五、课程内容、重点和难点及教学方法与手段第1章机器学习概述重点：机器学习简述：典型机器学习应用领域。难点：机器学习的一般流程。课程思政：培养科技的人文情怀，启发科学兴趣。教学方法与手段：本章主要介绍基本概念和基础知识，要求学生进行课前预习，然后由教师课堂讲授完成；对主要知识点采用启发式教学方法讲授；对重点难点内容采用理论讲解结合上机演示的教学方式完成，并通过课后习题加深认识。第1节机器学习简述第2节典型机器学习应用领域第3节机器学习的一般流程课程思政：由机器学习的国内外发展情况阐述科学技术的重要性。第2章模型评估与选择重点：模型评估的方式与指标。难点：模型的选择。课程思政：培养创新精神、科学精神，树立爱国主义信念，增强民族自豪感。教学方法与手段：本章主要介绍基本概念和基础知识，要求学生进行课前预习，然后由教师课堂讲授完成；对主要知识点采用案例式、启发式、比较式的教学方法讲授，并通过课后习题加强对模型评估与选择的理解。第1节经验误差与过拟合第2节评估方法第3节性能度量第4节偏差与方差课程思政：①由模型评估与选择阐述党的正确领导和选择才使得中国特色社会主义取得伟大成就；②不同的模型选择会影响算法的效率，如疫情期间的口罩检索算法，高效的算法帮助有效控制疫情。第3章线性回归重点：理解线性回归的核心思想与逻辑。难点：线性回归的求解与损失函数。课程思政：要辩证的看待客观存在，事物总是不断发展的，思想也要与时俱进，不断提高自己的认知水平。教学方法与手段：本章主要介绍基本概念和基本语法，要求学生进行课前预习，课堂讲授和课后习题完成；对主要知识点采用启发式、案例式、比较式的教学方法讲授，并通过课后习题和编程验证使学生能够掌握线性回归。第1节线性模型的基本形式第2节线性回归第3节线性回归的损失函数34
34 五、课程内容、重点和难点及教学方法与手段 第 1 章 机器学习概述 第 1 节 机器学习简述 第 2 节 典型机器学习应用领域 第 3 节 机器学习的一般流程 课程思政：由机器学习的国内外发展情况阐述科学技术的重要性。 第 2 章 模型评估与选择 第 1 节 经验误差与过拟合 第 2 节 评估方法 第 3 节 性能度量 第 4 节 偏差与方差 课程思政：①由模型评估与选择阐述党的正确领导和选择才使得中国特色社会主义取得 伟大成就；②不同的模型选择会影响算法的效率，如疫情期间的口罩检索算法，高效的算法 帮助有效控制疫情。 第 3 章 线性回归 第 1 节 线性模型的基本形式 第 2 节 线性回归 第 3 节 线性回归的损失函数 重点：机器学习简述；典型机器学习应用领域。 难点：机器学习的一般流程。 课程思政：培养科技的人文情怀，启发科学兴趣。 教学方法与手段：本章主要介绍基本概念和基础知识，要求学生进行课前预习，然后由教 师课堂讲授完成；对主要知识点采用启发式教学方法讲授；对重点难点内容采用理论讲解 结合上机演示的教学方式完成，并通过课后习题加深认识。 重点：模型评估的方式与指标。 难点：模型的选择。 课程思政：培养创新精神、科学精神，树立爱国主义信念，增强民族自豪感。 教学方法与手段：本章主要介绍基本概念和基础知识，要求学生进行课前预习，然后由教 师课堂讲授完成；对主要知识点采用案例式、启发式、比较式的教学方法讲授，并通过课 后习题加强对模型评估与选择的理解。 重点：理解线性回归的核心思想与逻辑。 难点：线性回归的求解与损失函数。 课程思政：要辩证的看待客观存在，事物总是不断发展的，思想也要与时俱进，不断提高 自己的认知水平。 教学方法与手段：本章主要介绍基本概念和基本语法，要求学生进行课前预习，课堂讲授 和课后习题完成；对主要知识点采用启发式、案例式、比较式的教学方法讲授，并通过课 后习题和编程验证使学生能够掌握线性回归
课程思政：①由线性回归引出人类科学是一直在进步的，人们以后会使用效果更好的算法应用实际生活：②由线性回归引入每种事物都有其存在的价值：③由线性回归的预测效果引起对数学科学的兴趣，为以后数学科学的发展贡献自己的一份力量。第4章k近邻算法重点：理解和掌握k近邻算法的核心思想与逻辑。难点：k近邻算法的理解与实际应用。课程思政：人生有很多岔路，不同的选择可能会是完全不同的人生，要懂得取舍，不要迷茫。教学方法与手段：本章主要介绍基本概念和基本语法，要求学生进行课前预习，课堂讲授和课后习题完成；对主要知识点采用启发式、案例式、比较式的教学方法讲授，并通过课后习题和编程验证使学生掌握k近邻算法。第1节k近邻算法的概念第2节k近邻算法的距离度量第3节k近邻算法的k值选择第4节k近邻算法的实现课程思政：①活出自己心里的模样：②距离度量→做事要有底线：③k值选择→不同的选择会带来不同的人生体验。第5章聚类重点：聚类任务中的性能度量以及距离计算。难点：k-means算法的理解。课程思政：要有团队精神，团队的命运跟每个人都密不可分，环环相扣，牵一发而动全身。教学方法与手段：本章主要介绍基本概念和基本语法，要求学生进行课前预习，课堂讲授和课后习题完成：对主要知识点采用启发式、案例式、比较式教学方法讲授，并通过课后习题和编程验证使学生掌握聚类算法的逻辑与应用。第1节聚类任务第2节性能度量第3节距离计算第4节k-means算法课程思政：①聚类→每个人自己的定位；②每个人都是一个大团体中重要的一员：③聚类的生成过程→大团体离不开小团体。第6章支持向量机重点：理解支持向量机的概念与对偶问题。难点：核函数的理解与应用。课程思政：①培养学生的自主思考意识、开拓意识等：②集体与个体的关系：③集体主义精神的思考。教学方法与手段：本章主要介绍基本概念和基本语法，要求学生进行课前预习，课堂讲授35
35 课程思政：①由线性回归引出人类科学是一直在进步的，人们以后会使用效果更好的算 法应用实际生活；②由线性回归引入每种事物都有其存在的价值；③由线性回归的预测效果 引起对数学科学的兴趣，为以后数学科学的发展贡献自己的一份力量。 第 4 章 k 近邻算法 第 1 节 k 近邻算法的概念 第 2 节 k 近邻算法的距离度量 第 3 节 k 近邻算法的 k 值选择 第 4 节 k 近邻算法的实现 课程思政：①活出自己心里的模样；②距离度量→做事要有底线；③k 值选择→不同的选 择会带来不同的人生体验。 第 5 章 聚类 第 1 节 聚类任务 第 2 节 性能度量 第 3 节 距离计算 第 4 节 k-means 算法 课程思政：①聚类→每个人自己的定位；②每个人都是一个大团体中重要的一员；③聚 类的生成过程→大团体离不开小团体。 第 6 章 支持向量机 重点：理解和掌握 k 近邻算法的核心思想与逻辑。 难点：k 近邻算法的理解与实际应用。 课程思政：人生有很多岔路，不同的选择可能会是完全不同的人生，要懂得取舍，不要迷 茫。 教学方法与手段：本章主要介绍基本概念和基本语法，要求学生进行课前预习，课堂讲授 和课后习题完成；对主要知识点采用启发式、案例式、比较式的教学方法讲授，并通过课 后习题和编程验证使学生掌握 k 近邻算法。 重点：聚类任务中的性能度量以及距离计算。 难点：k-means 算法的理解。 课程思政：要有团队精神，团队的命运跟每个人都密不可分，环环相扣，牵一发而动全身。 教学方法与手段：本章主要介绍基本概念和基本语法，要求学生进行课前预习，课堂讲授 和课后习题完成；对主要知识点采用启发式、案例式、比较式教学方法讲授，并通过课后 习题和编程验证使学生掌握聚类算法的逻辑与应用。 重点：理解支持向量机的概念与对偶问题。 难点：核函数的理解与应用。 课程思政：①培养学生的自主思考意识、开拓意识等；②集体与个体的关系；③集体主义 精神的思考。 教学方法与手段：本章主要介绍基本概念和基本语法，要求学生进行课前预习，课堂讲授
和课后习题完成：对主要知识点采用启发式、案例式、比较式教学方法讲授，并通过课后习题和编程验证使学生能够理解与掌握支持向量机。第1节间隔与支持向量第2节对偶问题第3节常用的核函数课程思政：通过学习支持向向量机算法的核心思想来培养学生的自主思考的能力，并通过间隔问题来突出集体与个人的关系，引发学生对集体主义的思考。第7章贝叶斯分类器重点：贝叶斯分类器的概念以及理解朴素贝叶斯分类器的逻辑。难点：极大似然估计的理解与应用。课程思政：养成大局观，以集体利益为重。教学方法与手段：本章主要介绍基本概念和基本语法，要求学生进行课前预习，课堂讲授和课后习题完成：对主要知识点采用启发式、案例式、比较式教学方法讲授，并通过课后习题和编程验证使学生能够理解贝叶斯分类器。第1节贝叶斯分类器的概念第2节极大似然估计第3节朴素贝叶斯分类器第4节半朴素贝叶斯分类器课程思政：通过理解朴素贝叶斯分类器的思想，来引出大局观，把握整体的利益和局部利益的关系。第8章决策树重点：理解决策树的基本流程和核心思想。难点：剪枝处理的操作和理解。课程思政：取舍间必有得失，不必太过计较。教学方法与手段：本章主要介绍基本概念和基本语法，要求学生进行课前预习，课堂讲授和课后习题完成：对主要知识点采用启发式、案例式、比较式教学方法讲授，并通过课后编程验证、实验编程验证和课后习题使学生能够正确使用决策树。第1节基本流程第2节划分选择第3节剪枝处理第4节连续与缺失值课程思政：①剪枝处理→人既要敢于舍，也要敢于取；②连续与缺失值→不完美是人生的常态。第9章神经网络重点：理解神经网络的输入输出，并掌握几种常见的神经网络变体36
36 第 1 节 间隔与支持向量 第 2 节 对偶问题 第 3 节 常用的核函数 课程思政：通过学习支持向向量机算法的核心思想来培养学生的自主思考的能力，并通 过间隔问题来突出集体与个人的关系，引发学生对集体主义的思考。 第 7 章 贝叶斯分类器 第 1 节 贝叶斯分类器的概念 第 2 节 极大似然估计 第 3 节 朴素贝叶斯分类器 第 4 节 半朴素贝叶斯分类器 课程思政：通过理解朴素贝叶斯分类器的思想，来引出大局观，把握整体的利益和局部 利益的关系。 第 8 章 决策树 第 1 节 基本流程 第 2 节 划分选择 第 3 节 剪枝处理 第 4 节 连续与缺失值 课程思政：①剪枝处理→人既要敢于舍，也要敢于取；②连续与缺失值→不完美是人生 的常态。 第 9 章 神经网络 和课后习题完成；对主要知识点采用启发式、案例式、比较式教学方法讲授，并通过课后 习题和编程验证使学生能够理解与掌握支持向量机。 重点：贝叶斯分类器的概念以及理解朴素贝叶斯分类器的逻辑。 难点：极大似然估计的理解与应用。 课程思政：养成大局观，以集体利益为重。 教学方法与手段：本章主要介绍基本概念和基本语法，要求学生进行课前预习，课堂讲授 和课后习题完成；对主要知识点采用启发式、案例式、比较式教学方法讲授，并通过课后 习题和编程验证使学生能够理解贝叶斯分类器。 重点：理解决策树的基本流程和核心思想。 难点：剪枝处理的操作和理解。 课程思政：取舍间必有得失，不必太过计较。 教学方法与手段：本章主要介绍基本概念和基本语法，要求学生进行课前预习，课堂讲授 和课后习题完成；对主要知识点采用启发式、案例式、比较式教学方法讲授，并通过课后 编程验证、实验编程验证和课后习题使学生能够正确使用决策树。 重点：理解神经网络的输入输出，并掌握几种常见的神经网络变体
难点：神经网络数学原理的理解，以及神经网络的应用。课程思政：民族团结是各民族共同繁荣的前提，是祖国统一的基础。教学方法与手段：本章主要介绍基本概念和基本语法，要求学生进行课前预习，课堂讲授和课后习题完成：对主要知识点采用启发式、案例式、比较式教学方法讲授，并通过课后编程验证和课后习题使学生能够正确理解与使用神经网络。第1节神经网络模型第2节感知机与多层网络第3节误差逆传播算法第4节全局最小与局部极小第5节深度学习课程思政：神经网络一民族团结：②神经元→社会分工：第10章特征工程重点：对数据的统计分析和对文本数据的处理。难点：从已有的特征中选择最有效的特征。课程思政：知识改变命运，储备知识，储备能力，提高认知水平；知错能改，善莫大爲。教学方法与手段：本章主要介绍基本概念和基本语法，要求学生进行课前预寸，课堂讲授和课后习题完成；对主要知识点采用启发式、案例式、比较式教学方法讲授，并通过课后编程验证和课后习题使学生能够完成特征工程的基本操作。第1节统计分析第2节文体数据处理第3节特征选择第4节模型训练第5节可视化分析课程思政：①数据集的储备→知识储备：②通过对复杂数据的清洗，引导学生养成良好习惯，代码、数据要及时整理保存，并经常性维护，成为精益求精的“工匠”；③模型训练的送代一知错能改的品质。六、学时分配作业对应教学内容各教学环节学时分配题量课程目标讲实实课讨习小章节主要内容验训外授论题计机器学习概述2211课程目标1模型评估与选择2441课程目标134262线性回归课程目标1244k近邻算法4课程目标15聚类2836课程目标224668支持向量机课程目标276283贝叶斯分类器课程目标237
37 第 1 节 神经网络模型 第 2 节 感知机与多层网络 第 3 节 误差逆传播算法 第 4 节 全局最小与局部极小 第 5 节 深度学习 课程思政：①神经网络→民族团结；②神经元→社会分工； 第 10 章 特征工程 第 1 节 统计分析 第 2 节 文体数据处理 第 3 节 特征选择 第 4 节 模型训练 第 5 节 可视化分析 课程思政：①数据集的储备→知识储备；②通过对复杂数据的清洗，引导学生养成良好 习惯，代码、数据要及时整理保存，并经常性维护，成为精益求精的“工匠”；③模型训练的 迭代→知错能改的品质。 难点：神经网络数学原理的理解，以及神经网络的应用。 课程思政：民族团结是各民族共同繁荣的前提，是祖国统一的基础。 教学方法与手段：本章主要介绍基本概念和基本语法，要求学生进行课前预习，课堂讲授 和课后习题完成；对主要知识点采用启发式、案例式、比较式教学方法讲授，并通过课后 编程验证和课后习题使学生能够正确理解与使用神经网络。 重点：对数据的统计分析和对文本数据的处理。 难点：从已有的特征中选择最有效的特征。 课程思政：知识改变命运，储备知识，储备能力，提高认知水平；知错能改，善莫大焉。 教学方法与手段：本章主要介绍基本概念和基本语法，要求学生进行课前预习，课堂讲授 和课后习题完成；对主要知识点采用启发式、案例式、比较式教学方法讲授，并通过课后 编程验证和课后习题使学生能够完成特征工程的基本操作。 六、学时分配 教学内容 各教学环节学时分配 作业 题量 对应 课程目标 章节 主要内容 讲 授 实 验 实 训 课 外 讨 论 习 题 小 计 1 机器学习概述 2 2 1 课程目标 1 2 模型评估与选择 4 4 1 课程目标 1 3 线性回归 4 2 6 2 课程目标 1 4 k 近邻算法 4 4 2 课程目标 1 5 聚类 6 2 8 3 课程目标 2 6 支持向量机 6 2 8 4 课程目标 2 7 贝叶斯分类器 6 2 8 3 课程目标 2
84决策树426课程目标2神经网络9442课程目标3特征工程104262课程目标344125624合计七、课程教材及主要参考资料教材：[1】周志华.机器学习（第1版），北京：清华大学出版社.2016年1月主要参考资料：[2]】李航.统计学习方法（第2版）：北京：清华大学出版社.2019年5月[3]张春强等.机器学习：软件工程方法与实现（第1版）.北京：机械工业出版社.2020年12月八，其他说明本课程习题或作业，通常需要结合实践来体现，一般要求配合上交关键代码段（电子版）：课程教学过程可采用BB教学平台、课堂派等辅助完成。38
38 8 决策树 4 2 6 4 课程目标 2 9 神经网络 4 4 2 课程目标 3 10 特征工程 4 2 6 2 课程目标 3 合计 44 12 56 24 七、课程教材及主要参考资料 教材： [1] 周志华. 机器学习（第 1 版）. 北京: 清华大学出版社. 2016 年 1 月. 主要参考资料： [2] 李航. 统计学习方法（第 2 版）. 北京: 清华大学出版社. 2019 年 5 月. [3] 张春强等. 机器学习：软件工程方法与实现（第 1 版）. 北京: 机械工业出版社. 2020 年 12 月. 八、其他说明 本课程习题或作业，通常需要结合实践来体现，一般要求配合上交关键代码段（电子 版）；课程教学过程可采用 BB 教学平台、课堂派等辅助完成