机器学习教学大纲-他人

本文由用户“rourou123”分享发布 更新时间:2021-11-25 08:38:35 举报文档

以下为《机器学习教学大纲-他人》的无排版文字预览,完整格式请下载

下载前请仔细阅读文字预览以及下方图片预览。图片预览是什么样的,下载的文档就是什么样的。

《机器学习》课程教学大纲

英文课程名

Machine Learning

总 学 时

48

学 分

3



课程编码

226303

理论教学学时

36

适用专业

计算机科学与技术、数字媒体技术、物联网工程、软件工程、网络工程等



课程类别(请注明选修或必修)

通识课程





实践

教学

学时

实验学时



先修课程

概率论与数理统计

程序设计基础等





大类基础课程





上机学时

12









专业基础及专业课程

必修



其它



***(部)

计算机科学与***





一、课程的性质和教学目标

课程性质:

机器学习是使用计算机模拟或实现人类学习活动的科学,是人工智能领域的核心技术,是计算机科学技术最前沿的研究领域之一。《机器学习》是计算机科学与技术、大数据与人工智能、信息安全等专业本科生的一门专业基础必修课程。本课程主要介绍目前主流的机器学习理论、方法及其前沿应用。

教学目标:

了解机器学习研究领域的发展现状和研究前沿

掌握机器学习的基本概念、原理和方法

能够将机器学习算法应用到文字理解、计算机视觉、音频识别、数据挖掘等某一领域。

该课程的目标是掌握机器学习的理论和方法,熟悉机器学习在本专业应用的研究前沿和热点。该课程讲述了机器学习基本概念、统计学基础、决策树与分类、聚类分析、神经网络、贝叶斯网络、支持向某某、进化计算、文本分析等经典的机器学习基础知识,以及分布式机器学习算法、深度学习等前沿内容。本课程将理论教学与实践相结合,培养学生理论联系实际与创新能力。通过教学案例使学生理解不同的机器学习算法在不同专业领域的选择与应用。通过单独设立实验上机,巩固和加深学生对于不同机器学习算法的理解,提升学生的创新能力和动手实践能力,使学生能够在实际项目的研究中运用机器学习算法,为学生从事人工智能相关工作打下坚实的基础。

二、课程教学方法设计

本课程以课堂教学为主,结合课内实验与课外自学、课堂讨论、分组大作业。

课堂教学主要讲解机器学习算法理论,结合实际应用案例讲解不同机器学习算法的应用,加深学生学生对及机器学习算法的理解和应用场景,同时,结合最新的机器学习相关研究成果,启发学生深入思考如何在经典算法的基础上提出创新,应用于不同的领域场景。

要求学生在课堂理论学习的基础上,通过上机实验,巩固对理论算法的理解,锻炼学生对于建立机器学习模型在各个环节上的动手能力。同时,在课外通过自学,完成前沿机器学习算法的网络资料与科技文献检索,加深对课堂理论和实验应用的理解,提升自学能力。

分组大作业要求学生以小组为单位,运用课堂知识,分工合作,在已学习的机器学习算法上适当创新,以解决一个实际应用。大作业内容一般以实际生产实践中所遇到的问题为主,通过该方式可有效的提升学生学以致用的能力。

课程教学内容及学时分配

1.理论教学安排

序号

章节或知识模块

教学内容

学时分配

能力培养

教学要求

素质培养

教学要求

学生任务















作业要求

自学要求

讨论



1

第1章

机器学习概述

1.机器学习简介

2.机器学习、人工智能和数据挖掘

3.典型机器学习应用领域

4.机器学习算法

5.机器学习的一般流程

2

理解机器的基本概念、研究内容,了解其发展历史及主要流派,理解机器学习和人工智能、数据挖掘的关系,了解机器学习的应用领域。把握典型的机器学习算法分类和一般流程。

对机器学习有初步认识,开阔学生思路,为以后学习和应用奠定基础。熟悉本专业的前沿知识和研究热点。

思考题

内容过长,仅展示头部和尾部部分文字预览,全文请查看图片预览。 

10

第10章

分布式机器学习

1 分布式机器学习基础

2 分布式机器学习框架

3 并行决策树

4 并行k-均值算法

2

掌握分布式机器学习的基本概念和框架。

能够使用分布式机器学习框架,实现决策树和K-均值算法的并行计算

习题

10.1

10.2

10.3

课前完成预习,课后对课堂内容进行复习。

分布式机器学习框架,决策树算法并行运算案例讨论



11

第11章

深度学习

1 卷积神经网络

2 循环神经网络

3 深度学习流行框架

2

掌握卷积神经网络的概念和结构,理解循环神经网络的结构,了解常见的深度学习流行框架

能够使用卷积神经网络实现分类问题。

习题

11.1

11.2

11.3

课前完成预习,了解卷积神经网络的新进展。

分组讨论卷积神经网络的应用案例



12

第12章

高级深度学习

1 高级卷积神经网络

2 高级循环神经网络应用

3 无监督式深度学习

4 强化学习

5 迁移学习

6 对偶学习

4

掌握CNN和RNN的应用,理解无监督学习、强化学习、迁移学习、对偶学习的原理

理解卷积神经网络在不同学习方法中的应用

习题

11.1

11.2

11.3

课前完成预习,了解目前流行的学习方法

分组讨论无监督学习、强化学习、迁移学习、对偶学习的应用场景



13

第13章

推荐系统

1 推荐系统基础

2 推荐系统通用模型

3 推荐系统评测

4 推荐系统实例

3

掌握推荐系统的基本概念、基本模型、一般测评方法等基本内容。

掌握推荐系统的设计和开发,了解专家系统的应用例子。

思考题

12.1

12.2

12.3

课前完成预习,课后对课堂内容进行复习

分组推荐系统的设计中可能存在的问题和难点





2.课内实践教学安排

序号

项目名称

学时

类型

每组人数

能力培养教学要求

素质培养教学要求

学生任务



1

决策树算法的设计与实现

2

验证

1

熟悉决策树算法。熟悉本专业的前沿知识和研究热点。

掌握决策树算法的基本原理和实现流程。

运用所学知识,设计并编程实现一个小型决策系统



2

支持向某某算法实现手写数字分类

2

验证

1

熟悉和掌握支持向某某算法的过程。熟悉本专业的前沿知识和研究热点。

能利用支持向某某算法实现分类问题。

参考支持向某某算法核心代码,以手写数字分类问题为例实现支持向某某算法程序,并采用不同核函数的对比分类效果



3

并行K-近邻算法的实现

2

验证

1

熟悉和掌握K-近邻算法和分布式机器学习的基本原理。

掌握并行K-近邻算法函数的编写。

参考实验系统给出的并行K-近邻算法代码,实现给定数据分类,并对比并行算法与传统串行实现方式的效率提升。



4

遗传算法求函数最大值实验

2

验证

1

熟悉和掌握遗传算法的原理、流程和编码策略。能够针对创新点开展切实有效的理论和应用研究。

能利用遗传求解函数优化问题。

参考实验系统给出的遗传算法核心代码,用遗传算法求解TSP的优化问题,分析遗传算法求解不同规模TSP问题的算法性能。



5

卷积神经网络实现人脸识别分类

4

验证

1

理解卷积神经网络的实现流程。能够针对创新点开展切实有效的理论和应用研究。

掌握卷积神经网络的实现方法,并应用于人脸识别。

参考实验系统给出的ResNet网络,实现人脸识别分类,并对比不同参数对网络性能提升的影响,包括:网络层数、学习率、batch size等。利用已有模型进行迁移学习,对比识别率的变化。





[文章尾部最后300字内容到此结束,中间部分内容请查看底下的图片预览]请点击下方选择您需要的文档下载。

  1. 沪教版()高中信息技术 必修1 项目九 了解手写数字识别——体验人工智能 教案(3课时)(1)
  2. 人工智能学习心得
  3. 第一册第19课《网页的浏览》教学设计
  4. 才智天下XXXXX松鼠AI春季政策(AI新学员)
  5. 【学员操作手册】(1)
  6. 小学课程实施方案
  7. 新版四年级上册课程纲要分享课教案
  8. 统计故事-吴某某
  9. 微课程学习心得体会
  10. 麓山XX实验学校微课申报-基于项目式学习的人工智能课程设计探究
  11. 附件:网络学习操作手册

以上为《机器学习教学大纲-他人》的无排版文字预览,完整格式请下载

下载前请仔细阅读上面文字预览以及下方图片预览。图片预览是什么样的,下载的文档就是什么样的。

图片预览