《機器學習-Python實踐》教學大綱

PAGE12PAGE《機器學習-Python實踐》教學大綱課程代碼：課程類別：專業(yè)必修課適用對象：人工智能專業(yè)總學時：64線下教學學時：50線上教學學時：14一、課程的性質(zhì)、任務(wù)與基本要求（一）課程的性質(zhì)、任務(wù)《機器學習-Python》是人工智能專業(yè)的一門專業(yè)必修課。本課程是一門人工智能方面入門性質(zhì)的技術(shù)課程，具有自身的體系和很強的實踐性。本課程的任務(wù)是：通過對常用機器學習算法和數(shù)據(jù)挖掘基本流程的分析和實踐的學習，使學生獲得機器學習方面的基本知識、基本理論和基本技能，為深入數(shù)據(jù)挖掘和人工智能算法應(yīng)用打下基礎(chǔ)。（二）課程的教學目標1.基本理論要求要求學生掌握典型機器學習算法的分類和基本思想。2.基本技能要求要求學生掌握機器學習的業(yè)務(wù)應(yīng)用，模型訓練和優(yōu)化的能力。3.職業(yè)素質(zhì)要求要求學生通過理論學習和案例實踐，培養(yǎng)學生的團隊協(xié)作、敬業(yè)樂業(yè)的工作作風。二、主要教學內(nèi)容學習情境1機器學習入門基礎(chǔ)1.1什么是機器學習1.2機器學習的思維1.3機器學習的基本框架體系1.4機器學習項目的實施流程1.5機器學習有什么用學習情境2機器學習數(shù)學基礎(chǔ)學習任務(wù)2.1線性代數(shù)2.1.1向量空間2.1.2矩陣分析學習任務(wù)2.2概率與統(tǒng)計2.2.1概率與條件概率2.2.2貝葉斯理論2.2.3信息論基礎(chǔ)學習任務(wù)2.3多元微積分2.3.1導(dǎo)數(shù)與偏導(dǎo)數(shù)2.3.2梯度和海森矩陣2.3.3最速下降法2.3.4隨機梯度下降法練習任務(wù)2.4習題學習情境3回歸算法3.1一元線性回歸3.2代價函數(shù)3.3梯度下降法3.4標準方程法3.5scikit-learn一元線性回歸應(yīng)用3.6多元線性回歸3.7scikit-learn多元線性回歸應(yīng)用3.8非線性回歸介紹練習任務(wù)3.9習題實踐任務(wù)3.1小案例實踐任務(wù)3.2實踐練習學習情境4樸素貝葉斯 學習任務(wù)4.1貝葉斯分類器的分類原理4.1.1貝葉斯定理4.1.2貝葉斯定理的一個簡單例子4.1.3貝葉斯分類的原理與特點 學習任務(wù)4.2樸素貝葉斯分類4.2.1樸素貝葉斯為什么是“樸素”的4.2.2樸素貝葉斯分類算法的原理4.2.3樸素貝葉斯分類算法的參數(shù)估計4.2.4樸素貝葉斯的優(yōu)、缺點及應(yīng)用場景 學習任務(wù)4.3高斯樸素貝葉斯分類算法4.3.1高斯樸素貝葉斯分類算法的原理4.3.2高斯樸素貝葉斯的Python實現(xiàn) 學習任務(wù)4.4多項式樸素貝葉斯分類算法4.4.1多項式樸素貝葉斯算法的原理4.4.2多項式樸素貝葉斯的Python實現(xiàn) 學習任務(wù)4.5伯努利樸素貝葉斯分類算法 練習任務(wù)4.6習題 實踐任務(wù)4.1小案例 實踐任務(wù)4.2實踐練習學習情境5決策樹算法學習任務(wù)5.1決策樹分類算法原理 5.1.1以信息論為基礎(chǔ)的分類原理 5.1.2決策樹分類算法框架 5.1.3衡量標準：信息熵 5.1.4決策樹算法的簡化 5.1.5決策樹算法的優(yōu)、缺點與應(yīng)用學習任務(wù)5.2決策樹分類算法 5.2.1ID3決策樹 5.2.2C4.5決策樹 5.2.3CART決策樹學習任務(wù)5.3決策樹剪枝學習任務(wù)5.4決策樹的scikit-learn實現(xiàn)學習任務(wù)5.5決策樹解決線性二分類問題學習任務(wù)5.6決策樹解決非線性二分類問題練習任務(wù)5.7習題實踐任務(wù)5.1小案例實踐任務(wù)5.2實踐練習學習情境6Logistic回歸學習任務(wù)6.1Logistic回歸概述學習任務(wù)6.2Logistic回歸原理 6.2.1Logistic回歸模型 6.2.2Logistic回歸學習策略 6.2.3Logistic回歸優(yōu)化算法學習任務(wù)6.3多項Logistic回歸學習任務(wù)6.4Logistic回歸的scikit-learn實現(xiàn)練習任務(wù)6.5習題實踐任務(wù)6.1小案例實踐任務(wù)6.2實踐練習學習情境7支持向量機學習任務(wù)7.1支持向量機的基本知識 7.1.1超平面 7.1.2間隔與間隔最大化 7.1.3函數(shù)間隔與幾何間隔學習任務(wù)7.2不同情形下的支持向量機 7.2.1線性可分下的支持向量機 7.2.2線性不可分下的支持向量機 7.2.3非線性支持向量機 7.2.4非線性支持向量機之核函數(shù) 7.2.5多類分類支持向量機 7.2.6支持向量回歸機學習任務(wù)7.3SVM的scikit-learn實現(xiàn) 7.3.1線性SVM 7.3.2非線性SVM練習任務(wù)7.4習題實踐任務(wù)7.1小案例實踐任務(wù)7.2實踐練習學習情境8隨機森林學習任務(wù)8.1認識集成學習8.1.1集成學習的基本思想8.1.2集成學習分類學習任務(wù)8.2認識Bagging算法8.2.1Bagging算法的基本思想8.2.2Bagging算法的基本流程學習任務(wù)8.3認識隨機森林算法8.3.1隨機森林算法的基本思想8.3.2隨機森林算法的基本流程8.3.3隨機森林算法應(yīng)用案例實踐練習任務(wù)8.4習題實踐任務(wù)8.1隨機森林算法模型參數(shù)優(yōu)化實踐任務(wù)8.2實踐練習學習情境9認識AdaBoost算法學習任務(wù)9.1認識Boosting算法9.1.1Boosting算法基本原理9.1.2Boosting算法與Bagging的區(qū)別學習任務(wù)9.2認識AdaBoost算法9.2.1AdaBoost的基本原理9.2.2AdaBoost分類算法9.2.3AdaBoost回歸算法9.2.4AdaBoost算法的基本流程學習任務(wù)9.3認識AdaBoost的sklearn應(yīng)用實現(xiàn)9.3.1AdaBoost模塊介紹9.3.2AdaBoost參數(shù)介紹練習任務(wù)9.4習題實踐任務(wù)9.1AdaBoost的波斯頓放假預(yù)測實踐任務(wù)9.2實踐練習學習情境10認識聚類算法學習任務(wù)10.1認識無監(jiān)督學習算法10.1.1無監(jiān)督學習的基本思想10.1.2常見的無監(jiān)督學習算法學習任務(wù)10.2認識聚類算法10.2.1聚類算法的基本思想10.2.2聚類算法的應(yīng)用場景10.2.3常見聚類算法的分類學習任務(wù)10.3K-Means聚類10.3.1K-Means聚類過程和原理10.3.2K-Means算法優(yōu)化10.3.3K-Means應(yīng)用實例學習任務(wù)10.4層次聚類10.4.1層次聚類的過程和原理10.4.2層次聚類應(yīng)用實例學習任務(wù)10.5密度聚類算法10.4.1密度聚類算法過程和原理10.4.2密度聚類應(yīng)用實例練習任務(wù)10.3習題實踐任務(wù)10.1摩拜用戶群體細分實踐任務(wù)10.2實踐練習學習情境11認識聚類算法學習任務(wù)11.1認識無監(jiān)督學習算法11.1.1無監(jiān)督學習的基本思想11.1.2常見的無監(jiān)督學習算法學習任務(wù)11.2認識聚類算法11.2.1聚類算法的基本思想11.2.2聚類算法的應(yīng)用場景11.2.3常見聚類算法的分類學習任務(wù)11.3K-Means聚類11.3.1K-Means聚類過程和原理11.3.2K-Means算法優(yōu)化11.3.3K-Means應(yīng)用實例學習任務(wù)11.4層次聚類11.4.1層次聚類的過程和原理11.4.2層次聚類應(yīng)用實例學習任務(wù)11.5密度聚類算法11.5.1密度聚類算法過程和原理11.5.2密度聚類應(yīng)用實例練習任務(wù)11.6習題實踐任務(wù)11.1電信用戶群體細分實踐任務(wù)11.2實踐練習學習情境12認識神經(jīng)網(wǎng)絡(luò)學習任務(wù)12.1認識神經(jīng)網(wǎng)絡(luò)算法12.1.1神經(jīng)網(wǎng)絡(luò)12.1.2神經(jīng)網(wǎng)絡(luò)入門學習任務(wù)12.2神經(jīng)網(wǎng)絡(luò)基本理論12.2.1激活函數(shù)12.2.2神經(jīng)網(wǎng)絡(luò)損失函數(shù)12.2.3神經(jīng)網(wǎng)絡(luò)算法求解12.2.4神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)12.2.5神經(jīng)網(wǎng)絡(luò)的特點學習任務(wù)12.3BP神經(jīng)網(wǎng)絡(luò)算法12.3.1BP算法的網(wǎng)絡(luò)結(jié)構(gòu)與訓練方式12.3.2信息正向傳遞與誤差反向傳播12.3.3BP神經(jīng)網(wǎng)絡(luò)的學習流程學習任務(wù)12.4神經(jīng)網(wǎng)絡(luò)的Python實現(xiàn)12.4.1神經(jīng)網(wǎng)絡(luò)的Python案例：手寫數(shù)字的識別12.4.2手寫數(shù)字數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)訓練12.4.3手寫數(shù)字數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)評價與預(yù)測學習任務(wù)12.5從人工神經(jīng)網(wǎng)絡(luò)到深度學習12.5.1從人工神經(jīng)網(wǎng)絡(luò)到深度學習的演進12.5.2深度學習相比ANN的技術(shù)突破練習任務(wù)12.6習題實踐任務(wù)12.1基于BP神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識別實踐任務(wù)12.2實踐練習學習情境13實戰(zhàn)案例1實踐任務(wù)13.1定義問題實踐任務(wù)13.2導(dǎo)入數(shù)據(jù)實踐任務(wù)13.3理解數(shù)據(jù)并預(yù)處理實踐任務(wù)13.4數(shù)據(jù)特征選定（可選）實踐任務(wù)13.5分離評估數(shù)據(jù)集實踐任務(wù)13.6評估算法實踐任務(wù)13.7算法調(diào)參實踐任務(wù)13.8集成算法實踐任務(wù)13.9集成算法調(diào)參實踐任務(wù)13.10確定最終模型學習情境14實戰(zhàn)案例2實踐任務(wù)14.1定義問題實踐任務(wù)14.2導(dǎo)入數(shù)據(jù)實踐任務(wù)14.3理解數(shù)據(jù)并預(yù)處理實踐任務(wù)14.4數(shù)據(jù)特征選定（可選）實踐任務(wù)14.5分離評估數(shù)據(jù)集實踐任務(wù)14.6評估算法實踐任務(wù)14.7算法調(diào)參實踐任務(wù)14.8隨機森林算法實踐任務(wù)14.9隨機森林調(diào)參實踐任務(wù)14.10確定最終模型三、學時分配序號教學內(nèi)容學時線下教學線上教學講授實踐1學習情境1機器學習入門基礎(chǔ)42112學習情境2機器學習數(shù)學基礎(chǔ)42113學習情境3回歸算法42114學習情境4樸素貝葉斯63215學習情境5決策樹算法63216學習情境6Logistic回歸42117學習情境7支持向量機42118學習情境8隨機森林42119學習情境9AdaBoost421110學習情境10聚類632111學習情境11降維技術(shù)與關(guān)聯(lián)規(guī)則挖掘632112學習情境12神經(jīng)網(wǎng)絡(luò)421113學習情境13實踐案例412114學習情境14實踐案例4121學時總計64302014教學過程中，根據(jù)教學周數(shù)和周學時數(shù)、學生接受能力等實際情況，可適當調(diào)整學時分配和教學內(nèi)容。四、必要說明（一）課程開設(shè)的基本條件1.理論授課：教室配備有電腦、投影儀、白板、水性筆等教輔設(shè)備，為教學提供保障。2.實踐教學：教室配備有電腦、投影儀、白板、水性筆、白紙等教輔設(shè)備，為教學提供保障。3.線上教學：為每位學生提供電腦。（二）建議使用的教材及教學參考書1．教材：《機器學習-Python實踐》講義，夏林中主編，2021年10月。2．參考書機器學習實戰(zhàn)，PeterHarrington，2013-6數(shù)據(jù)挖掘?qū)д?，Pang-NingTan，2010-12-10（三）考核方式及成績評定1．考核方式及形式本課程為集中考試課。2．總評成績的組成及評定標準成