估。 能够编写程序，训练线性回归模型并实现预测。 了解回归与分类的区别。 掌握逻辑回归的基本原理。 掌握逻辑回归算法的Sklearn实现方法。 能够编写程序，训练逻辑回归模型并实现预测。 能够对训练完成的逻辑回归模型进行评估。 掌握k近邻算法解决分类问题的基本原理。 掌握k近邻算法解决回归问题的基本原理。 了解k近邻算法的常见问题及解决方法。 掌握k近邻算法的Sklearn实现方法。 能够使用k近邻算法训练分类模型。 能够使用k近邻算法训练回归模型。 能够编写程序，寻找最优的k值。 掌握先验概率与后验概率的计算方法。 理解朴素贝叶斯算法的原理与流程。 了解朴素贝叶斯算法的常见问题及解决方法。 掌握朴素贝叶斯算法的Sklearn实现方法。 能够使用朴素贝叶斯算法训练分类模型。 能够编写程序，使用朴素贝叶斯模型进行分类预测。 掌握决策树算法用于分类任务的基本原理。 3 使用逻辑回归进行分类 （1）逻辑回归的基本原理 （2）逻辑回归算法的Sklearn 实现 2 4 （1）k近邻算法的基使用k近邻算法本原理 实现分类与回归 （2）k近邻算法的Sklearn 实现 2 5 （1）朴素贝叶斯算法使用朴素贝叶斯的基本原理 算法训练分类器 （2）朴素贝叶斯算法的Sklearn实现 2 6 使用决策树算法（1）决策树算法的基实现分类与回归 本原理 2 （2）决策树算法的Sklearn 实现 掌握决策树算法用于回归任务的基本原理。 掌握ID3算法、C4.5算法和CART算法的基本原理。 掌握决策树算法的Sklearn实现方法。 能够使用决策树算法训练分类模型。 能够使用决策树算法训练回归模型。 能够编写程序，寻找最佳的决策树深度值。 掌握线性可分数据的支持向量机分类原理。 掌握线性不可分数据的支持向量机分类原理。 了解支持向量机的回归原理。 掌握支持向量机的Sklearn实现方法。 掌握支持向量机的参数调节方法。 能够使用支持向量机训练模型。 能够编写程序，寻找支持向量机参数的最优值。 掌握集成学习的基本原理、结合策略与类型。 掌握Bagging算法的基本原理及其Sklearn实现方法。 掌握随机森林算法的基本原理及其Sklearn实现方法。 掌握Boosting算法的基本原理及其Sklearn实现方法。 能够使用随机森林算法训练模型。 能够编写程序，寻找随机森林模型参数的最优值。 掌握聚类的概念及距离的度量方法。 了解聚类的类型。 掌握k均值聚类算法的基本原理及其Sklearn实现方法。 掌握层次聚类算法的基本7 使用支持向量机实现图像识别 （1）支持向量机的基本原理 （2）支持向量机的Sklearn 实现 2 8 构建集成学习模型 （1）集成学习 （2）Bagging与随机森林算法 （3）Boosting算法 2 9 聚类 （1）聚类任务 （2）k均值聚类算法 （3）层次聚类算法 （4）DBSCAN聚类算法 4 原理及凝聚层次聚类算法的Sklearn实现方法。 掌握DBSCAN聚类算法的基本原理及其Sklearn实现方法。 能够使用k均值聚类算法、凝聚层次聚类算法和DBSCAN聚类算法训练模型。 能够编写程序，寻找k均值聚类模型参数的最优值。 能够编写程序，寻找DBSCAN聚类模型参数的最优值。 了解人工神经元模型的来源。 掌握M-P神经元模型的基本结构。 掌握感知机模型、多层感知机模型、全连接神经网络的（1）人工神经网络的结构。 基本原理 掌握神经网络中常用激活（2）神经网络的训练 函数的定义及其应用。 使用人工神经网（3）神经网络的掌握神经网络的训练流程络实现图像识别 Sklearn实现 和常用算法。 （4）深度学习与深度掌握神经网络算法的神经网络 Sklearn实现方法。 了解深度学习与深度神经网络。 能够使用神经网络算法训练模型。 能够调节神经网络模型的参数。 掌握机器学习项目的实施流程。 掌握机器学习项目中数据导入、数据探索与数据可视化的处理方法。 掌握逻辑回归、k近邻、高斯朴素贝叶斯、决策树、支持向量机、随机森林和神经网络算法的Sklearn实现方法。 能够使用逻辑回归、k近邻、10 4 11 真假钞票鉴别 机器学习项目的实施流程 2 高斯朴素贝叶斯、决策树、支持向量机、随机森林和神经网络算法训练模型。 能够针对特定数据集，选择合适的机器学习算法。 机动 合计

2 32 四、课程实施

4.1 教学条件

我校十分注重建设和完善本课程的教学设施，如多媒体教室、机房、网络教学平台、网络数据库等。

同时，我校有一支强大的师资队伍，可以为本课程的教学出谋划策。

4.2 教学方法建议

本课程遵循“教师引导，学生为主”的原则，采用讲解、多媒体演示、场景模拟法、讨论、翻转课堂等多种方法，努力为学生创设更多知识应用的机会。

（1）讲解法：主要用于讲授基础知识、行业岗位知识等理论性较强的知识。

（2）多媒体演示法：在讲解过程中，借助音频、视频、图片等直观手段来呈现教学内容，在激发其学习兴趣和积极性的同时，不断提高其知识储备能力和综合文化素质。

（3）场景模拟法：针对所教内容布置任务，引导学生通过情景化的模拟训练来提升知识的实际应用能力和职业素养。

（4）讨论法：根据知识点，鼓励学生运用所学知识进行主题讨论，使其在讨论中逐步提升交际能力、思辨能力、解决实际问题的能力等。

（5）翻转课堂法：坚持学生的主体地位，鼓励学生在课上对自己学到的知识点进行分享和讲解，并对其讲解进行补充和评价，不断完善学生的知识结构，加深其对所学知识的理解。

教师在教学过程中，可根据学生的实际情况灵活选用教学方法，因材施教，尽量照顾到每一个学生的学习需求。

4.3 教学评价与考核要求

课程的教学评价由形成性测评（40%）和终结性测评（60%）组成，其考核要求如下：

1．形成性测评

形成性测评考核学生在学习本课程过程中的学习情况和实际应用能力的发展情况，包括

出勤考核（10%）、课堂参与程度考核（10%）、作业完成质量考核（20%）等。

（1）出勤考核：本项考核通过课前点名考核学生的课堂出勤率。迟到15分钟以内每次扣1分，迟到15分钟以上或无故缺勤一节课每次扣2分，该项考核累计最多扣10分。

（2）课堂参与程度考核：本项考核主要通过课堂提问和课堂积极发言来评判学生的学习态度、学习主动性、课堂参与程度，以及学生的思辨能力、问题解决能力及其对课堂教学知识的掌握情况等。只要学生能按时上课听讲，即可获得5分的基本分。学生上课发言一次，即可另外获得0.5分，课堂发言最多可得5分。学生的最后成绩为“5+课堂发言得分”。

（3）作业完成质量考核：本项考核主要通过学生作业来检测其对教学主体内容的掌握与理解程度、实际应用知识的能力、自主学习能力、信息收集与处理能力等。每次作业成绩按照相应标准而定，学生作业质量划分为优秀（10分）、良好（8分）、中等（7分）、及格（6分）和不及格（0分）五个档次。最后的作业成绩为学生作业完成质量成绩的平均数。

2．终结性测评

终结性测评主要考核学生在学完本课程后所达到的水平，通过期末考试进行考核。期末考试由闭卷笔试（60%）组成，主要评估学生对本门课程基本知识的掌握情况与综合运用能力。

五、课程资源开发与利用

5.1 推荐教材

谭立新、池永胜、江保民，《机器学习基础及应用》，航空工业出版社。

5.2 网络资源

课程学习网站为学生提供集图、文、声、像于一体的自主学习网络平台。在教学过程中综合利用该平台，进行灵活的信息化教学。包括在线上进行随堂测试、期末考试、评分等。还有大量的图书、云课程可供学生进行拓展性学习，有利于学科交叉，为学生营造良好的线上学习园地。