麦子学院2017最新机器学习课程大纲

《机器学习》教学大纲课程编号：课程名称：机器学习英文名称：Machine Learning先修课程：高等数学（数学分析）、线性代数（高等代数）、概率论与数理统计、程序设计基础总学时数：54学时一、教学目的本课程可作为计算机科学与技术、智能科学与技术相关本科专业的必修课，也可作为其它本科专业的选修课，或者其它专业低年级研究生的选修课。

本课程的教学目的是使学生理解机器学习的基本问题和基本算法，掌握它们的实践方法，为学生今后从事相关领域的研究工作或项目开发工作奠定坚实的基础。

具体来讲，要使学生理解聚类、回归、分类、标注相关算法并掌握它们的应用方法；理解概率类模型并掌握它们的应用方法；理解神经网络类模型并掌握它们的应用方法；理解深度学习模型并掌握它们的应用方法；理解距离度量、模型评价、过拟合、最优化等机器学习基础知识；掌握特征工程、降维与超参数调优等机器学习工程应用方法。

二、教学要求总体上，本课程的教学应本着理论与实践相结合的原则，深入浅出，突出重点，在重视基础理论的同时，注意培养学生独立思考和动手能力。

在内容设计上，应以示例入手，逐步推进，详尽剖析算法思想与基本原理。

在实施方法上，应采取启发式教学方法，在简要介绍算法思想和流程的基础上，引导学生自行运行并分析实现代码。

在教学手段上，应结合板书、多媒体、网络资源等多种传授方法，提高学生兴趣。

在实验教学上，应促进学生对讲授知识的理解，开拓眼界，提升实践能力。

三、教学内容本课程内容共分为八章。

（一）绪论（1学时）【内容】机器学习的基本概念，机器学习算法及其分类，课程内容介绍，编程环境及工具包。

【重点】机器学习的基本概念，机器学习算法分类。

（二）聚类（11学时，含4学时实验课）【内容】K均值聚类及其改进算法，聚类的任务，样本点常用距离度量，聚类算法评价指标，聚类算法分类，DBSCAN算法及其派生算法，AGNES算法。

【重点】距离度量，聚类算法评价指标，K均值算法，DBSCAN算法。

《机器学习》课程教学大纲课程中文名称：机器学习课程英文名称：Machine Learning适用专业：计算机应用技术，管理科学与工程总学时：36 （讲课：28 ，实验：8 ）学分：2大纲撰写人：大纲审核人：编写日期：一、课程性质及教学目的：本课程是面向计算机与信息工程学院研究生开设的专业基础课。

其教学重点是使学生掌握常见机器学习算法，包括算法的主要思想和基本步骤，并通过编程练习和典型应用实例加深了解；同时对机器学习的一般理论，如假设空间、采样理论、计算学习理论，以及无监督学习和强化学习有所了解。

二、对选课学生的要求：要求选课学生事先受过基本编程训练，熟悉C/C++或Matlab编程语言，具有多元微积分、高等代数和概率统计方面基本知识。

三、课程教学内容和要求（200字左右的概述，然后给出各“章”“节”目录及内容简介）1.决策论与信息论基础：a)损失函数、错分率的最小化、期望损失的最小化等b)相对熵、互信息2.概率分布：a)高斯分布、混合高斯分布、Dirichlet分布、beta分布等b)指数分布族：最大似然估计、充分统计量、共轭先验、无信息先验等c)非参数方法：核密度估计、近邻法3.回归的线性模型：a)线性基函数模型b)贝叶斯线性回归c)贝叶斯模型比较4.分类的线性模型：a)判别函数：二分类和多分类的Fisher线性判别b)概率生成模型：连续输入、离散特征5.核方法：a)对偶表示b)构造核函数c)径向基函数网络：Nadaraya-Watson模型d)高斯过程：高斯过程模型用于回归和分类、Laplace逼近、与神经网络的联系6.支持向量机：a)最大边缘分类器：历史回顾b)用于多分类和回归的支持向量机：几何背景、各种变种c)统计学习理论简介：Vapnik等人的工作7.图模型：a)贝叶斯网络b)Markov随机场：条件独立、因子分解c)图模型中的推断8.混合模型和期望最大化（Expectation Maximization，EM）算法（3学时）：a)高斯混合模型的参数估计：最大似然估计、EM算法b)EM一般算法及其应用：贝叶斯线性回归9.隐Markov模型和条件随机场模型（3学时）：a)隐Markov模型：向前-向后算法、Viterbi算法、Baum-Welch算法等b)条件随机场及其应用四、课程教学环节的学时安排和基本要求1.决策论与信息论基础（2学时）：了解并掌握统计决策理论和信息论的基础知识。

《机器学习》课程教学大纲课程代码：090142132课程英文名称：Machine Learning课程总学时：40 讲课：32 实验：8 上机：0适用专业：信息与计算科学大纲编写（修订）时间：2017.11一、大纲使用说明（一）课程的地位及教学目标机器学习是信息与计算科学专业的一门专业选修课。

建设信息安全保障体系是信息安全保障工作的重要任务，信息安全保密是信息安全保障中的核心问题之一。

随着互联网和电子商务等技术的不断发展和应用，信息安全与保密成了影响计算机应用的重要问题。

本课程教学目标就是让信息与计算科学专业的学生掌握常见的机器学习算法，包括算法的主要思想和基本步骤，并通过编程练习和典型应用实例加深了解；同时对机器学习的一般理论，如假设空间、采样理论、计算学习理论，以及无监督学习和强化学习有所了解。

（二）知识、能力及技能方面的基本要求1.基本知识：机器学习总论，监督学习，非监督学习，统计学习，计算学习，贝叶斯学习，数据压缩学习。

2.基本能力和方法：通过本科程的学习，培养学生的学习能力，创新能力，把知识与实际应用相结合的能力。

3.基本技能: 能根据实际问题的需要选择并实现相应的算法。

（三）实施说明1．教学方法：课堂讲授中要重点对基本概念、基本方法和解题思路的讲解；采用启发式教学，培养学生思考问题、分析问题和解决问题的能力；引导和鼓励学生通过实践和自学获取知识，培养学生的自学能力；增加讨论课，调动学生学习的主观能动性。

讲课要联系实际并注重培养学生的动手能力和创新思维。

2．教学手段：本课程建议采用课堂讲授、讨论、多媒体教学相结合的教学形式，以确保在有限的学时内，全面、高质量地完成课程教学任务。

3．教师在授课过程中可以根据实际情况酌情安排各部分的学时，课时分配表仅供参考。

（四）对先修课的要求本课程的教学必须在完成先修课程之后进行。

本课程主要的先修课程有计算机程序设计、概率论与数理统计等。

（五）对习题课、实践环节的要求1．本课程要求学生能学会各种技术的原理，对各种机器学习问题进行分析和提出相应解决方案。

《机器学习》课程教学大纲课程编号：04290课程名称：机器学习英文名称：Machine Learning课程类型：学科基础课课程要求：必修学时/学分：48/3 （讲课学时：40 上机学时：8）适用专业：智能科学与技术一、课程性质与任务机器学习是智能科学专业的学生学习和掌握各种复杂求解算法进行决策的基础课程。

本课程在教学方面着重介绍各种机器学习算法的基本思想、理论体系和计算机实现的技巧。

在培养学生实践能力方面着重培养学生设计求解算法的整体思路，设计求解步骤，使学生能够应用机器学习对复杂问题进行决策。

（支撑毕业要求 1.2, 2.2, 3.1, 3.2, 5.1, 5.2, 10.1, 10.3, 11.1, 11.2）二、课程与其他课程的联系先修课程：C语言，人工智能基础，神经网络技术、概率论与数理统计后续课程：大数据分析概率论与数理统计课程学习的数学理论知识是本课程贝叶斯学习和评估假设学习的基础。

人工智能和神经网络技术是本课程的基本算法的组成部分。

C语言可实现本课程的机器学习算法。

本课程给出的机器学习算法可用来为数据分析结果实现智能化提供方法。

三、课程教学目标1.学习机器学习算法的基本理论知识、算法的求解思想和基本流程，能够实现智能机器人、智能控制系统的自动化、信息化、智能化等复杂工程问题；（支撑毕业要求1.2,2.2）2.通过对机器学习算法的学习，能够针对智能控制系统、智能机器人等复杂工程问题，开发、选择与使用合理的智能技术、资源，实现对复杂工程问题的预测与模拟。

（支撑毕业要求5.1, 5.2）3.通过机器学习算法的整体求解思路，各部分算法实现能够基于智能系统工程相关背景知识进行合理分析，评价复杂工程问题解决方案对社会、健康、安全、法律以及文化的影响；（支撑毕业要求3.1, 3.2）4.通过对机器学习算法的学习，能够掌握智能系统及智能工程管理与经济决策方法，并能在多学科环境中应用；（支撑毕业要求11.1, 11.2）5.了解本专业领域的最新进展与发展动态，具有跟踪学科发展前沿的意识和文献检索基本技能，能够在跨文化背景下进行沟通和交流。