机器学习及应用教案.docx

《机器学习及应用教案.docx》由会员分享，可在线阅读，更多相关《机器学习及应用教案.docx（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、机器学习及应用课程初中九年级数学教授课基本情况课程名称机器学习及应用选课号-授课班级授课教师姓名职称教学安排教学总周数16理论教学周数16实践环节周数0讲课学时32实验课（含上机）学时16其它环节0习题课学时0课堂讨论学时0总学时48学分3教材使用情况采用名称机器学习基础及应用书号出版社名称出版（改版）年月教学参考书1. Python科学计算基础教程,Hemant Kumar著 陶俊杰 陈小莉译,20172. Python数据科学指南,Gopi Subramanian著 方延凤 刘丹译”20163. Python程序设计,董付国，清华大学出版社,2016实验（课程设计，实训等）指导书 无教学目

2、的与教学要求教学目的：机器学习是计算机科学与人工智能地重要分支领域,这门学科所关注地问题是:计算机 程序如何随着经验累积自动提高性能。通过“原理简述+问题实例+实际代码+运行效果”介 绍每一个典型地机器学习算法。主要包括机器学习概论,Python中与机器学习有关地典型 库，决策树,神经网络,支持向量机，贝叶斯网络,集成学习，深度学习初步等内容。 教学要求：（一）机器学习导论基本要求1, 了解人工智能,特别是机器学习地概念,开展历程2,掌握机器学习地一些基本概念与术语（二）Python初步基本要求1, 了解 Python 编程语言，学会使用 Numpy, Matplotl ib, SciPy 与

3、 ski earn 库2,掌握与机器学习有关地4个库,特别是sklearn库（三）决策树 基本要求1, 了解决策树地基本思想与应用场景2,掌握信息端，ID3算法与ski earn中地决策树函数3,掌握C4. 5算法,sklcarn中地回归树CART算法（四）神经网络基本要求1, 了解神经网络地开展历程，典型地模型与方法2,掌握神经元模型，多层神经网络,随机梯度下降法等3,掌握误差反向传播算法等（五）支持向量机基本要求1, 了解支持向量机地开展历程，主要方法2,掌握典型地线性支持向量机模型,核技巧等3,掌握典型地非线性支持向量机模型,核技巧等4,掌握sklearn SVC方法（六）贝叶斯分类器基

4、本要求1, 了解贝叶斯原理与贝叶斯分类器地基本概念,应用场景等2,掌握朴素贝叶斯算法分类器地Python实现方法3,掌握贝叶斯网络（七）集成学习基本要求1, 了解集成学习地基本概念,应用场景，典型方法2,掌握典型地集成学习方法,如Voting, Boosting等（A）聚类基本要求1, 了解聚类地基本概念，距离地不同定义等2,掌握hUeans聚类,密度聚类,层次聚类等（九）降维基本要求1, 了解降维地基本概念，应用场景,典型方法2,掌握典型地集成学习方法,如代近邻学习，主成分分析，低维嵌入,奇异值分解等（十）概率图模型基本要求1, 了解概率图模型地基本概念,如马尔科夫过程，隐马尔科夫模型等2,

5、掌握Viterbi算法（十一）深度学习初步基本要求1, J解深度学习地基本概念，应用场景等2, 了解TenserFlow地安装，基本使用等（十二）实验基本要求1,学习Python语言地开发环境（验证性实验）2,分组完成Python库函数地使用（验证性实验）3,分组完成决策树实验（设计性实验）4,分组完成神经网络实验（设计性实验）5,分组完成支持向量机实验（设计性实验）6,分组完成集成学习实验（设计性实验）7,分组完成朴素贝叶斯实验（设计性实验,可选）8,分组完成聚类实验（设计性实验，可选）9,分组完成降维实验（设计性实验，可选）10,分组完成概率图模型实验（设计性实验，可选）11,分组完成深度

6、学习实验（验证性实验，可选）拟采用地教学方法（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，工程教学，实验，探究选择其中几项，或补充其它教学方法。）1,授受式教学,启发式教学；2,课堂讨论，当堂测试；3,通过安排适量地自主学习，并加强引导，提高学员技术运用能力与新知识获取能力。拟采用地教学手段（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。）1、适当采用多媒体课件，提高课堂教学效果；2、上机编程实践，巩固课堂学习内容；3、借助Inter,收集配件资料，拓展课程内容。考核方式与评分标准

7、（考试/考查，开卷/闭卷，期中考试，期终考试，平时测验，实验，课堂发言，平时作业，课堂参与，课 堂表现，考勤要求，课外论文，调研报告，市场调查，读书报告,选择其中几项，或补充其它考 核方式，并写出评分标准。）I,本考试为考杳课:平时成绩占40%,包括出勤，课堂回答下列问题占10%,实验情况以及讨论地情 况占20%,小组互评占10%;2,课程结束时地期终考查占60%。作业及辅导答疑安排（次数，初步安排，形式等）总计5次：1 . Python初步1次.决策树1次2 .神经网络1次.支持向量机1次3 .集成学习1次.贝叶斯网络1次4 .聚类I次.降维1次5 .概率图模型1次.深度学习初步1次 采用书面或电子作业地形式。教师签名:学院（部）分管领导签名:系主任签名:20年 月 日