✦
課程教學大綱
✦
課程名稱
機器學習
課程類別
專業必修課
學分
4
學時
64，其中授課56學時、實驗8學時
建議修讀學期
春 / 秋
適用專業
計算機、人工智能及相關專業
大綱執筆人
闞道宏
1
教學理念
（從以學生為中心，價值觀教育、
創新創業教育融入教育教學全過程等角度闡述）
本課程面向本科生專業研究與創新能力培養，重點講解機器學習的基本原理和前沿思想，並使用Python語言同步開展機器學習編程實踐。
本課程的教學內容力求做到以下三點。第一是系統性，在講解機器學習的同時充分補充相關基礎知識（特別是數學知識），讓機器學習的知識體系更加系統化，方便學習；第二是直觀性，通過背景介紹和動機分析，讓機器學習的學術抽象重回問題本源，方便理解；第三是實用性，在充分理解概念與原理的基礎上開展Python編程實踐，其中包括對Scikit-learn和TensorFlow這兩個常用機器學習框架的編程練習，讓書本知識落地，提高課程實用性。
本課程也是「程序設計能力培養」系列MOOC課程中的最後一門，前兩門分別是「C++語言程序設計」和「Java語言程序設計」。這一系列課程將程序設計能力培養劃分成程序設計基礎、應用程序開發和專業研究開發三個階段，分別以C/C++作為初級入門語言，然後通過Java語言學習應用型編程、通過Python語言學習研究型編程。這三個階段互相銜接，並在實踐內容上逐層遞進、加強。
課程教學堅持以學生發展為中心，採用線上+線下混合教學模式，引導學生明確學習目標，激發內在動力，掌握專業知識，培養科學素養，成為對社會有用的、具有創新精神的專業技術人才。
2
課程目標
3
課程內容、教學要求與
課程目標之間的關係
4
教學方法
1、如何實現以學生發展為中心？請給出具體措施。
課程以「線上+線下」混合教學模式開展教學活動。線上課程提供詳細的課程導學、教學課件、教學視頻、在線測試、在線答疑等課程資源，引導學生進行自主學習和預習複習；線下課堂以常用機器學習模型為教學案例，開展探索性研討、算法推導、編程實驗和課堂討論等教學活動，引導學生獨立思考而不是被動接受。轉變教學觀念，以學生發展為中心，通過制訂個性化學習計劃、實時學習進度反饋和全過程考核等措施培養學生的自主學習意識，提高學習的目的性、自覺性和主動性，提升教學質量。
2、如何實現將立德樹人教育融入教學活動？請給出具體措施。
培養具有社會責任感和良好科學素養，能夠在科研活動中理解並遵守職業道德和規範，盡職履責的合格科技工作者。通過問題導向和探索性研討，培養學生的創新意識、形式化表示、算法設計等基礎研究能力，以及溝通、交流能力。
3、如何實現創新能力培養融入教育教學全過程？請給出具體措施。
重溫經典模型的研究過程，以機器學習、人工智能為主線穿插講解行業發展史、人物故事等，引導學生樹立嚴謹的科學作風和創新創業意識。通過機器學習編程實踐，讓學生自行選題，通過實際問題引發思考，形成創新思維，鍛煉創新能力。
5
考核方法
（強化過程考核，注重知識考核與能力培養相結合）
6
使用教材
《機器學習及其Python實踐（微課視頻版）》，闞道宏編著，清華大學出版社，2022年8月。ISBN 9787302604068
7
課程資源
900分鐘教學視頻，教學大綱，PPT課件， Python源碼，習題答案。
✦
配套參考教材
✦
掃碼優惠購書
機器學習及其Python實踐（微課視頻版）
作者：闞道宏定價：89.00元ISBN：9787302604068
目錄
向上滑動閱覽
第1章機器學習導論
1.1測算房價的數學模型
1.1.1通過樣本確定模型參數
1.1.2為機器學習模型編寫程序
1.2隨機模型及其學習算法
1.2.1最小二乘法
1.2.2極大似然估計
1.2.3回歸分析方法
1.3隨機變量與數學語言
1.3.1隨機變量
1.3.2隨機變量應用舉例
1.3.3數學語言
1.4更加複雜的數學模型
1.4.1數學形式未知的模型
1.4.2多元模型
1.4.3用矩陣描述問題及算法過程
1.5機器學習問題
1.6本章習題
第2章回歸分析
2.1編程環境與數據集
2.2數據集加載與預處理
2.2.1加載並瀏覽數據集
2.2.2缺失值與重複值
2.2.3特徵選擇
2.2.4非數值型特徵的編碼
2.2.5數值型特徵的標準化
2.3模型訓練與評價
2.3.1訓練集與測試集
2.3.2模型訓練與梯度下降法
2.3.3模型評價與k折交叉驗證
2.4正則化
2.4.1正則化方法
2.4.2嶺回歸與超參數調優
2.4.3LASSO回歸與坐標下降法
2.5非線性回歸
2.5.1換元法
2.5.2邏輯斯諦回歸
2.6本章習題
第3章分類問題
3.1貝葉斯分類器
3.1.1貝葉斯決策
3.1.2樸素貝葉斯與參數估計
3.1.3邏輯斯諦回歸與牛頓法
3.2非貝葉斯分類器
3.2.1k近鄰分類器與距離度量
3.2.2線性判別分析與特徵空間
3.2.3決策樹
3.3多分類問題與分類模型評價
3.3.1二分類與多分類
3.3.2分類模型的評價指標
3.3.3PR曲線與ROC曲線
3.4特徵降維
3.4.1線性代數基礎
3.4.2主成分分析
3.4.3線性判別分析
3.4.4非線性降維
3.5本章習題
第4章統計學習理論與支持向量機
4.1統計學習理論
4.1.1學習問題與ERM歸納原則
4.1.2ERM歸納原則一致性的充要條件
4.1.3泛化誤差上界與PAC可學習
4.1.4兩種機器學習的歸納原則
4.2線性可分支持向量機
4.2.1最優分類超平面與支持向量
4.2.2拉格朗日乘子法與對偶問題
4.2.3最優分類超平面求解算法
4.3非線性可分的支持向量機
4.3.1線性支持向量機
4.3.2非線性支持向量機
4.4SVM分類器及其Python實現
4.5本章習題
第5章聚類問題
5.1聚類問題的提出
5.1.1分類問題概述
5.1.2聚類問題概述
5.1.3混合概率模型及其參數估計問題
5.2EM算法
5.2.1EM算法原理
5.2.2高斯混合模型
5.2.3三硬幣模型
5.3k均值聚類
5.3.1k均值聚類算法
5.3.2關於k均值聚類的討論
5.3.3使用scikitlearn庫中的k均值聚類模型
5.4密度聚類DBSCAN
5.4.1DBSCAN聚類術語
5.4.2DBSCAN聚類算法
5.4.3使用scikitlearn庫中的DBSCAN聚類算法
5.5向量量化
5.5.1向量量化問題
5.5.2LBGVQ算法
5.6本章習題
第6章概率圖模型與概率推理
6.1貝葉斯網
6.1.1聯合概率分布及其推理
6.1.2貝葉斯網概述
6.1.3貝葉斯網的推理
6.2MCMC算法基礎
6.2.1蒙特卡洛仿真
6.2.2貝葉斯網的近似推理
6.2.3馬爾可夫鏈
6.2.4隨機向量的馬爾可夫鏈
6.3MCMC算法家族
6.3.1MCMC採樣算法
6.3.2MCMC最優化算法
6.3.3MCMC互評算法
6.4隱馬爾可夫模型
6.4.1HMM的形式化表示及其三個基本問題
6.4.2HMM的三個基本算法
6.4.3HMM建模與實驗
6.5無向圖模型
6.5.1馬爾可夫隨機場
6.5.2條件隨機場
6.6本章習題
第7章神經網絡基礎
7.1神經元模型
7.1.1生物神經元與MP神經元模型
7.1.2常用激活函數
7.1.3小批量梯度下降算法
7.2神經網絡
7.2.1多層前饋神經網絡
7.2.2輸出層的設計
7.2.3隱層的設計
7.2.4隱層與深度學習
7.3反向傳播算法
7.3.1模型參數及其學習算法
7.3.2前向計算與反向求導
7.3.3反向傳播算法
7.4TensorFlow機器學習框架
7.4.1TensorFlow及其安裝
7.4.2TensorFlow底層接口編程
7.4.3使用TensorFlow底層接口搭建神經網絡
7.5Keras高層接口建模
7.5.1從編程到裝配
7.5.2使用Keras高層接口建立回歸模型
7.5.3使用Keras高層接口建立分類模型
7.6本章習題
第8章深度學習
8.1卷積神經網絡
8.1.1信號的特徵提取
8.1.2卷積的實現細節
8.1.3卷積神經網絡的基本結構
8.1.4LeNet5模型編程實戰
8.2循環神經網絡
8.2.1序列數據的語義特徵
8.2.2RNN神經元與RNN網絡層
8.2.3RNN模型編程實戰
8.2.4LSTM模型
8.3自編碼器
8.3.1深入理解神經網絡
8.3.2自編碼器及其編程實戰
8.3.3變分法與KL散度
8.3.4變分自編碼器
8.3.5變分自編碼器編程實戰
8.4生成對抗網絡
8.4.1生成器的工作原理
8.4.2生成對抗網絡概述
8.4.3DCGAN及其編程實戰
8.4.4WGAN及其編程實戰
8.5結束語
8.6本章習題
參考文獻
單擊頁面下方【閱讀原文】，訂閱【教學大綱】欄目
留言列表