《机器学习基础及应用》课程标准.pdf

《机器学习基础及应用》课程标准

【课程名称】机器学习基础及应用【课程编码】

【课程类别】专业选修课【适用专业】人工智能、大数据技术、计算机

等相关专业

【授课单位】【总学时】32

【编写执笔人】【编写日期】

一、课程定位和课程设计

1.1课程性质

本课程是人工智能、大数据技术、计算机等相关专业的一门专业选修课，提供机器学习

的入门基础讲解，让学生能够较为全面地了解机器学习这门学科的各类问题和方法论，主要

包括监督学习、无监督学习等主要学习算法。此外，本课程强调学生的动手能力，要求学生

通过编程练习和典型应用实例加深理解，同时对机器学习的一般理论，如计算训练线性回归

预测模型，使用逻辑回归进行分，使用k近邻算法实现分类与回归，使用朴素贝叶斯算法训

练分类器，使用决策树算法实现分类与回归，使用支持向量机实现图像识别，构建集成学习

模型等有所了解。要求学生具备基本编程基础。具有很强的实践性，对于培养学生的实践能

力、创新能力、分析和解决问题的能力都起到十分重要的作用。要求学生既要掌握基础理论

知识，又要结合工作实际，提高学生实践应用能力。

1.2课程设计思路

课程教学目标和组织在“定向对接，工学一体”人才培养模式的理念和方法指导下，以

典型工作任务教学贯穿课程始终，突出实践教学过程，强化实践教学环节管理，增强实践教

学效果。针对市场需求，以学生为本，选取循序渐进的典型工作项目“学习包”为载体构建

学习情境，营造“易学乐学”的学习氛围，培养学生的专业能力、方法能力和社会能力。以

学生为中心、工作过程为导向，采用小组化教学，融“教、学、做”为一体，培养学生的职

业工作能力、团队协作能力和创新能力。保持课程的开放性，培养学生的可持续发展能力。

二、课程目标

1．知识目标

（1）通过课堂教学，要求学生对国际上机器学习研究及应用领域的现状和发展有较为

全面的了解和把握，掌握其中的主流学习方法和模型（监督学习和非监督学习），并能够根

据实际问题的需要选择并实现相应的算法。

（2）了解计算训练线性回归预测模型，使用逻辑回归进行分析，使用k近邻算法实现

分类与回归，使用朴素贝叶斯算法训练分类器，使用决策树算法实现分类与回归，使用支持

向量机实现图像识别，构建集成学习模型等知识。

2．能力目标

（1）能够掌握计算训练线性回归预测模型的基本原理

（2）能够使用逻辑回归进行分析

（3）能够使用k近邻算法实现分类与回归

（4）能够使用朴素贝叶斯算法训练分类器

（5）能够使用决策树算法实现分类与回归

（6）能够使用支持向量机实现图像识别

（7）能够构建集成学习模型

3．素质目标

（1）树立勇于探索、追求真理的职业精神

（2）养成坚持不懈、刻苦钻研的工作作风

（3）具备诚实、守信的品质

（4）善于与人沟通协调,有良好的团队合作精神

（5）具备善于动脑、勤于思考、敢于创新、勇于展现的优秀素质

三、课程内容与教学要求

本课程内容分为11个项目，内容包括：搭建机器学习开发环境、训练线性回归预测模

型、使用逻辑回归进行分类、使用k近邻算法实现分类与回归、使用朴素贝叶斯算法训练分

类器、使用决策树算法实现分类与回归、使用支持向量机实现图像识别、构建集成学习模型、

聚类、使用人工神经网络实现图像识别、真假钞票鉴别等，其教学要求和课时分配如表1

所示。

表1《机器学习基础及应用》课程要求及课时分配表

项目项目名称教学内容教学要求课时分配

（1）机器学习的概念

理解机器学习的基本概念。

与应用领域