《机器学习》课程大纲.docxVIP

表单编号：SA012 Q/NJXX-QR-JX-01-2019 职业技术学院 课程大纲 版本更新记录： 年 月 人工智能学院课程委员会审核通过 课程名称 机器学习 课程代码 总学时 64 实践学时 32 学分数 4 修课方式 t必修 ¨选修 开课学期 使用班级 课程所属部门 课程负责人 授课教师 姓名 联系方式 辅导地点 辅导时间 课程类别 ¨数学及基础科学 t专业课 ?通识课 适用专业 人工智能技术服务 前导课程 人工智能技术应用导论、人工智能数学基础 后续课程 深度学习、自然语言处理、计算机视觉 选用教材及资料 教材名称 编者 出版社 版次 主要教学 参考资料 机器学习（第1版） 周志华 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。具备严谨、一丝不苟、细心、精益求精的工作精神。 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。培养技术专业精神和计算思维。 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。 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。通过提示追溯错误原因和来源；能够分析程序运行过程中的各种问题。培养耐心、细致、专注、坚持的工匠精神。 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% 单元教学设计 单元 名称 对应的教学目标编号 教学内容 学时 教学方式 评价方式 理论 实践 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) 8 8 一体化教学 课堂讲授 教师演示 学生练习 1、课堂考勤（10%） 2、单元测试（40%） 3、课堂练习（20%） 4、技能训练（30%） BOB1 HOB1 2、分类 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 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 讲解决策树分类的 原理与应用 讲解集成模型分类 的原