课程教学大纲_机器学习

课程编号：120013B

课程类型：□通识教育必修课  □通识教育选修课

√专业必修课      □专业选修课

□学科基础课

总学时：48  讲课学时：32  实验（上机）学时：16

学　　分：3

适用对象：大数据专业

先修课程：概率论、数理统计、统计软件

（以上标题为黑体，四号字；内容为宋体，四号字）

一、教学目标（黑体，小四号字）

    机器学习作为一门新兴的交叉学科，它涉及统计、数学和计算机等学科领域。通过本课程的学习使学生了解、掌握机器学习的基本方法及原理，使学生能够比较系统和全面的了解当今新的适用于当今高维复杂数据的机器学习方法，使学生能够用所学的内容进行实例分析，提高学生解决实际问题的能力。

目标1：了解、掌握机器学习的基本方法及原理

目标2：了解当今新的适用于当今高维复杂数据的机器学习方法

目标3：学生能够用所学的内容进行实例分析，提高学生解决实际问题的能力。

正文（宋体，小四号字）

二、教学内容及其与毕业要求的对应关系（黑体，小四号字）

教学内容：首先简要概述机器学习的发展历史、特点和应用领域；然后讲授回归分析及其应用，重点讲授线性回归分析方法和部分非线性回归分析方法；再讲授分类方法及其应用，重点讲授参数方法、非参数方法和集成学习方法；然后讲授聚类分析方法，重点讲授混合模型、最近邻方法等。

对拟实现的教学目标所采取的教学方法、教学手段：采取课堂讲授与上机实验相结合的方式。课堂讲授以演示文档为主、板书为辅；上机实验以老师示范为辅、学生实验为主。

对实践教学环节的要求：要求学生在实践中能够整理数据，并能根据数据自身特点和具体目的，选取恰当的方法分析数据，根据分析结果能够进一步的指导人们的生产生活。

对课后作业、学生自学要求：课后作业和上机实验要求学生提交电子版。

该课程从哪些方面促进了毕业要求的实现：

三、各教学环节学时分配（黑体，小四号字）

以表格方式表现各章节的学时分配，表格如下：（宋体，小四号字）

教学课时分配

以“章节”为单位说明本章节的教学内容、教学重点、难点、课程的考核要求和复习思考题等，各章节格式如下：

正文（宋体，小四号字）

第一章  绪论（了解）

    考核要求：学生应了解机器学习的发展历程，了解学习本门课程所应具备的数学、统计和计算机知识。

第二章  回归分析

1.线性回归方法

1.1逐步回归方法 （掌握）

1.2回归收缩方法（掌握）

1.3变量选择（掌握）

2.非线性回归方法

2.1基于基底的方法（掌握）

2.2核方法（掌握）

2.3神经网络 （了解）

2.4基于树的方法（掌握）

3.模型的评价准则

3.1AIC、BIC （掌握）

3.2修正的AIC、BIC （了解）

3.3交叉核实、自由度 （掌握）

考核要求：学生应掌握各种方法的原理和应用。通过对方法原理的学习能够知晓每个方法的优缺点和适用范围。能够用统计软件熟练的进行统计分析。

第三章  分类分析

1.生成模型建模

1.1朴素贝叶斯 （掌握）

1.2混合模型（掌握）

2.判别模型建模

2.1Fisher判别分析（掌握）

2.2Logistic Regression（掌握）

2.3分离超平面（掌握）

2.4支持向量机 （掌握）

2.5从损失函数看支持向量机（掌握）

2.6其他方法 （了解）

3.集成学习

3.1模型选择 （掌握）

3.2模型平均 （掌握）

3.3Bagging （掌握）

3.4随机森立 （掌握）

3.5Boosting （掌握）

考核要求：学生应掌握各种方法的原理和应用。通过对方法原理的学习能够知晓每个方法的优缺点和适用范围。能够用统计软件熟练的进行统计分析。

第四章  聚类分析

1.K近邻方法 （掌握）

2.混合正态模型 （掌握）

3.谱聚类 （掌握）

4.层次聚类方法 （掌握）

考核要求：学生应掌握各种方法的原理和应用。通过对方法原理的学习能够知晓每个方法的优缺点和适用范围。能够用统计软件熟练的进行统计分析。

五、考核方式、成绩评定（黑体，小四号字）

本课程所采用的考核方法是论文。课后作业占15%，上机实验作业占25%，期末成绩占60%。

六、主要参考书及其他内容（黑体，小四号字）

    [1]李航. 统计学习方法. 北京：清华大学出版社. 2012

[2]James, G., Witten, D., Hastie, T., Tibshirani, R. An introduction to Statistical Learning with application in R.  Springer. 2013

[3]Hastie, T., Tibshirani, R., Friedman, J. The Elements of Statistical Learning Data Mining, Inference, and Prediction.  Springer. 2009

[4]Lantz, B. Machine Learning with R. John Wiley & Sons, Inc. 2013

[5] Bishop, C. Pattern Recognition and Machine Learning. Springer. 2007.

执笔人：安百国       教研室主任：　　　　　系教学主任审核签名：s