机器学习及应用-课程标准Word格式文档下载.docx
- 文档编号:13092837
- 上传时间:2022-10-04
- 格式:DOCX
- 页数:4
- 大小:21.51KB
机器学习及应用-课程标准Word格式文档下载.docx
《机器学习及应用-课程标准Word格式文档下载.docx》由会员分享,可在线阅读,更多相关《机器学习及应用-课程标准Word格式文档下载.docx(4页珍藏版)》请在冰豆网上搜索。
决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维、概率图模型、深度学习初步;
同时也为选修者提供一些进阶知识,内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等内容。
课程地位
本课程适用于计算机应用技术、计算机网络技术和物联网技术等专业,主要面向应用类机器学习职业岗位。
这类岗位的市场需求量非常大,所有的互联网公司都设置了这个岗位;
零售、金融、电信和制造业等行业也有需求。
本课程是上述专业培养方案中的拓展课程,综合运用专业所学的编程、微积分、统计学等知识,培养学生分析问题和解决问题的能力。
选修者的预备知识是Python程序设计、概率论、微积分和线性代数方面的课程,具有一定的自学能力,能独立调试编程过程中的简单问题。
其后续课程有数据挖掘、毕业设计系统等。
本课程拟用Python作为编程语言,选用Anaconda的Spyder或JetBrainsPyCharm
作为开发平台。
建议在选修前先自学Python语言,学会编写一些简单的Python程序。
计算机应用技术专业的学生具有一定的编程能力和数据处理能力,可以选修本课程
的全部内容:
决策树、神经网络、支持向量机、贝叶斯分类器、集成学习聚、类、降维、课程学习 概率图模型、深度学习初步等内容。
目标 计算机网络技术和物联网技术专业的学生具有良好的数据处理能力,编程训练有待加强,可以选修本课程所涉及的常用算法,主要包括:
决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维等。
对于其他有志于人工智能和机器学习的学习者,可以根据自己的实际情况,在熟悉
Python语言、微积分等先续知识的前提下,选修部分内容。
课程学习
形式
本课程的学习拟采取校内集中面授+实验的方式,教师主要介绍人工智能的基本原
理,机器学习的经典算法及其Python实现方案,选修者在教师指导下完成各个实验。
另外,选修者也可以在网络上搜寻相关的人工智能、机器学习的内容,作为本课程
内容的有益补充。
二、课程内容和学时分配
序号 单元名称 主要教学知识点 学习目标及能力要求 学习情境 学时 作业
1导论
2Python
基础
了解机器学习的基本概念、发展历程及应用现状
搭建Python开发环境;
学会使用
Numpy矩阵运算;
学会使用Linalg线性代数矩阵;
数据处理的可视化
了解机器学习的概念;
掌握概念学习、假设空间、模型评估与选择等概念。
掌握机器学习的IDE开发环境;
学习Python矢量编程方法;
学会使用Python算法库(包括第三方),特别是数据的可视化编程。
理解信息熵,并编码实现;
多媒体理论教 2
学
多媒体教学
AnaCondaPython3.3及 4以上IDE开发
环境下实验。
3决策树 信息熵;
ID3算法;
C4.5算法
神经元;
前向多层神经网络;
Logistic
利用信息熵,构建ID3算法和C4.5算法。
理解梯度下降法和线性感知器的原理,并编码实现;
同上 4
4神经网络
5支持向量机
6贝叶斯分类器
梯度下降法;
Logistic梯度随机下降法;
BP神经网络函数间隔与几何间隔;
SMO算法;
Scikit-LearnSVM分类器运用
贝叶斯定理;
朴素贝叶斯算法;
EM算
实现多层前向神经网络;
实
现BP神经网络,并用该算法识别手写体。
理解函数间隔和几何间隔;
利用sklearnSVM方法解决简单的分类问题;
编码实现
SMO算法。
利用Numpy库,编码实现朴素贝叶斯算法;
sklearn
同上 6
同上 6
同上 4
法;
贝叶斯网络 中的朴素贝叶斯方法。
7集成学习
8聚类
9降维
10概率图模型
11深度学习初步
集成学习的基本概念;
Voting;
Bagging;
Ada
Boosting 以 及GradientBoosting聚类的基本概念;
典型的距离计算方法;
k-Means算法;
密度聚类;
层次聚类
降维的基本概念;
k近邻学习;
主成分分析;
低维嵌入;
奇异值分解
马尔科夫过程;
隐马尔科夫模型;
Vertibi算法
深度学习的典型方法;
TensorFolw简介与基本使用
掌握集成学习方法中的
Voting、Bagging;
Boosting 、 Gradient
Boosting。
掌握典型的距离计算方法;
掌握k-Means算法原理;
利用sklearn中的kMeans算法和DBSCAN算法。
使用Scikit-Learn库函数
SVD实现一个推荐系统的相似度算法;
实现k近邻学习算法
掌握隐马尔科夫模型;
利用sklearn库方法实现
viterbi算法。
掌握深度学习基本模型,以及TensorFlow的安装与基本使用。
同上 2
合计 48
如授受式教学,启发式教学,课堂讨论,当堂测试,学生讲授,学生自学,案例教学,参观实习,调
研,角色游戏、活动教学、项目教学、实验、探究……选择其中几项,或补充其它教学方法。
教学方法
案例教学、项目教学、实验、探究
如传统讲授,多媒体教学,语音教学,网络教学,VCD,录相,……选择其中几项,或补充其它教学手
段。
教学手段
多媒体教学、网络教学。
如学习团队组织;
情境(工程背景)创设;
以学生为中心的案例设计;
讨论与研究安排;
学习中的合
教学设计 作安排;
知识运用与实践的安排;
知识的梳理与认识(重构);
学习报告等等方面的教学设计。
学习中的合作安排;
知识运用于实践的安排;
学习报告。
三、课程教与学的策略
考核方式
考试或考核;
笔试或口试;
操作或综合。
考核
形成性评价要求
四、课程绩效评价考核
考试、作业规定(讨论题、练习题、作业题、操作题,形式、数量;
)出勤要求(对考核的影响)等内容在课程绩效评价中所占的比例。
考核点
建议考核方式
成绩比例
实验环境,运用典型Python库
现场考核+实验报告
10%
神经网络
支持向量机
聚类算法
集成方法
综合性实验
50%
合计
100%
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 机器 学习 应用 课程标准
![提示](https://static.bdocx.com/images/bang_tan.gif)