机器学习导论教学大纲及教案

机器学习导论教学大纲IntroductiontoMachineLearning课程编号：学分：3/2开课学院：学时：48/32课程类别：专业课课程性质：一、课程性质本课程可作为计算机科学与技术、智能科学与技术相关本科专业的必修课，也可作为其它本科专业的选修课。二、课程目标本课程的教学目标是：引导学生树立社会主义核心价值观，培养求真务实的科学态度、独立思考的科学精神、团队合作的科学素养，理解机器学习的基本问题和思维方式，掌握机器学习模型的性能度量、模型选择与评估、欠拟合与过拟合、最优化与正则化等基础知识，熟悉常用的回归、分类、聚类和集成学习的基本原理和典型算法，理解深度学习模型并掌握它们的 工程 路基工程安全技术交底工程项目施工成本控制工程量增项单年度零星工程技术标正投影法基本原理 应用方法，能够根据特定应用和需求，利用开源资源来实现相关算法，为学生今后从事相关领域的研究工作或项目开发工作奠定坚实的基础。（一）思想、素质教育目标目标1.1培养学生严谨求实、不断探索、持之以恒、勇于创新的科学精神；目标1.2培养学生实事求是、一切从实际出发、理论联系实际的科学态度；目标1.3培养学生理解矛盾的对立统一、具体问题具体分析、抓主要矛盾等辩证唯物主义思想。（二）知识教学目标目标2.1掌握机器学习模型的性能度量、模型选择与评估、欠拟合与过拟合、最优化与正则化等基础知识；目标2.2熟悉常用的回归、分类、聚类和集成学习的基本原理和典型算法；目标2.3理解深度学习模型并掌握它们的工程应用方法。（三）能力教学目标目标3.1培养学生分析问题、解决问题的能力；目标3.2培养学生类比、综合、归纳和演绎、等效等科学思维的能力；目标3.3培养学生创新能力。三、课程教学内容及基本要求本课程主要的教学内容是机器学习的基本原理和典型算法。本课程介绍机器学习模型的性能度量、模型选择与评估、欠拟合与过拟合、最优化与正则化等基础知识，线性回归、多项式回归、岭回归、套索回归、弹性网络、逻辑斯谛回归、Softmax回归的基本原理，k-最近邻和k-d树算法，支持向量机的基本原理，贝叶斯分类器与贝叶斯网络，ID3、C4.5、CART决策树算法，AdaBoost、GBDT、随机森林和极端随机树等集成学习的基本原理和算法，k-means、BIRCH、DBSCAN、OPTICS等聚类算法，以及卷积神经网络、循环神经网络、生成式对抗网络等深度学习模型。通过学习本课程，学生应达到：掌握机器学习模型的性能度量、模型选择与评估、欠拟合与过拟合、最优化与正则化等基础知识，熟悉常用的回归、分类、聚类和集成学习的基本原理和典型算法，理解深度学习模型并掌握它们的工程应用方法，能够根据特定应用和需求，利用开源资源来实现相关算法。（一）课程教学内容及知识模块顺序1．知识单元一：机器学习概述（5/3学时）（1） 知识点 高中化学知识点免费下载体育概论知识点下载名人传知识点免费下载线性代数知识点汇总下载高中化学知识点免费下载 一：机器学习的概念与基本术语（2）知识点二：人工智能、机器学习、深度学习三者之间的关系（3）知识点三：机器学习的三个基本要素（4）知识点四：机器学习模型的分类（5）知识点五：模型选择与评估教学基本要求：熟悉机器学习的基本概念、机器学习模型的分类，理解人工智能、机器学习、深度学习三者之间的关系，掌握机器学习的三个基本要素，了解损失函数、代价函数和目标函数之间的区别和联系，理解生成模型和判别模型，了解数据清洗、归一化（ 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 化）等处理方法，掌握模型交叉验证法的步骤，熟悉混淆矩阵、分类准确率、错误率、查准率、查全率、F1-score、ROC曲线及ROC曲线下面积（AUC）等常用的分类模型评估指标及应用场合，理解模型欠拟合、过拟合与泛化能力，掌握L范数和L范数正则化的方法。122．知识单元二：回归模型（5/3学时）（1）知识点一：线性回归（2）知识点二：多项式回归（3）知识点三：线性回归的正则化——岭回归和套索回归（4）知识点四：逻辑斯谛回归（5）知识点五：Softmax回归教学基本要求：熟悉线性回归模型的定义以及学习准则（策略），熟悉最小二乘法和正规方程，掌握梯度下降法的原理，掌握多项式回归转化为线性回归求解的方法，熟悉岭回归（Ridge回归）和套索回归（Lasso回归）的原理，掌握逻辑斯蒂回归和Softmax回归的原理以及两者的区别与联系。3．知识单元三：k-最近邻和k-d树算法（2/2学时）（1）知识点一：k-最近邻法（2）知识点二：k-d树教学基本要求：掌握k-最近邻法的基本原理，熟悉k-最近邻法的三个关键要素和优缺点，熟悉k的取值对k-最近邻法的影响因素，熟悉k-d树的构建过程和搜索方法。4．知识单元四：支持向量机（5/3学时）（1）知识点一：统计学习理论基础（2）知识点二：支持向量机的基本原理和特点（3）知识点三：线性SVM（4）知识点四：基于核函数的非线性SVM（5）知识点五：多分类SVM（6）知识点六：支持向量机的训练教学基本要求：理解经验风险最小化原则和结构风险最小化归纳原则以及它们之间的区别，理解“支持向量”的概念以及最大化间隔的基本思想，掌握支持向量机（SVM）的基本原理，熟悉核函数的作用以及核方法的原理，熟悉支持向量机（SVM）的特点及应用场合。5．知识单元五：贝叶斯分类器与贝叶斯网络（5/3学时）（1）知识点一：贝叶斯方法（2）知识点二：贝叶斯分类器（3）知识点三：贝叶斯网络教学基本要求：掌握贝叶斯 公式 小学单位换算公式大全免费下载公式下载行测公式大全下载excel公式下载逻辑回归公式下载 和朴素贝叶斯分类器原理，熟悉朴素贝叶斯分类器的优缺点及应用领域，了解贝叶斯网络的构建方法及推理过程。6．知识单元六：决策树（5/3学时）（1）知识点一：决策树学习（2）知识点二：特征（或属性）选择（3）知识点三：ID3、C4.5、CART算法（4）知识点四：决策树的剪枝（5）知识点五：决策树的优缺点教学基本要求：熟悉决策树的概念以及决策树的生成策略，熟悉ID3、C4.5、CART算法中所用的特征选择指标，了解ID3、C4.5、CART三种算法的优缺点及适用场合，了解决策树的剪枝处理方法，熟悉决策树的优缺点。7．知识单元七：集成学习（5/3学时）（1）知识点一：集成学习概述（2）知识点二：AdaBoost算法（3）知识点三：梯度提升决策树（GBDT）（4）知识点四：随机森林和极端随机树教学基本要求：熟悉Bagging与Boosting集成学习方法的基本思想以及两者的异同点，熟悉基学习器的组合策略，掌握AdaBoost、梯度提升决策树（GBDT）、随机森林的工作原理，熟悉AdaBoost、GBDT、随机森林的优缺点及适用场合，了解随机森林和GBDT模型的区别。8．知识单元八：聚类（5/3学时）（1）知识点一：k-均值算法（2）知识点二：BIRCH算法（3）知识点三：基于密度的聚类算法教学基本要求：熟悉聚类的基本思想以及聚类和分类的异同点，熟悉常用的聚类算法，掌握k-均值算法的原理、优缺点及改进算法，熟悉初始的k个聚类中心（簇中心）对k-均值算法的影响，熟悉聚类特征和聚类特征树（CF-Tree）的概念，熟悉CF-Tree的构建过程及BIRCH算法的优缺点，熟悉DBSCAN算法的优缺点，了解OPTICS算法的原理以及适用场合。9．知识单元九：深度学习（6/4学时）（1）知识点一：人工神经网络基础（2）知识点二：卷积神经网络（3）知识点三：循环神经网络（4）知识点四：生成式对抗网络教学基本要求：了解人脑神经元的结构及特点，熟悉人工神经元模型，掌握感知机的基本原理，熟悉前馈神经网络的特征以及误差反向传播学习算法，熟悉Sigmoid、Tanh、ReLU、LReLU等激活函数的特点及应用，熟悉卷积神经网络的基本结构以及局部连接和权重共享等特点，掌握卷积、池化操作，理解循环神经网络的基本单元，熟悉长短期记忆（LSTM）网络中的输入门、遗忘门和输出门的工作机制和作用，掌握生成式对抗网络的基本原理，熟悉生成器和判别器的作用，了解原始GAN的优缺点以及各种衍生模型的特点及应用。（二）课程的重点、难点及解决办法课程重点内容：机器学习模型的选择与评估，常用的分类模型评估指标及应用场合，模型欠拟合与过拟合的概念，L范数和L范数正则化的方法，线性回归和最小二乘法、多项12式回归、岭回归、套索回归、逻辑斯谛回归、Softmax回归的基本原理，k-最近邻和k-d树算法，支持向量机的基本原理，贝叶斯分类器与贝叶斯网络，ID3、C4.5、CART决策树算法，AdaBoost、GBDT、随机森林和极端随机树等集成学习的基本原理和算法，k-means、BIRCH、DBSCAN、OPTICS等聚类算法，以及卷积神经网络、循环神经网络、生成式对抗网络等深度学习模型。课程难点内容：逻辑斯谛回归的极大似然估计，Softmax回归模型的求解，基于“软间隔（SoftMargin）”的广义最优超平面，基于核函数的非线性SVM，贝叶斯网络的构建方法及推理过程，ID3、C4.5、CART决策树的算法流程，梯度提升决策树（GBDT），误差反向传播学习算法，LSTM中的输入门、遗忘门和输出门的工作机制和作用，生成式对抗网络的基本原理。解决办法：本课程以课堂讲授为主，可采用讲授与讨论相结合的教学方法。本课程理论性较强，课堂上将采用多媒体 课件 超市陈列培训课件免费下载搭石ppt课件免费下载公安保密教育课件下载病媒生物防治课件 可下载高中数学必修四课件打包下载 与板书相结合进行教学，激发学生的学习兴趣，引导学生的积极思考，让学生有思考的空间和余地，活跃课堂的气氛。在给学生传授理论知识的同时，还要注重理论联系实际，尽可能及时介绍本学科最新研究成果，引导学生参与科研项目，培养学生的创新意识和解决实际问题的能力。教师讲课要具有指导性、启发性和示范性，突出重点，破解难点，安排一定时间为学生答疑解惑，有针对性地开展一些专题讨论。适当运用现代教学手段和其他实践手段组织教学，以丰富教学内容和教学形式。四、实验实践环节及基本要求无。五、课程教学内容与课程目标对应关系矩阵课程各知识单元与课程目标对应支撑关系如下表所示。课程目标目标目标目标目标目标目标目标目标目标课程内容1.11.21.32.12.22.33.13.23.3机器学习概述●●●●●●●回归模型●●●●●●●●k-最近邻和k-d树算法●●●●●●●支持向量机●●●●●●●●贝叶斯分类器与贝叶斯网络●●●●●●●决策树●●●●●●●集成学习●●●●●●●聚类●●●●●●●深度学习●●●●●●●●六、本课程与其它课程的联系与分工先修课程：线性代数，概率统计后续课程：本课程是一门专业课。为学习本课程，学生应该具有必要的数学基础理论知识。学生在学习本门课程之前应掌握线性代数、概率统计等基础理论知识。在教学过程中，要注重解决工程问题，加强物理概念的解释。本课程主要锻炼和培养学生用系统的观点分析和解决实际问题。七、对学生能力培养的要求通过课程学习，使学生在基本掌握机器学习的基本原理和典型算法的基础上，具有获取知识的能力、科学观察和思维的能力、分析问题与解决工程实际问题的能力、创新思维与创新能力。八、课程学时分配本课程总学时48/32，其中讲课44/28学时，习题及讨论4学时。课程主要内容和学时分配见课程学时分配表。课程学时分配表教学环节习题及时数讲课上机实验小计讨论课程内容机器学习概述5/35/3回归模型5/35/3k-最近邻和k-d树算法2/22/2习题及讨论1/11/1支持向量机5/35/3贝叶斯分类器与贝叶斯网络5/35/3决策树5/35/3习题及讨论2/22/2集成学习5/35/3聚类5/35/3深度学习6/46/4习题及讨论2/22/2总计43/275/548/32九、建议教材和教学参考资料1．教材[1]卢官明.《机器学习导论》.北京：机械工业出版社，2021年2．主要参考书[1]李航．《统计学习方法（第2版）》．北京：清华大学出版社，2020年[2]周志华．《机器学习》．北京：清华大学出版社，2016年十、课程考核本课程采用闭卷考试的考核方式，总评成绩由平时成绩和期末成绩组成，无期中考试。平时成绩占总评成绩的30%，期末成绩占总评成绩的70%。平时成绩从作业、上课出勤率等几方面进行考核。执笔人：编写人员：审核人：教学院长：编写完成时间：年月机器学习导论教案20××～20××学年第×学期学院（部）：教研室（系）：授课班级：课程学分：2课程学时：32使用教材：《机器学习导论》教案设计人：周次×第1次课学时2章节名称第1章机器学习概述（第1.1节~第1.5节）授课形式理论课■案例讨论课□实验课□习题课□其他□熟悉机器学习的基本概念、机器学习模型的分类，理解人工智能、教学目的机器学习、深度学习三者之间的关系，掌握机器学习的三个基本要素，及要求了解损失函数、代价函数和目标函数之间的区别和联系，理解生成模型和判别模型，了解数据清洗、归一化（标准化）等处理方法。（1）机器学习的概念与基本术语教学重点（2）机器学习的三个基本要素（3）生成式模型和判别式模型（1）机器学习的学习准则（策略）教学难点（2）生成式模型和判别式模型（1）机器学习的概念与基本术语（2）人工智能、机器学习、深度学习三者之间的关系教学内容（3）机器学习的三个基本要素（4）机器学习模型的分类（5）数据预处理（1）以教师讲授为主，注重条理性和逻辑性；教学方法（2）不断穿插提问和思考等互动环节，进行启发引导；与手段设（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来解决。（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明；板书设计（2）涉及有关算法流程时，通过示例描述；（3）关键推导过程用黑板手写。思考题第1.8节习题1~10和作业周次×第2次课学时2第1章机器学习概述（第1.6节）章节名称第2章回归模型（第2.1节）授课形式理论课■案例讨论课□实验课□习题课□其他□掌握模型交叉验证法的步骤，熟悉混淆矩阵、分类准确率、错误率、查准率、查全率、F1-score、ROC曲线及ROC曲线下面积（AUC）等常用的分类模型评估指标及应用场合，理解模型欠拟合、过拟合与教学目的及要求泛化能力，掌握L范数和L范数正则化的方法。12熟悉线性回归模型的定义以及学习准则（策略），熟悉最小二乘法和正规方程，掌握梯度下降法的原理。（1）模型选择与交叉验证法（2）常用的分类模型评估指标（3）L范数和L范数正则化教学重点12（4）线性回归模型（5）最小二乘法和正规方程（6）梯度下降法（1）L范数和L范数正则化12教学难点（2）最小二乘法求解线性回归模型（3）梯度下降法的迭代关系式（1）机器学习模型选择与评估教学内容（2）线性回归（1）以教师讲授为主，注重条理性和逻辑性；教学方法（2）不断穿插提问和思考等互动环节，进行启发引导；与手段设（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来解决。（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明板书设计（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题第1.8节习题11~22和作业第2.7节习题1~5周次×第3次课学时2章节名称第2章回归模型（第2.2节~第2.5节）授课形式理论课■案例讨论课□实验课□习题课□其他□掌握多项式回归转化为线性回归求解的方法，熟悉岭回归（Ridge回教学目的归）和套索回归（Lasso回归）的原理，掌握逻辑斯蒂回归和Softmax及要求回归的原理以及两者的区别与联系。（1）多项式回归转化为线性回归求解的方法（2）岭回归和套索回归的原理教学重点（3）逻辑斯谛回归的原理和特点（4）Softmax回归的原理和特点（1）逻辑斯谛回归的极大似然估计教学难点（2）Softmax回归模型的求解（1）多项式回归（2）线性回归的正则化——岭回归和套索回归教学内容（3）逻辑斯谛回归（4）Softmax回归（1）以教师讲授为主，注重条理性和逻辑性；教学方法（2）不断穿插提问和思考等互动环节，进行启发引导；与手段设（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来解决。（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明板书设计（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题第2.7节习题7~12和作业周次×第4次课学时2章节名称第3章k-最近邻和k-d树算法授课形式理论课■案例讨论课□实验课□习题课□其他□掌握k-最近邻法的基本原理，熟悉k-最近邻法的三个关键要素和优缺教学目的点，熟悉k的取值对k-最近邻法的影响因素，熟悉k-d树的构建过程及要求和搜索方法。（1）k-最近邻的基本原理和优缺点教学重点（2）k-d树的构建过程和搜索方法（1）k-d树的构建过程教学难点（2）k-d树的搜索方法（1）k-最近邻法教学内容（2）k-d树（1）以教师讲授为主，注重条理性和逻辑性；教学方法（2）不断穿插提问和思考等互动环节，进行启发引导；与手段设（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来解决。（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明板书设计（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题第3.4节习题1~7和作业周次×第5次课学时2第1章~第3章习题及讨论章节名称第4章支持向量机（第4.1节）授课形式理论课■案例讨论课□实验课□习题课■其他□理解经验风险最小化原则和结构风险最小化归纳原则，以及它们之间教学目的的区别。及要求（1）经验风险最小化原则教学重点（2）结构风险最小化归纳原则（1）VC维的概念教学难点（2）模型的复杂度与泛化能力（1）经验风险最小化原则（2）函数集的学习性能与VC维教学内容（3）模型的复杂度与泛化能力（4）推广性的界（5）结构风险最小化归纳原则（1）以教师讲授为主，注重条理性和逻辑性；教学方法（2）不断穿插提问和思考等互动环节，进行启发引导；与手段设（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来解决。（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明板书设计（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题和作业周次×第6次课学时2章节名称第4章支持向量机（第4.2节~第4.6节）授课形式理论课■案例讨论课□实验课□习题课□其他□理解“支持向量”的概念以及最大化间隔的基本思想，掌握支持向量机教学目的（SVM）的基本原理，熟悉核函数的作用以及核方法的原理，熟悉及要求支持向量机（SVM）的特点及应用场合。（1）“支持向量”的概念以及最大化间隔的基本思想（2）支持向量机（SVM）的基本原理和特点教学重点（3）采用适当的核函数技巧，将非线性分类问题转化为线性分类问题的求解方法（1）基于“软间隔（SoftMargin）”的广义最优超平面教学难点（2）基于核函数的非线性SVM（1）支持向量机的基本原理和特点（2）线性SVM教学内容（3）基于核函数的非线性SVM（4）多分类SVM（5）支持向量机的训练（1）以教师讲授为主，注重条理性和逻辑性；教学方法（2）不断穿插提问和思考等互动环节，进行启发引导；与手段设（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来解决。（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明板书设计（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题第4.8节习题1~7和作业周次×第7次课学时2章节名称第5章贝叶斯分类器与贝叶斯网络（第5.1节~第5.2节）授课形式理论课■案例讨论课□实验课□习题课□其他□掌握贝叶斯公式和朴素贝叶斯分类器原理，熟悉朴素贝叶斯分类器教学目的的优缺点及应用领域。及要求（1）贝叶斯公式教学重点（2）朴素贝叶斯分类器原理（3）朴素贝叶斯分类器的优缺点教学难点（1）朴素贝叶斯分类器的特征条件独立假定（1）贝叶斯方法教学内容（2）贝叶斯分类器（1）以教师讲授为主，注重条理性和逻辑性；教学方法（2）不断穿插提问和思考等互动环节，进行启发引导；与手段设（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来解决。（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明板书设计（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题第5.5节习题1~6和作业周次×第8次课学时2第5章贝叶斯分类器与贝叶斯网络（第5.3节）章节名称第6章决策树（第6.1节~第6.3节）授课形式理论课■案例讨论课□实验课□习题课□其他□了解贝叶斯网络的构建方法及推理过程。教学目的熟悉决策树的概念以及决策树的生成策略，熟悉决策树算法中所用及要求的特征选择指标。（1）贝叶斯网络的构建方法及推理过程教学重点（2）决策树的概念（3）决策树的生成策略教学难点（1）贝叶斯网络的构建方法及推理过程（1）贝叶斯网络（2）决策树概述教学内容（3）决策树学习（4）特征（或属性）选择（1）以教师讲授为主，注重条理性和逻辑性；教学方法（2）不断穿插提问和思考等互动环节，进行启发引导；与手段设（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来解决。（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明板书设计（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题第6.10节习题1~2和作业周次×第9次课学时2章节名称第6章决策树（第6.4节~第6.8节）授课形式理论课■案例讨论课□实验课□习题课□其他□熟悉ID3、C4.5、CART算法中所用的特征选择指标，了解ID3、C4.5、教学目的CART三种算法的优缺点及适用场合，了解决策树的剪枝处理方法，及要求熟悉决策树的优缺点。（1）ID3、C4.5、CART算法及其所用的特征选择指标教学重点（2）ID3、C4.5、CART三种算法的优缺点及适用场合教学难点（1）ID3、C4.5、CART决策树的算法流程（1）ID3算法（2）C4.5算法教学内容（3）CART算法（4）决策树的剪枝（5）决策树的优缺点（1）以教师讲授为主，注重条理性和逻辑性；教学方法（2）不断穿插提问和思考等互动环节，进行启发引导；与手段设（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来解决。（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明板书设计（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题第6.10节习题3~7和作业周次×第10次课学时2章节名称第4章~第6章习题及讨论授课形式理论课□案例讨论课□实验课□习题课■其他□教学目的及要求教学重点教学难点教学内容（1）以教师讲授为主，注重条理性和逻辑性；教学方法（2）不断穿插提问和思考等互动环节，进行启发引导；与手段设（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来解决。（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明板书设计（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题和作业周次×第11次课学时2章节名称第7章集成学习（第7.1节~第7.3节）授课形式理论课■案例讨论课□实验课□习题课□其他□熟悉Bagging与Boosting集成学习方法的基本思想以及两者的异同教学目的点，熟悉基学习器的组合策略，掌握AdaBoost、梯度提升决策树及要求（GBDT）算法的流程。（1）Bagging与Boosting集成学习方法的基本思想以及两者的异同点教学重点（2）AdaBoost算法的流程（3）GBDT算法的流程教学难点（1）GBDT回归、分类算法流程（1）集成学习概述教学内容（2）AdaBoost算法（3）梯度提升决策树（GBDT）（1）以教师讲授为主，注重条理性和逻辑性；教学方法（2）不断穿插提问和思考等互动环节，进行启发引导；与手段设（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来解决。（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明板书设计（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题第7.6节习题1~4和作业周次×第12次课学时2第7章集成学习（第7.4节）章节名称第8章聚类（第8.1节~第8.2节）授课形式理论课■案例讨论课□实验课□习题课□其他□掌握随机森林的工作原理，了解随机森林和GBDT模型的区别。教学目的熟悉聚类的基本思想以及聚类和分类的异同点，熟悉常用的聚类算及要求法，掌握k-均值算法的原理、优缺点及改进算法，熟悉初始的k个聚类中心（簇中心）对k-均值算法的影响。（1）随机森林的工作原理教学重点（2）聚类算法的分类（3）k-均值、k-均值++算法流程教学难点（1）k-均值算法中簇中心的计算方法（2）k-均值++算法中选择初始簇中心的方法（1）随机森林和极端随机树教学内容（2）聚类概述（3）k-均值算法（1）以教师讲授为主，注重条理性和逻辑性；教学方法（2）不断穿插提问和思考等互动环节，进行启发引导；与手段设（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来解决。（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明板书设计（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题第7.6节习题5~8和作业第8.6节习题1~6周次×第13次课学时2章节名称第8章聚类（第8.3节~第8.4节）授课形式理论课■案例讨论课□实验课□习题课□其他□熟悉聚类特征和聚类特征树（CF-Tree）的概念，熟悉CF-Tree的构教学目的建过程及BIRCH算法的优缺点，熟悉DBSCAN算法的优缺点，了及要求解OPTICS算法的原理以及适用场合。（1）BIRCH算法教学重点（2）基于密度聚类的基本概念（3）DBSCAN算法的流程教学难点（1）DBSCAN算法的流程（1）BIRCH算法教学内容（2）基于密度的聚类算法（1）以教师讲授为主，注重条理性和逻辑性；教学方法（2）不断穿插提问和思考等互动环节，进行启发引导；与手段设（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来解决。（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明板书设计（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题第8.6节习题7~10和作业周次×第14次课学时2章节名称第9章深度学习（第9.1节~第9.2节）授课形式理论课■案例讨论课□实验课□习题课□其他□了解人脑神经元的结构及特点，熟悉人工神经元模型，掌握感知机的基本原理，熟悉前馈神经网络的特征以及误差反向传播学习算法，熟教学目的悉Sigmoid、Tanh、ReLU、LReLU等激活函数的特点及应用，熟悉卷及要求积神经网络的基本结构以及局部连接和权重共享等特点，掌握卷积、池化操作。（1）人工神经元模型（2）误差反向传播学习算法教学重点（3）Sigmoid、Tanh、ReLU、LReLU等激活函数的特点及应用（4）卷积神经网络的基本结构以及局部连接和权重共享等特点（5）卷积、池化操作教学难点（1）误差反向传播学习算法（1）人工神经网络基础教学内容（2）卷积神经网络（1）以教师讲授为主，注重条理性和逻辑性；教学方法（2）不断穿插提问和思考等互动环节，进行启发引导；与手段设（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来解决。（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明板书设计（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题第9.6节习题1~9和作业周次×第15次课学时2章节名称第9章深度学习（第9.3节~第9.4节）授课形式理论课■案例讨论课□实验课□习题课□其他□理解循环神经网络的基本单元，熟悉长短期记忆（LSTM）网络中的教学目的输入门、遗忘门和输出门的工作机制和作用，掌握生成式对抗网络的及要求基本原理，熟悉生成器和判别器的作用，了解原始GAN的优缺点以及各种衍生模型的特点及应用。（1）循环神经网络的基本单元教学重点（2）长短期记忆（LSTM）网络（3）生成式对抗网络的基本原理（1）LSTM中的输入门、遗忘门和输出门的工作机制和作用教学难点（2）生成式对抗网络的基本原理（1）循环神经网络教学内容（2）生成式对抗网络（1）以教师讲授为主，注重条理性和逻辑性；教学方法（2）不断穿插提问和思考等互动环节，进行启发引导；与手段设（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来解决。（详见ppt课件）（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明板书设计（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题第9.6节习题10~15和作业周次×第16次课学时2章节名称第7章~第9章习题及讨论授课形式理论课□案例讨论课□实验课□习题课■其他□教学目的及要求教学重点教学难点教学内容（1）以教师讲授为主，注重条理性和逻辑性；教学方法（2）不断穿插提问和思考等互动环节，进行启发引导；与手段设（3）以多媒体PPT为主，少量板书为辅，帮助学生理解；计（4）对于重点和难点，通过例题讨论讲解、师生互动、作业等来解决。（1）以图片、公式、关键内容为核心，适当辅以提示性文字说明板书设计（2）涉及有关算法流程时，通过示例描述（3）关键推导过程用黑板手写思考题和作业