《机器学习》课程教学大纲（本科）

机器学习课程教学大纲课程编号：04290课程名称：机器学习英文名称：Machine Learning课程类型：学科基础课课程要求：必修学时/学分：48/3 （讲课学时：40 上机学时：8）适用专业：智能科学与技术一、课程性质与任务机器学习是智能科学专业的学生学习和掌握各种复杂求解算法进行决策的基础课程。本课程在教学方面着重介绍各种机器学习算法的基本思想、理论体系和计算机实现的技巧。在培养学生实践能力方面着重培养学生设计求解算法的整体思路，设计求解步骤，使学生能够应用机器学习对复杂问题进行决策。（支撑毕业要求1.2, 2.2, 3.1, 3.2, 5.1, 5.2, 10.1, 10.3,11.1, 11.2）二、课程与其他课程的联系先修课程：C语言，人工智能基础，神经网络技术、概率论与数理统计后续课程：大数据分析概率论与数理统计课程学习的数学理论知识是本课程贝叶斯学习和评估假设学习的基础。人工智能和神经网络技术是本课程的基本算法的组成部分。C语言可实现本课程的机器学习算法。本课程给出的机器学习算法可用来为数据分析结果实现智能化提供方法。三、课程教学目标1. 学习机器学习算法的基本理论知识、算法的求解思想和基本流程，能够实现智能机器人、智能控制系统的自动化、信息化、智能化等复杂工程问题；（支撑毕业要求1.2, 2.2）2. 通过对机器学习算法的学习，能够针对智能控制系统、智能机器人等复杂工程问题，开发、选择与使用合理的智能技术、资源，实现对复杂工程问题的预测与模拟。（支撑毕业要求5.1, 5.2）3. 通过机器学习算法的整体求解思路，各部分算法实现能够基于智能系统工程相关背景知识进行合理分析，评价复杂工程问题解决方案对社会、健康、安全、法律以及文化的影响；（支撑毕业要求3.1, 3.2）4. 通过对机器学习算法的学习，能够掌握智能系统及智能工程管理与经济决策方法，并能在多学科环境中应用；（支撑毕业要求11.1, 11.2）5. 了解本专业领域的最新进展与发展动态，具有跟踪学科发展前沿的意识和文献检索基本技能，能够在跨文化背景下进行沟通和交流。（支撑毕业要求10.1, 10.3）四、教学内容、基本要求与学时分配序号教学内容教学要求学时教学方式对应课程教学目标1一、绪论1 .引言2 .基本术3 .假设空间4.归纳偏好5 .应用现状1. 了解机器学习的基本术语、假设空间的基本概念和表示方法。2. 掌握归纳偏好的定义及表示方法。3 .了解机器学习的应用实例。2讲授52二、模型评估与选择1 .经验误差与过拟合2.评估方法3 .性能度量4上匕较检验5.偏差与方差1.了解经验误差的表示方法和过拟合的定义。2 .掌握评估方法和性能度量方法。3 .掌握比较检验的方法。4 .了解偏差与方差的定义。4讲授1,33三、线性模型1. 基本形式2. 线性回归3. 对数几率回归4 .线性判别分析5.多分类学习6 .类别不平衡问题1. 了解线性模型的基本形式。2. 掌握线性回归、局部加权回归、对数几率回归的方法。3 .重点掌握线性判别分析的基本方法。4.掌握多分类学习方法。4讲授1,34四、决策树1 .基本流程2. 划分选择3. 剪枝处理4. 连续与缺失值5 .多变量决策树1 .了解决策树的基本流程。2 .掌握决策树学习算法表示法和算法的求解过程。3. 重点掌握决策树选择、剪枝的基本方法。4. 掌握决策树连续和确实的处理方法。5 .掌握多变量决策树方法。8讲授1,2,3,4上机：决策树学习算法实现掌握决策树学习算法的决策过程，应用决策树学习的求解机理对给定的问题实例。4上机2,35五、贝叶斯分类器1. 贝叶斯决策论2. 极大似然估计3 .朴素贝叶斯分类器4 .半朴素贝叶斯分类器1 .掌握贝叶斯决策的基本原理。2 .了解极大似然估计方法。3. 掌握朴素分类器、半朴素贝叶斯分类器基本原理和决策过程。4. 掌握贝叶斯网的结构、学习、推断方法。8讲授1,2,3,45. 贝叶斯网6. EM算法上机：贝叶斯学习算法实现5 .掌握EM算法的基本过程掌握贝叶斯学习的基本步骤、求解机理、算法实现的过程，应用实例验证算法的求解结果。2上机2,36六、聚类1 .聚类任务2 .性能度量3 .距离计算4 .原型聚类5 .密度聚类6 .层次聚类1. 掌握聚类任务、性能度量、距离计算方法。2. 重点掌握k均值算法、学习向量法等原型聚类的方法。3. 掌握密度聚类、层次聚类的方法。8讲授1,3,47七、降维与度量学习1. k近邻学习2. 低维嵌入3 .主成分分析1 .掌握k .临近算法的基本过程、求解流程。2.掌握低维嵌入的分析方法。3 .掌握主成分分析方法。掌握邻近和回归算法的机理，实现应用临近和回归算法实现求解6讲授123上机：邻近和回归算法实现案例的基本过程。2上机2,3五、其他教学环节（课外教学环节、要求、目标）大作业：1. 决策树学习方法求解决策案例。2. 贝叶斯学习算法实现案例求解。六、教学方法本课程以课堂教学为主，强调学生分析问题和解决问题的能力。在本课程的全部教学过程中，适当安排一些自学内容，锻炼学生的自学能力；上课经常提问,以锻炼学生的表达能力，并检验学生听课效果；每阶段留一定量的课后思考及练习题，并做习题解答。从这几个方面入手，全面提高学生综合素质和能力。七、考核及成绩评定方式最终成绩由出勤成绩、平时作业成绩、期末考试成绩组合而成。各部分所占比例如下：出勤成绩：5%o考查学生的出勤情况，以掌握课堂所讲授内容。平时作业成绩：25%o平时成绩依照上机报告和大作业成绩给出。3个上机，每个上机报告满分5分。2个大作业，每个大作业5分。期末考试成绩：70%o主要考核机器学习基本算法，掌握各类机器学习算法的设计与实现。闭卷考试，题型为：1、填空题，2、简答题，3、计算题等。八、教材及参考书目1. 教材：1 机器学习.周志华著.清华大学出版社,2016.2. 参考书目：1 机器学习（第1版）.曾华军等译机械工业出版社,2008.2 机器学习实战（第1版）.李锐，李鹏，曲亚东等译.人民邮电出版社，2013.3 机器学习导论（第2版）.范明，咎红英，牛常勇译.机械工业出版社,2014