《机器学习》课程教学实施与评价指南.docxVIP

附件3 《机器学习》 教学实施与评价指南 课程基本情况 本课程在专业课程体系中的定位 本课程实施学期为大二第一学期，是专业课程，64课时，4个学分。前导课程为《人工智能技术应用导轮》、《人工智能数学基础》等，后续课程为《深度学习》、《自然语言处理》等。 图 SEQ 图 \* ARABIC 1 软件技术（人工智能应用）课程体系 课程内容地图 本课程包括五个单元，分别是：1.Pytyon编程库，2.分类学习，3.回归预测，4.无监督学习，5.模型实用技巧及应用。 课程内容具体安排如下图2所示。 图 SEQ 图 \* ARABIC 2 课程内容思维导图 二、教学内容组织 （一）课程学习目标 掌握机器学习的基本概念；掌握Scikit-learn库的使用，能基于Python语言和Scikit-learn库实现机器学习的简单应用；理解经典的机器学习算法，为后续运用人工智能技术应用开发奠定知识和技术基础；具备分析和解决实际问题的能力；具备职业素养意识和创新意识，为以后从事人工智能技术应用开发奠定基础。 （二）课程教学目标 根据学习目标，本课程的教学目标如表1所示。 表 SEQ 表 \* ARABIC 1 本课程所支持的专业能力和教学目标 课程对应的专业毕业要求 权重分配 课程对应的专业核心能力指标 教学目标 RGZNA专业能力： 熟练运用从事数据标注以及人工智能应用程序的编码、测试、维护等活动所需的知识、技能和工 具。 50% RGZNA3：掌握开发人工智能应用程序的知识、技能和工具，能够熟练应用于人工智能应用开发等专业活动； AOB1：能够理解机器学习的应用背景并搭建机器学习开发环境；能够使用NumPy、SciPy、Pandas和Matplotlib等编程库进行数据计算、数据清洗、数据可视化等操作。 AOB2：能够使用sklearn编程库中线性分类 器、支持向量机、朴素贝叶斯、K近邻、决策树、集成方法等模型实现分类学习。 AOB3：能够使用sklearn编程库中线性回归 器、支持向量机回归、K近邻回归、回归树、集成方法等模型实现回归预测。 AOB4：能够使用sklearn编程库中无监督学习模型实现数据聚类、特征降维、异常检测。 AOB5：能够使用sklearn编程库中模型实用技巧实现特征提升、模型正则化、模型检验、超参数搜索；学会使用NLTK、Word2Vec、XGBoost等模型库。 RGZNB问题解决：能够识别、分析、解决数据标注以及人工智能应用程序的编码、测试、维护等活动中的常见技术问题。 40% RGZNB2：能够运用人工智能应用开发的相关技术和知识，对开发过程中出现的常见问题进行识别、分析和解决。 BOB1：能够识别、分析和解决环境配置、使用NumPy、SciPy、Pandas和Matplotlib等编程库时遇到的问题。 BOB2：能够识别、分析和解决线性分类器、支持向量机、朴素贝叶斯、K近邻、决策树、集成方法等模型时出现的问题。 BOB3：能够识别、分析和解决线性回归器、支持向量机回归、K近邻回归、回归树、集成方法等模型等模型时出现的问题。 BOB4：能够识别、分析和解决使用监督学习模型时出现的问题。 BOB5：能够识别、分析和解决特征提升、模型正则化、模型检验、超参数搜索、使用XGBoost等编程库时出现的问题。 RGZNH创新能力： 能够具备问题探究和创新意识，了解基本的创新方法。 10% RGZNH1：能够具备问题探究和创新意识，了解基本的创新方法。 HOB1：能够具备问题探究意识，能够分析对比不同解决方案的优劣点，并提出合理化建议。 合计 100% （三）教学内容组织 表 SEQ 表 \* ARABIC 2 教学内容组织 单元 名称 对应的教学目标编号 教学内容 重点 难点 教学策略 1、 Python编程库 AOB1 1、演示环境安装及配置 2、组织学生练习环境 安装及配置 3、讲解为什么使用Python 4、介绍NumPy & SciPy 编程库 5、介绍Matplotlib 编程库 6、介绍Scikit-learn 编程库 7、介绍Pandas编程库 8、组织学生通过实验练 习编程库的使用(实验一 良/恶性乳腺癌肿瘤预测) Numpy Matplotlib Pandas Pandas 一体化教学 课堂讲授 教师演示 学生练习 BOB1 HOB1 2、分类 学习 AOB2 1、讲解机器学习任务、经验、性能的概念 讲解线性分类器的原 理与应用 3、讲解支持向量机分类的原理与应用 讲解朴素贝叶斯分类 的原理与应用 讲解K近邻分类的原 理与应用 6、讲解决策树分类的原理与应用 7、讲解集成模型分类的原理与应用 8、组织学生通过实验练 习分类学习方法（实验二 手写体数字识别） 分类模型的使用 分类模型参数的含义及