1、機器學習課程教學大綱一、課程基本信息課程名稱（中文）機器學習課程名稱（英文）Machine Learning課程類別1：專業(yè)選修課課程性質2選修授課語言3中文授課學期6學分2課程學時及分配總學時講課實驗課外3220120適用專業(yè)計算機科學與技術教材機器學習，周志華等著，北京：清華大學出版社，2016年1月第一版授課學院計算機與軟件學院先修課程概率論 線性代數(shù) 矩陣論后續(xù)課程深度學習 人工智能課程簡介課程基本定位：機器學習是計算機專業(yè)一門重要的綜合性和實踐性較強的專業(yè)選修課。本課程主要研究機器學習的基本理論、方法和技術，是深度學習、人工智能等學科的基礎。核心學習結果：使學生掌握機器學習的基本理論

2、、方法和技術，包括機器學習總論，監(jiān)督學習，非監(jiān)督學習，統(tǒng)計學習，計算學習，貝葉斯學習，數(shù)據(jù)壓縮學習，能夠綜合運用上述理論、方法和技術分析機器學習領域的復雜問題，設計可行的解決方案或算法，在此基礎上，能夠合理使用編程工具實現(xiàn)算法并進行算法有效性和合理性驗證與分析，并能夠通過信息綜合得到合理有效的結論。主要教學方法： 線上線下混合式教學大綱更新時間2020年8月注：1.課程類別：選填“通識核心課/通識拓展課/通修課/學科基礎課/專業(yè)主干課/專業(yè)選修課/專業(yè)實踐/素質拓展”2.課程性質：選填“選修/必修”3.授課語言：選填“中文/雙語/全英文或其他語種”二、課程目標序號課程目標（參考培養(yǎng)目標、畢業(yè)要

3、求、課程定位）支撐畢業(yè)要求指標點1達成途徑1.1對經典算法，能使用基本運算如python中的numpy, matlab和Julia將其實現(xiàn)，并應用到經典數(shù)據(jù)庫中課堂教學線上教學實踐教學2.1針對具體的人工智能和計算機視覺大型工程，能夠運用Tensorflow進行大型深度學習模型的編寫，了解如何調用GPU進行運算課堂教學線上教學實踐教學2.2能夠針對不同的數(shù)據(jù)庫，使用不同策略，構建對應的機器學習模型，并比較其優(yōu)劣，并懂得如何通過超參數(shù)進行調節(jié)線上教學實踐教學上機實驗3.1培養(yǎng)學生的科學素養(yǎng)，終身學習能力課堂教學線上教學實踐教學注：1.支撐畢業(yè)要求指標點：選填項。需要進行專業(yè)認證，有畢業(yè)要求指標點

4、可參照的課程必填，無明確畢業(yè)要求指標點可參照的可不填。三、理論教學內容章標題教學內容學時思政融入點1學生學習預期成果2教學方式3課程目標第一章機器學習概述1. 機器學習算法基本結構2. 目標函數(shù)3. 代價函數(shù)4. 梯度2在教學中融入社會責任、科研精神。介紹教材作者周志華的履歷，樹立正確的科研榜樣，激發(fā)學生學生秉承科研精神、社會責任，用心學習基礎理論，為將來的專業(yè)學習和工作打下堅實的基礎掌握機器學習中算法的基本模塊；通過案例，了解機器學習的一般流程和關鍵點講授討論案例演示第二章邏輯回歸與梯度下降法1. sigmoid函數(shù)的定義及作用2. 交叉熵的概念3. 梯度下降算法4. 向量化編程5. 常用繪

5、圖命令2掌握機器學習中最基本的模型：邏輯回歸模型；了解什么是分類任務，并學會使用動態(tài)編程語言，MATLAB, PYTHON.NUMPY, JULIA；掌握向量化編程方法講授討論案例演示第三章單隱藏層的神經網絡1. 什么是多層感知機2. 什么是神經網絡3. 什么是BP算法4. 隱藏層5. 使用隱藏層的動機2掌握反向傳導算法，即BP算法；理解隱藏層的作用，以及神經元的概念，掌握python.numpy編程實現(xiàn)神經網絡講授討論案例演示第四章深度神經網絡1. 多隱藏層的作用2. 全連接層3. 多層感知機下的BP算法2從課程知識方面融入課程思政元素，如在深度學習領域做的比較好的企業(yè)阿里，百度以及?？低?/p>

6、，宣傳自主創(chuàng)新，科研自信，宣傳愛國主義情懷以及自主科研精神。掌握如何添加多個隱藏層；掌握多層網絡BP算法的實現(xiàn)；能夠載入數(shù)據(jù)庫，并利用多層神經網絡實現(xiàn)分類功能講授討論案例演示第五章卷積神經網絡1. 卷積2. 池化3. 卷積層4.卷積神經網絡的tensorflow的實現(xiàn)5. 步長，初始化，信道6. 多卷積層2掌握使用tensor-flow來搭卷積神經網絡，掌握參數(shù)的調節(jié)，以及增加網絡層數(shù)來提高訓練效果講授討論案例演示第六章正則化方法1. 過擬合現(xiàn)象2. L2正則化方法3. L1正則化方法4. L1和L2混合使用5. 參數(shù)lambda的作用2理解并掌握正則化方法的作用；理解參數(shù)lambda的作用并

7、能夠在tensor-flow框架下使用正則化方法講授討論案例演示第七章對抗神經網絡1. 生成器2. 差別器3. 對抗機制2根據(jù)教學知識點-對抗網絡，介紹近年來興起的深度學習競賽，鼓勵學生用于創(chuàng)新，積極進取，同時培養(yǎng)學生實事求是、獨立思考的科學素養(yǎng)。理解生成器和差別器的作用；理解并掌握對抗神經網絡并能夠編程實現(xiàn)講授討論案例演示第八章點對點對抗神經網絡1. 條件對抗神經網絡2. DC對抗神經網絡3. 常用數(shù)據(jù)集2理解點對點生成器的概念；理解對抗神經網絡中skip機制；理解代價函數(shù)并能掌握相應的實現(xiàn)方式講授討論案例演示第九章支持向量機1. 支持向量的概念2. 線性支持向量機的概念3. 核方法4. 駐

8、點上升法5. VC 維2掌握使用基本編程函數(shù)來搭建一個簡易的支持向量機；理解核方法與非線性映射的關系，并能夠在SVM中使用核方法 講授討論案例演示第十章協(xié)同過濾系統(tǒng)1. 打分矩陣2. 相關參數(shù)的含義3. 協(xié)同過濾2理解協(xié)同過濾系統(tǒng)，能使用該算法搭建一個推薦系統(tǒng)講授討論案例演示注：1.思政融入點：至少寫3條，簡述該課程教學中將思政教育內容與專業(yè)教育內容有機融合的知識點（下同）。 2.學生學習預期成果：描述學生在學完本節(jié)內容后應獲得的知識、能力或素養(yǎng)水平（下同） 3.教學方式:包括講授、討論、案例、演示等，但不限于所列，根據(jù)課程實際需要列舉四、實踐（實驗或實習）教學1編號實驗或實習項目名稱教學內容

9、學時實驗或實習類型2思政融入點學生學習預期成果課程目標1梯度下降法線性回歸中的梯度下降法2驗證性掌握梯度下降法并能夠用matlab或者python實現(xiàn)線性回歸中的梯度下降算法1.12正則化方法正則化的含義及使用效果2設計性掌握L2正則化和L1正則化模型及算法，并能夠編程實現(xiàn)1.13卷積神經網絡TF搭建卷積神經網絡2設計性了解經典深度神經網絡結構，能夠用TF搭建經典的神經網絡方法2.12.24TF實現(xiàn)DNNTF搭建深度學習模型2設計性理解DNN的基本架構，并能夠TF實現(xiàn)DNN的運行2.12.25對抗神經網絡TF實現(xiàn)對抗神經網絡2設計性了解對抗神經網絡的基本原理及架構，并使用TF實現(xiàn)對抗神經網絡2

10、.12.26支持向量機利用matlab實現(xiàn)支持向量機2綜合性掌握SVM基本原理，能夠使用Matlab編寫SVM程序1.12.23.1注：1.此表可用于課內實踐教學環(huán)節(jié)或某門綜合實踐課程2.實驗類型：選填”驗證性/綜合性/設計性”；實習類型：選填“認識實習/生產實習/畢業(yè)實習”五、課程評價（一）考核內容、考核方式與課程目標對應關系課程目標考核內容課程目標在各考核方式中占比1平時表現(xiàn)課程作業(yè)上機實習期中考試期末考試目標1.1學生對經典算法的掌握，能否使用基本運算如python中的numpy, matlab和Julia將其實現(xiàn)，并應用到經典數(shù)據(jù)庫中30%50%50%目標2.1學生綜合運用Tensor

11、flow進行大型深度學習模型的編寫，并調用GPU進行運算30%30%40%40%目標2.2學生能夠針對不同的數(shù)據(jù)庫，使用不同策略，構建對應的機器學習模型，并比較其優(yōu)劣，并懂得如何通過超參數(shù)進行調節(jié)20%60%10%目標3.1學生在課程學習過程中展現(xiàn)出來的科學素質40%合計100%100%100%100%各考核方式占總成績權重（自行賦值）10%10%10%70%注：1. 課程目標在考核方式及占比：主要根據(jù)課程目標自行設計和制定多元化考核方式，表中所列僅為參考（紅色數(shù)據(jù)可刪除）。但所列考核方式必須覆蓋全體學生，可根據(jù)當學期具體教學情況酌情調整。2. 各考核方式占總成績權重：根據(jù)課程實際情況對各考核

12、方式占總成績的權重予以賦值。（二）考核方式評分標準1課程作業(yè)評分標準課程目標評分標準占比90-100（優(yōu)）80-89（良）70-79（中）60-69（及格）0-59（不及格）10%1.1完成全部基礎作業(yè)，正確率90%以上完成全部基礎作業(yè)，正確率80%89%完成全部基礎作業(yè)，正確率70%79%完成全部基礎作業(yè)，正確率60%69%完成部分基礎作業(yè)50%2.1完成全部綜合作業(yè)，正確率90%以上完成全部綜合作業(yè)，正確率80%89%完成全部綜合作業(yè)，正確率70%79%完成全部綜合作業(yè)，正確率60%69%完成部分綜合作業(yè)30%2.2完成全部編程作業(yè)，正確率90%以上完成全部編程作業(yè)，正確率80%89%完成

13、全部編程作業(yè)，正確率70%79%完成全部編程作業(yè)，正確率60%69%完成部分編程作業(yè)20%2上機實習評分標準課程目標評分標準占比90-100（優(yōu)）80-89（良）70-79（中）60-69（及格）0-59（不及格）10%2.1完成全部驗證性實驗和綜合性實驗的驗證性部分，程序運行流暢，能回答90%以上分析問題，實習報告質量高完成全部驗證性實驗和綜合性實驗的驗證性部分，程序運行正確，能回答80%以上分析問題，實習報告質量較高完成全部驗證性實驗和綜合性實驗的驗證性部分，程序運行有部分bug，能回答70%以上分析問題，實習報告質量一般完成全部驗證性實驗和綜合性實驗的驗證性部分，程序運行有較多bug，能

14、回答60%以上分析問題，實習報告質量一般未完成全部驗證性實驗和綜合性實驗的驗證性部分40%2.2完成全部綜合性實驗，程序運行流暢，能回答90%以上分析問題，實習報告質量高完成全部綜合性實驗，程序運行正確，能回答80%以上分析問題，實習報告質量較高完成全部綜合性實驗，程序運行有部分bug，能回答70%以上分析問題，實習報告質量一般完成全部綜合性實驗，程序運行有較多bug，能回答60%以上分析問題，實習報告質量一般未完成全部綜合性實驗60%3期末考試評分標準（筆試類評分標準可在大綱中按以下格式予以說明，也可在通過“試卷分析表”予以說明）課程目標評分標準占比90-100（優(yōu)）80-89（良）70-79（中）60-69（及格）0-59（不及格）70%1.1基礎題正確率90%基礎題正確率80%89%基礎題正確率70%79%基礎題正確率60%69%基礎題正確率低于60%50%2.1分析題正確率90%分析題正確率80%89%分析題正確率70%79%分析題正確率60%69%分析題正確率低于60%40%2.2編程題正確率90%編程題正確率80%89%編程題正確率70%79%編程題正確率60%69%編程題正確率低于60%10%注：考核方式和課程目標在考核方式中占比應與“（一）考核內容、考核方式與課程目標對應關系