《機器學習》課程教學大綱（本科）

機器學習課程教學大綱課程編號：04290課程名稱：機器學習英文名稱：Machine Learning課程類型：學科基礎(chǔ)課課程要求：必修學時/學分：48/3 （講課學時：40 上機學時：8）適用專業(yè)：智能科學與技術(shù)一、課程性質(zhì)與任務(wù)機器學習是智能科學專業(yè)的學生學習和掌握各種復(fù)雜求解算法進行決策的基礎(chǔ)課程。本課程在教學方面著重介紹各種機器學習算法的基本思想、理論體系和計算機實現(xiàn)的技巧。在培養(yǎng)學生實踐能力方面著重培養(yǎng)學生設(shè)計求解算法的整體思路，設(shè)計求解步驟，使學生能夠應(yīng)用機器學習對復(fù)雜問題進行決策。（支撐畢業(yè)要求1.2, 2.2, 3.1, 3.2, 5.1, 5.2, 10.1, 10.3,11.1, 11.2）二、課程與其他課程的聯(lián)系先修課程：C語言，人工智能基礎(chǔ)，神經(jīng)網(wǎng)絡(luò)技術(shù)、概率論與數(shù)理統(tǒng)計后續(xù)課程：大數(shù)據(jù)分析概率論與數(shù)理統(tǒng)計課程學習的數(shù)學理論知識是本課程貝葉斯學習和評估假設(shè)學習的基礎(chǔ)。人工智能和神經(jīng)網(wǎng)絡(luò)技術(shù)是本課程的基本算法的組成部分。C語言可實現(xiàn)本課程的機器學習算法。本課程給出的機器學習算法可用來為數(shù)據(jù)分析結(jié)果實現(xiàn)智能化提供方法。三、課程教學目標1. 學習機器學習算法的基本理論知識、算法的求解思想和基本流程，能夠?qū)崿F(xiàn)智能機器人、智能控制系統(tǒng)的自動化、信息化、智能化等復(fù)雜工程問題；（支撐畢業(yè)要求1.2, 2.2）2. 通過對機器學習算法的學習，能夠針對智能控制系統(tǒng)、智能機器人等復(fù)雜工程問題，開發(fā)、選擇與使用合理的智能技術(shù)、資源，實現(xiàn)對復(fù)雜工程問題的預(yù)測與模擬。（支撐畢業(yè)要求5.1, 5.2）3. 通過機器學習算法的整體求解思路，各部分算法實現(xiàn)能夠基于智能系統(tǒng)工程相關(guān)背景知識進行合理分析，評價復(fù)雜工程問題解決方案對社會、健康、安全、法律以及文化的影響；（支撐畢業(yè)要求3.1, 3.2）4. 通過對機器學習算法的學習，能夠掌握智能系統(tǒng)及智能工程管理與經(jīng)濟決策方法，并能在多學科環(huán)境中應(yīng)用；（支撐畢業(yè)要求11.1, 11.2）5. 了解本專業(yè)領(lǐng)域的最新進展與發(fā)展動態(tài)，具有跟蹤學科發(fā)展前沿的意識和文獻檢索基本技能，能夠在跨文化背景下進行溝通和交流。（支撐畢業(yè)要求10.1, 10.3）四、教學內(nèi)容、基本要求與學時分配序號教學內(nèi)容教學要求學時教學方式對應(yīng)課程教學目標1一、緒論1 .引言2 .基本術(shù)3 .假設(shè)空間4.歸納偏好5 .應(yīng)用現(xiàn)狀1. 了解機器學習的基本術(shù)語、假設(shè)空間的基本概念和表示方法。2. 掌握歸納偏好的定義及表示方法。3 .了解機器學習的應(yīng)用實例。2講授52二、模型評估與選擇1 .經(jīng)驗誤差與過擬合2.評估方法3 .性能度量4上匕較檢驗5.偏差與方差1.了解經(jīng)驗誤差的表示方法和過擬合的定義。2 .掌握評估方法和性能度量方法。3 .掌握比較檢驗的方法。4 .了解偏差與方差的定義。4講授1,33三、線性模型1. 基本形式2. 線性回歸3. 對數(shù)幾率回歸4 .線性判別分析5.多分類學習6 .類別不平衡問題1. 了解線性模型的基本形式。2. 掌握線性回歸、局部加權(quán)回歸、對數(shù)幾率回歸的方法。3 .重點掌握線性判別分析的基本方法。4.掌握多分類學習方法。4講授1,34四、決策樹1 .基本流程2. 劃分選擇3. 剪枝處理4. 連續(xù)與缺失值5 .多變量決策樹1 .了解決策樹的基本流程。2 .掌握決策樹學習算法表示法和算法的求解過程。3. 重點掌握決策樹選擇、剪枝的基本方法。4. 掌握決策樹連續(xù)和確實的處理方法。5 .掌握多變量決策樹方法。8講授1,2,3,4上機：決策樹學習算法實現(xiàn)掌握決策樹學習算法的決策過程，應(yīng)用決策樹學習的求解機理對給定的問題實例。4上機2,35五、貝葉斯分類器1. 貝葉斯決策論2. 極大似然估計3 .樸素貝葉斯分類器4 .半樸素貝葉斯分類器1 .掌握貝葉斯決策的基本原理。2 .了解極大似然估計方法。3. 掌握樸素分類器、半樸素貝葉斯分類器基本原理和決策過程。4. 掌握貝葉斯網(wǎng)的結(jié)構(gòu)、學習、推斷方法。8講授1,2,3,45. 貝葉斯網(wǎng)6. EM算法上機：貝葉斯學習算法實現(xiàn)5 .掌握EM算法的基本過程掌握貝葉斯學習的基本步驟、求解機理、算法實現(xiàn)的過程，應(yīng)用實例驗證算法的求解結(jié)果。2上機2,36六、聚類1 .聚類任務(wù)2 .性能度量3 .距離計算4 .原型聚類5 .密度聚類6 .層次聚類1. 掌握聚類任務(wù)、性能度量、距離計算方法。2. 重點掌握k均值算法、學習向量法等原型聚類的方法。3. 掌握密度聚類、層次聚類的方法。8講授1,3,47七、降維與度量學習1. k近鄰學習2. 低維嵌入3 .主成分分析1 .掌握k .臨近算法的基本過程、求解流程。2.掌握低維嵌入的分析方法。3 .掌握主成分分析方法。掌握鄰近和回歸算法的機理，實現(xiàn)應(yīng)用臨近和回歸算法實現(xiàn)求解6講授123上機：鄰近和回歸算法實現(xiàn)案例的基本過程。2上機2,3五、其他教學環(huán)節(jié)（課外教學環(huán)節(jié)、要求、目標）大作業(yè)：1. 決策樹學習方法求解決策案例。2. 貝葉斯學習算法實現(xiàn)案例求解。六、教學方法本課程以課堂教學為主，強調(diào)學生分析問題和解決問題的能力。在本課程的全部教學過程中，適當安排一些自學內(nèi)容，鍛煉學生的自學能力；上課經(jīng)常提問,以鍛煉學生的表達能力，并檢驗學生聽課效果；每階段留一定量的課后思考及練習題，并做習題解答。從這幾個方面入手，全面提高學生綜合素質(zhì)和能力。七、考核及成績評定方式最終成績由出勤成績、平時作業(yè)成績、期末考試成績組合而成。各部分所占比例如下：出勤成績：5%o考查學生的出勤情況，以掌握課堂所講授內(nèi)容。平時作業(yè)成績：25%o平時成績依照上機報告和大作業(yè)成績給出。3個上機，每個上機報告滿分5分。2個大作業(yè)，每個大作業(yè)5分。期末考試成績：70%o主要考核機器學習基本算法，掌握各類機器學習算法的設(shè)計與實現(xiàn)。閉卷考試，題型為：1、填空題，2、簡答題，3、計算題等。八、教材及參考書目1. 教材：1 機器學習.周志華著.清華大學出版社,2016.2. 參考書目：1 機器學習（第1版）.曾華軍等譯機械工業(yè)出版社,2008.2 機器學習實戰(zhàn)（第1版）.李銳，李鵬，曲亞東等譯.人民郵電出版社，2013.3 機器學習導(dǎo)論（第2版）.范明，咎紅英，牛常勇譯.機械工業(yè)出版社,2014