5.3立体视觉密集匹配基本方法。5.4密集匹配与3D重建重点：核线性质、基础矩阵难点：基础矩阵、密集匹配三、教学方法《机器视觉》作为一门全英文授课的课程，其教学方法应该既考虑到专业知识的传授又要兼顾语言能力的培养。其采用的教学方法包括1、课堂授课与课堂讨论：使用双语进行课堂教学，教授机器视觉的基础理论、基本方法和实用算法等内容。课堂讨论鼓励学生积极参与，用英语或中文（取决于课程的具体要求）讨论相关间题，增强语言表达能力和团队协作能力。2、多媒体辅助教学：利用多媒体教学资源，如幻灯片、视频教程等，帮助学生更好地理解和掌握复杂的概念和技术细节。加强与学生互动，展示机器视觉软件的实际操作流程。3、实践操作：设置实验环节，让学生亲手操作机器视觉相关的软件和硬件设备，进行图像处理、特征提取、相机检校等实验。实验课程可以使用特定的开发环境，让学生续习使用函数库中的各种功能。4、自主学习与探索：鼓励学生自主学习，利用网络资源和文献阅读，加深对机器视觉技术的理解。学生可以被要求完成一些自主探索的任务，如调研新技术、撰写报告等，以提高他们的综合能力。5、案例分析：分析真实的机器视觉应用案例，帮助学生理解如何将理论知识应用于实际间题解决中。可以通过小组讨论的方式，让学生合作分析案例，并提出解决方案。6、项目驱动学习：设计小型项目或挑战，让学生应用所学知识解决具体问题，如设计一个简单的机器视觉系统。项目完成后，学生可以用双语进行汇报，提高语言运用能力和专业技能。四、课程思政内容通过专业知识和德育元素的结合，让学生体会科学的方法论中严谨，实事求是的重要性，从而达到培养科学思维方式的目的。1、本课程为专业选修课程，强调指导学生的亲历和体验，教师需要亲自引导、示范，能够和学生零距离亲密接触，通过教师自身行为影响学生，从而可以达到行为思政的示范效20
20 5.3 立体视觉 5.4 密集匹配与 3D 重建 密集匹配基本方法。 重点：核线性质、基础矩阵 难点：基础矩阵、密集匹配 三、教学方法 《机器视觉》作为一门全英文授课的课程，其教学方法应该既考虑到专业知识的传授， 又要兼顾语言能力的培养。其采用的教学方法包括： 1、课堂授课与课堂讨论:使用双语进行课堂教学，教授机器视觉的基础理论、基本方法 和实用算法等内容。课堂讨论鼓励学生积极参与，用英语或中文（取决于课程的具体要 求）讨论相关问题，增强语言表达能力和团队协作能力。 2、多媒体辅助教学：利用多媒体教学资源，如幻灯片、视频教程等，帮助学生更好地 理解和掌握复杂的概念和技术细节。加强与学生互动，展示机器视觉软件的实际操作流 程。 3、实践操作：设置实验环节，让学生亲手操作机器视觉相关的软件和硬件设备，进行 图像处理、特征提取、相机检校等实验。实验课程可以使用特定的开发环境，让学生练 习使用函数库中的各种功能。 4、自主学习与探索：鼓励学生自主学习，利用网络资源和文献阅读，加深对机器视觉 技术的理解。学生可以被要求完成一些自主探索的任务，如调研新技术、撰写报告等， 以提高他们的综合能力。 5、案例分析：分析真实的机器视觉应用案例，帮助学生理解如何将理论知识应用于实 际问题解决中。可以通过小组讨论的方式，让学生合作分析案例，并提出解决方案。 6、项目驱动学习：设计小型项目或挑战，让学生应用所学知识解决具体问题，如设计 一个简单的机器视觉系统。项目完成后，学生可以用双语进行汇报，提高语言运用能力 和专业技能。 四、课程思政内容 通过专业知识和德育元素的结合，让学生体会科学的方法论中严谨，实事求是的重要性， 从而达到培养科学思维方式的目的。 1、本课程为专业选修课程，强调指导学生的亲历和体验，教师需要亲自引导、示范， 能够和学生零距离亲密接触，通过教师自身行为影响学生，从而可以达到行为思政的示范效
应。2、让学生学习前沿科研文献，学生也能够将科学方法紧扣实际应用需求，从而培养学生学好前沿技术知识的使命感和责任感，保持对科学的热爱和积极的探究精神。3、从机器视觉的发展历程及中国科学家故事出发，挖掘思政元素，引出国家意识，树立文化自信、民族自豪感、歌颂自强不息的精神，引导学生树立正确的人生观、价值观，增强使命感与荣誉感。4、从课程所涉专业、行业、国家、国际、文化、历史等角度，增加课程的知识性、人文性、提升引领性、时代性和开放性，加强社会主义核心价值观教育，培养学生的爱国主义情怀。5、从马克思主义哲学思想出发，挖掘思政元素，引导学生运用马克思主义观点分析问题，让学生懂得：学好辩证法是深入理解机器学习技术的关键。五、教学目标达成与评价方式（说明：本课程支撑的知识获得、科研实践能力提升、创新能力提升等方面的教学目标达成与评价方式）10.教学目标：理解和掌握机器视觉的基本理论，原理和方法。通过课堂讲解、阅读指定教材和文献、观看相关视频资料等方式，使学生对机器视觉的基本概念和原理有深刻的理解。达成情况通过课堂提问和项目报告来评估学生对基础知识的掌握情况；11.教学自标：了解镜头等关键组件的参数，掌握相机成像模型。通过结合实物演示、实验操作和案例研究，让学生熟悉不同组件的作用和性能指标。通过实验报告、项目作业和口头报告等形式考察和评价上述效果。12.教学目标：掌握图像处理的基本算法。通过编程实践，如使用MATLAB、OpenCV等工具实现常见的图像处理算法。评价方式：通过编程作业和期末项目来检验学生的编程能力和算法实现水平。13.教学目标：了解机器视觉在不同领域的应用案例。通过组织研讨会、小组讨论和专家讲座，探讨机器视觉在工业自动化、医疗诊断、智能交通等领域的应用实例。评价方式：通过案例分析报告或小组演示来评估学生的理解和应用能力。14.教学目标：提高英语听说读写的能力。通过全英文授课、撰写英文报告和论文、参与英文讨论会的方式完成。评价方式：通过口语测试、书面报告、小组讨论和演讲来评估学生的语言能力。21
21 应。 2、让学生学习前沿科研文献，学生也能够将科学方法紧扣实际应用需求，从而培养学 生学好前沿技术知识的使命感和责任感，保持对科学的热爱和积极的探究精神。 3、从机器视觉的发展历程及中国科学家故事出发，挖掘思政元素，引出国家意识，树 立文化自信、民族自豪感、歌颂自强不息的精神，引导学生树立正确的人生观、价值观，增 强使命感与荣誉感。 4、从课程所涉专业、行业、国家、国际、文化、历史等角度，增加课程的知识性、人 文性、提升引领性、时代性和开放性，加强社会主义核心价值观教育，培养学生的爱国主义 情怀。 5、从马克思主义哲学思想出发，挖掘思政元素，引导学生运用马克思主义观点分析问 题，让学生懂得：学好辩证法是深入理解机器学习技术的关键。 五、教学目标达成与评价方式 （说明：本课程支撑的知识获得、科研实践能力提升、创新能力提升等方面的教学目标达成 与评价方式） 10. 教学目标：理解和掌握机器视觉的基本理论，原理和方法。 通过课堂讲解、阅读指定教材和文献、观看相关视频资料等方式，使学生对机器视 觉的基本概念和原理有深刻的理解。达成情况通过课堂提问和项目报告来评估学生对基 础知识的掌握情况； 11. 教学目标：了解镜头等关键组件的参数，掌握相机成像模型。 通过结合实物演示、实验操作和案例研究，让学生熟悉不同组件的作用和性能指标。 通过实验报告、项目作业和口头报告等形式考察和评价上述效果。 12. 教学目标：掌握图像处理的基本算法。 通过编程实践，如使用 MATLAB、OpenCV 等工具实现常见的图像处理算法。评价方 式：通过编程作业和期末项目来检验学生的编程能力和算法实现水平。 13. 教学目标：了解机器视觉在不同领域的应用案例。 通过组织研讨会、小组讨论和专家讲座，探讨机器视觉在工业自动化、医疗诊断、 智能交通等领域的应用实例。评价方式：通过案例分析报告或小组演示来评估学生的理 解和应用能力。 14. 教学目标：提高英语听说读写的能力。 通过全英文授课、撰写英文报告和论文、参与英文讨论会的方式完成。评价方式： 通过口语测试、书面报告、小组讨论和演讲来评估学生的语言能力
六、课程成绩评定考核方式备注考核方式成绩比例（%）（根据课程实际需要填写）学习表现20课堂互动、纪律、作业等0阶段小测章节测验、案例讨论等0期中考试考试、大作业、小组研讨等20实验实验报告、实验完成情况等考试（笔试、机考、口试）、大作业（论期末考试60项目报告文）、项目报告等七、建议教材与主要参考书建议教材：RichardSzeliski编著，《计算机视觉：算法与应用》（中文、英文版），清华大学出版社，2012。（英文版2020年网上已有下载）参考书：1.RichardHartley/AndrewZisserman，《计算机视觉中的多视图几何》（中文、英文版），机械工业出版设，2020.2.福赛斯(DavidA.Forsyth)/泊斯（JeanPonce)编著，《计算机视觉：一种现代方法》（第二版），电子工业出版社，2017.八、编制与审核工作内容负责人完成时间李禄编制（任课教师）2024.8.14审核（学科、专业负范军芳2024.8.14责人）批准（主管院长）刘宁2024.8.1422
22 六、课程成绩评定 考核方式 考核方式 （根据课程实际需要填写） 成绩比例（%） 备注 学习表现 课堂互动、纪律、作业等 20 阶段小测 章节测验、案例讨论等 0 期中考试 考试、大作业、小组研讨等 0 实验 实验报告、实验完成情况等 20 期末考试 考试（笔试、机考、口试）、大作业（论 文）、项目报告等 60 项目报告 七、建议教材与主要参考书 建议教材： Richard Szeliski 编著，《计算机视觉：算法与应用》 （中文、英文版）， 清华大学出版社，2012。（英文版 2020 年网上已有下载） 参考书： 1. Richard Hartley/Andrew Zisserman，《计算机视觉中的多视图几何》（中 文、英文版），机械工业出版设，2020. 2. 福赛斯(David A. Forsyth)/泊斯(Jean Ponce)编著，《计算机视觉：一种现代方法》 （第二版） ，电子工业出版社，2017. 八、编制与审核 工作内容 负责人 完成时间 编制（任课教师） 李禄 2024.8.14 审核（学科、专业负 责人） 范军芳 2024.8.14 批准（主管院长） 刘宁 2024.8.14
《机器学习与数据挖掘》课程教学大纲课程名称课程编码AI501机器学习与数据挖掘MachineLearningand英文名称考核方式口考试√考查Data Mining公共必修课学分2口专业必修课口公共选修课课程性质√专业选修课32总学时口补修课口其他V本研一体化课程口特色课程口学科交叉融合课程口全英文授课课程0课程特点实验学时口双语授课课程口案例课程口校企联合课程口其他先修课程（已具高等数学、概率论与数理统计、程序设计基础备知识能力）适用学科/专业控制科学与工程一级学科，电子信息（控制工程、人工智能）专业学位学位类别（领域）一、课程教学目标通过该课程的学习使学生了解机器学习和数据挖掘领域的最新发展动向及现状，掌握机器学习和数据挖掘的新概念、新理论、新方法与技术及其应用情况，掌握一些基本的算法实现，能够运用机器学习和数据挖掘方法来解决实际问题，为后续深入研究建立有关概念和方法。通过课程学习培养学生分析问题、解决问题以及创新实践的能力。二、课程教学内容提要与基本要求理论部分学时序号教学内容提要基本要求23
23 《机器学习与数据挖掘》课程教学大纲 课程名称 机器学习与数据挖掘 课程编码 AI501 英文名称 Machine Learning and Data Mining 考核方式 □考试 √考查 课程性质 □公共必修课 □专业必修课 □公共选修课 √专业选修课 □补修课 □其他_ 学分 2 总学时 32 课程特点 √本研一体化课程 □特色课程 □学科交叉融合课程 □全英文授课课程 □双语授课课程 □案例课程 □校企联合课程 □其他_ 实验学时 0 先修课程（已具 备知识能力） 高等数学、概率论与数理统计、程序设计基础 适用学科/专业 学位类别（领域） 控制科学与工程一级学科，电子信息（控制工程、人工智能）专业学位 一、课程教学目标 通过该课程的学习使学生了解机器学习和数据挖掘领域的最新发展动向及现状，掌握机 器学习和数据挖掘的新概念、新理论、新方法与技术及其应用情况，掌握一些基本的算法实 现，能够运用机器学习和数据挖掘方法来解决实际问题，为后续深入研究建立有关概念和方 法。通过课程学习培养学生分析问题、解决问题以及创新实践的能力。 二、课程教学内容提要与基本要求 理论部分 序号 教学内容提要 基本要求 学时
机器学习概论及模型评估1.机器学习基本概念；2.基本术语；3.假设空间；掌握机器学习的基本概念，掌握模型的评144.归纳偏好：估方法，了解假设空间和归纳偏好。5.经验误差与过拟合；6.评估方法；7.性能度量。决策树1.基本概念；掌握决策树基本原理、算法，了解不同的2.基本流程；决策树模型，掌握剪枝处理办法，能够利423.决策树算法：ID3、C4.5、CART、用决策树知识处理实际问题。随机森林；4.决策树学习的常见间题（过度拟合）和处理方法（修剪）。贝叶斯学习1.贝叶斯的基本原理；2.MAP假设和一致学习器；掌握贝叶斯学习方法，了解极大似然估计33．极大似然和最小误差平方假设方法，掌握朴素贝叶斯分类器，能够应用4原理；贝叶斯方法解决实际问题。4.最优分类器原理和算法5.EM算法的原理和实现。人工神经网络掌握误差反向传播算法，掌握BP、RBF、1.神经元模型；GRNN等神经网络模型以及参数的设置；掌2.感知机与多层网络；4握CNN网络，熟悉其他深度学习网络，能43.误差反向传播算法；够利用神经网络以及深度学习方法解决实4.全局最小与局部极小；际间题。5.深度学习。数据挖掘概述1.概念描述：定性与对比；2.关联分析；掌握数据挖掘中的关联分析、聚类分析、523.分类与预测；分类与预测等基本概念。4.聚类分析；5.异类分析；24
24 1 机器学习概论及模型评估 1. 机器学习基本概念； 2. 基本术语； 3. 假设空间； 4. 归纳偏好； 5. 经验误差与过拟合； 6. 评估方法； 7. 性能度量。 掌握机器学习的基本概念，掌握模型的评 估方法，了解假设空间和归纳偏好。 4 2 决策树 1. 基本概念； 2. 基本流程； 3. 决策树算法：ID3、C4.5、CART、 随机森林； 4. 决策树学习的常见问题（过度 拟合）和处理方法（修剪）。 掌握决策树基本原理、算法，了解不同的 决策树模型，掌握剪枝处理办法，能够利 用决策树知识处理实际问题。 4 3 贝叶斯学习 1. 贝叶斯的基本原理； 2. MAP 假设和一致学习器； 3. 极大似然和最小误差平方假设 原理； 4. 最优分类器原理和算法； 5. EM 算法的原理和实现。 掌握贝叶斯学习方法，了解极大似然估计 方法，掌握朴素贝叶斯分类器，能够应用 贝叶斯方法解决实际问题。 4 4 人工神经网络 1. 神经元模型； 2. 感知机与多层网络； 3. 误差反向传播算法； 4. 全局最小与局部极小； 5. 深度学习。 掌握误差反向传播算法，掌握 BP、RBF、 GRNN 等神经网络模型以及参数的设置；掌 握 CNN 网络，熟悉其他深度学习网络，能 够利用神经网络以及深度学习方法解决实 际问题。 4 5 数据挖掘概述 1. 概念描述：定性与对比； 2. 关联分析； 3. 分类与预测； 4. 聚类分析； 5. 异类分析； 掌握数据挖掘中的关联分析、聚类分析、 分类与预测等基本概念。 2