机器学习（一）基本信息中文课程名称：机器学习英文课程名称：MachineLearning课程编号：0307010学分：2.5学时：40（其中：理论学时：32实验学时：8）课程性质：必修适用专业：智能制造工程先修课程：《C语言》、《电工电子技术》、《计算机文化基础》、《传感器与智能检测技术》、《微机原理及应用》、《控制工程基础》等开课系（教研部）：智能制造工程系执笔：冯占荣审核：郭童军课程简介：《机器学习》是智能制造工程专业的一门专业必修课程，是一门理论性和实践性均较强的专业方向课程。是自然科学理论基础研究的重要组成部分，是一门集数学、计算机科学、统计学、人工智能工程等多学科的实用性较强的综合性课程。通过本课程的学习使学生对机器学习从整体上有较清晰全面的系统了解；使学生掌握机器学习的基本概念、基本原理和基本方法；了解机器学习研究与应用的最新进展和发展方向；开阔学生知识视野、提高解决问题的能力，为将来使用机器学习的相关理论和方法解决实际问题奠定初步基础。（二）课程目标本课程主要目标是通过介绍机器学习的基本概念、原理、方法以及有关问题的入门知识，使学生了解智能制造的基本研究内容、重要应用领域以及发展趋势，了解简单的机器学习、统计学习和数据挖掘方法，能初步应用机器学习的方法解决智能制造领域的一些简单实际问题，支撑专业毕业目标中相应指标点的达成课程目标对学生的能力要求如下：1.掌握机器学习的知识和结构，能够应用专业基础知识和专业知识的基本原理对复杂工程问题进行识别、表达和分析，以获得有效结论：2.掌握智能制造领域机器学习的设计和使用方法，掌握相关的理论、控制方法及计算机科学理论知识：3.针对具体智能制造工程的复杂问题，能够选择和使用合适的机器学习理论对问题进行模拟分析和预测或控制。课程目标对毕业要求的支撑关系如下：毕业要求课程目标毕业要求指标点指标点2.4：能够应用专业基础知识和专业知识的基本原理对毕业要求1课程目标1复杂工程问题进行识别、表达和分析，以获得有效结论
机器学习 （一）基本信息 中文课程名称：机器学习 英文课程名称：Machine Learning 课程编号：0307010 学分：2.5 学时：40（其中：理论学时：32 实验学时：8） 课程性质：必修 适用专业：智能制造工程 先修课程：《C 语言》、《电工电子技术》、《计算机文化基础》、《传感器与智能检测技术》、《微 机原理及应用》、《控制工程基础》等 开课系（教研部）：智能制造工程系 执笔：冯占荣 审核：郭童军 课程简介： 《机器学习》是智能制造工程专业的一门专业必修课程，是一门理论性和实践性均较强 的专业方向课程。是自然科学理论基础研究的重要组成部分，是一门集数学、计算机科学、 统计学、人工智能工程等多学科的实用性较强的综合性课程。通过本课程的学习使学生对机 器学习从整体上有较清晰全面的系统了解；使学生掌握机器学习的基本概念、基本原理和基 本方法；了解机器学习研究与应用的最新进展和发展方向；开阔学生知识视野、提高解决问 题的能力，为将来使用机器学习的相关理论和方法解决实际问题奠定初步基础。 （二）课程目标 本课程主要目标是通过介绍机器学习的基本概念、原理、方法以及有关问题的入门知识， 使学生了解智能制造的基本研究内容、重要应用领域以及发展趋势，了解简单的机器学习、 统计学习和数据挖掘方法，能初步应用机器学习的方法解决智能制造领域的一些简单实际问 题，支撑专业毕业目标中相应指标点的达成。 课程目标对学生的能力要求如下： 1. 掌握机器学习的知识和结构，能够应用专业基础知识和专业知识的基本原理对复杂 工程问题进行识别、表达和分析，以获得有效结论； 2. 掌握智能制造领域机器学习的设计和使用方法，掌握相关的理论、控制方法及计算 机科学理论知识； 3. 针对具体智能制造工程的复杂问题，能够选择和使用合适的机器学习理论对问题进 行模拟分析和预测或控制。 课程目标对毕业要求的支撑关系如下： 毕业要求 毕业要求指标点 课程目标 毕业要求 1 指标点 2.4：能够应用专业基础知识和专业知识的基本原理对 复杂工程问题进行识别、表达和分析，以获得有效结论。 课程目标 1
指标点4.1：掌握智能制造领域复杂的设计与开发方法，掌握毕业要求2课程目标2相关的基本智能制造理论、控制方法及计算机科学理论知识。指标点5.2：针对具体智能制造工程的复杂问题，能够选择和课程目标3毕业要求3使用合适的现代工具对问题进行模拟分析和预测或控制。（三）教学内容推荐教学对应的序号教学内容教学要求学时「方式课程目标1）了解什么是机器学习，有何作用，对社会、安全、环境等有什么要单元1：机器学习概述求。树立学生的家国情课堂1）什么是机器学习；怀;讲授2）明确机器学习应用2）人工智能与机器学习：12+课程目标23）机器学习基本术语：领域以及基本术语和课程4）机器学习误差分析；分类及如何学习本门讨论5）机器学习发展历程；课程。培养学生科学、合理地规划、安排时间6）机器学习基本问题。和精力，要有条不有规有矩的做事及学习。课堂单元2：机器学习常用讲授Python库简介了解机器学习常用+Python库，并能实现简1）NumPy科学计算库；作业24课程目标1单应用。培养学生的重2）Pandas数据处理库；练习视基础，稳重发展的工3）Matplotlib可视化库：+匠精神。课程4）Scikit-Learn机器学习库讨论及应用示例。单元3：简单线性回归1）简单线性回归模型的原理；理解、掌握简单线性回课堂2）示例：1数据集进行分归原理，实现对相应库析；讲授的初步理解和应用方33）示例：2生成训练数据4+课程目标2法。培养学生的重视基案例集和测试数据集：础，稳重发展的工匠精分析4）示例：3使用简单线性神。回归进行建模；5）示例：4使用简单线性回归模型对新样本进行预测
毕业要求 2 指标点 4.1：掌握智能制造领域复杂的设计与开发方法，掌握 相关的基本智能制造理论、控制方法及计算机科学理论知识。 课程目标 2 毕业要求 3 指标点 5.2：针对具体智能制造工程的复杂问题，能够选择和 使用合适的现代工具对问题进行模拟分析和预测或控制。 课程目标 3 （三）教学内容 序号 教学内容 教学要求 推荐 学时 教学 方式 对应的 课程目标 1 单元 1：机器学习概述 1）什么是机器学习； 2）人工智能与机器学习； 3）机器学习基本术语； 4）机器学习误差分析； 5）机器学习发展历程； 6）机器学习基本问题。 1）了解什么是机器学 习，有何作用，对社会、 安全、环境等有什么要 求。树立学生的家国情 怀； 2）明确机器学习应用 领域以及基本术语和 分类及如何学习本门 课程。培养学生科学、 合理地规划、安排时间 和精力，要有条不紊、 有规有矩的做事及学 习。 2 课堂 讲授 + 课程 讨论 课程目标 2 2 单元 2：机器学习常用 Python 库简介 1）NumPy 科学计算库； 2）Pandas 数据处理库； 3）Matplotlib 可视化库； 4）Scikit-Learn 机器学习库 及应用示例。 了解机器学习常用 Python 库，并能实现简 单应用。培养学生的重 视基础，稳重发展的工 匠精神。 4 课堂 讲授 + 作业 练习 + 课程 讨论 课程目标 1 3 单元 3：简单线性回归 1）简单线性回归模型的原 理； 2）示例：1 数据集进行分 析； 3）示例：2 生成训练数据 集和测试数据集； 4）示例：3 使用简单线性 回归进行建模； 5）示例：4 使用简单线性 回归模型对新样本进行预 测。 理解、掌握简单线性回 归原理，实现对相应库 的初步理解和应用方 法。培养学生的重视基 础，稳重发展的工匠精 神。 4 课堂 讲授 + 案例 分析 课程目标 2
单元4：多元线性回归1）多元线性回归模型的原课堂理；讲授理解、掌握多元线性回2）示例：1数据集进行分课程目标1+归原理，实现对相应库析；+案例的初步理解和应用方3）示例：2生成训练数据课程目标242+2分析法。培养学生解决问题+集和测试数据集；+和分析问题的能力和4）示例：3使用多元线性课程目标3上机理论联系实际的能力。回归进行建模；实践5）示例：4使用多元线性回归模型对新样本进行预测。单元5：逻辑回归课堂1）逻辑回归模型的原理；讲授2）示例：1数据集进行分课程目标1理解、掌握逻辑回归原+析；+理，实现对相应库的初课程3）示例：2生成训练数据4+2课程目标25步理解和应用方法。培讨论集和测试数据集：+养学生的重视基础，稳+4）示例：3使用逻辑回归课程目标3重发展的工匠精神。上机进行建模；实践5）示例：4使用逻辑回归模型对新样本进行预测。单元6：支持向量机课堂1)支持向量机模型的原理；理解、掌握支持向量机讲授2）示例：1数据集进行分课程目标1原理，实现对相应库的+析；+初步理解和应用方法。案例3）示例：2生成训练数据4+2课程目标26培养学生理论联系实分析集和测试数据集；x际的能力。+4）示例：3使用支持向量课程目标3上机机进行建模；实践5）示例：4使用支持向量机模型对新样本进行预测。理解、掌握聚类分析原课程目标1单元7分类评价指标理，实现对相应库的初+步理解和应用方法。境1）混淆矩阵：课堂课程目标272养学生的学会科学、合2）查准率、查全率和F1；讲授+理、高效的学习及工作3）roc曲线绘图AUC.课程目标3方法与精益求精的工匠精神。单元8决策树模型课堂82课程目标2理解、掌握决策树模型讲授1）决策树模型的原理；
4 单元 4 ：多元线性回归 1 ）多元线性回归模型的原 理；2）示例：1 数据集进行分 析；3）示例：2 生成训练数据 集和测试数据集 ； 4 ）示例： 3 使用多元线性 回归进行建模 ； 5 ）示例： 4 使用多元线性 回归模型对新样本进行预 测。 理解、掌握多元线性回 归原理，实现对相应库 的初步理解和应用方 法。培养学生解决问题 和分析问题的能力和 理论联系实际的能力 。 2 + 2 课堂 讲授+案例 分析+ 上机 实践 课程目标 1 + 课程目标 2 + 课程目标 3 5 单元 5 ：逻辑回归 1 ）逻辑回归模型的原理 ； 2 ）示例： 1 数据集进行分 析 ； 3 ）示例： 2 生成训练数据 集和测试数据集 ； 4 ）示例： 3 使用逻辑回归 进行建模 ； 5 ）示例： 4 使用逻辑回归 模型对新样本进行预测 。 理解、掌握逻辑回归 原 理，实现对相应库的初 步理解和应用方法。 培 养学生的重视基础，稳 重发展的工匠精神 。 4 + 2 课 堂 讲授+ 课程 讨论+ 上机 实践 课程目标 1 + 课程目标 2 + 课程目标 3 6 单元 6 ：支持向量机 1 ） 支 持向量机模型的原理 ； 2 ）示例： 1 数据集进行分 析 ； 3 ）示例： 2 生成训练数据 集和测试数据集 ； 4 ）示例： 3 使用支持向量 机进行建模 ； 5 ）示例： 4 使用支持向量 机模型对新样本进行预测 。 理解、掌握支持向量机 原理，实现对相应库的 初步理解和应用方法。 培养学生理论联系实 际的能力 。 4 + 2 课 堂 讲授+ 案例 分析+ 上机 实践 课程目标 1 + 课程目标 2 + 课程目标 3 7 单元 7 分类评价指标 1 ）混淆矩阵 ； 2 ）查准率、查全率和 F 1 ； 3 ）roc 曲线绘图 AUC . 理解、掌握聚类分析原 理，实现对相应库的初 步理解和应用方法。 培 养学生的学会科学、合 理、高效的学习及工作 方法与精益求精的工 匠精神 。 2 课堂 讲授 课程目标 1 + 课程目标 2 + 课程目标 3 8 单元 8 决策树模型 1 ）决策树模型的原理 ； 理解、掌握决策树模型 2 课堂 讲授 课程目标 2
2）示例：1数据集进行分原理，实现对相应库的+析；初步理解和应用方法。案例3）示例：2生成训练数据培养学生的学会科学、分析集和测试数据集；合理、高效的学习及工4）示例：3使用决策树进作方法与精益求精的行建模；工匠精神。5）示例：4使用决策树模型对新样本进行预测。单元9朴素贝叶斯模型理解、掌握朴素贝叶斯1)朴素贝叶斯模型的原理；课堂模型原理，实现对相应2）示例：1数据集进行分讲授库的初步理解和应用析；92课程目标2+方法。培养学生的学会3）示例：2生成训练数据案例科学、合理、高效的学集和测试数据集；分析习及工作方法与精益4）示例：3使用朴素贝叶求精的工匠精神。斯模型进行建模；5）示例：4使用朴素贝叶斯模型对新样本进行预测。单元10最近邻模型课堂1）K最近邻算法的原理；理解、掌握K最近邻讲授2）示例：1数据集进行分模型原理，实现对相应+析;库的初步理解和应用案例2）示例：2生成训练数据102+2课程目标2方法。培养学生的学会分析集和测试数据集；科学、合理、高效的学+3）示例：3使用K最近邻习及工作方法与精益上机算法进行建模；求精的工匠精神。实践4）示例：4使用K最近邻算法对新样本进行预测理解、掌握神经网络模单元11神经网络模型课堂型原理，实现对相应库1）神经网络模型的原理；讲授的初步理解和应用方11 2）多层感知机；X课程目标2+法。培养学生的学会科案例3）损失函数；学、合理、高效的学习分析4）卷积神经网络；及工作方法与精益求5）图像分类。精的工匠精神（四）实践教学安排项目实验实验每组实验类型课程目标实验项目编号学时要求人数多元线性回归模型实验验证性必修121课程目标3
2）示例：1 数据集进行分 析； 3）示例：2 生成训练数据 集和测试数据集； 4）示例：3 使用决策树进 行建模； 5）示例：4 使用决策树模 型对新样本进行预测。 原理，实现对相应库的 初步理解和应用方法。 培养学生的学会科学、 合理、高效的学习及工 作方法与精益求精的 工匠精神。 + 案例 分析 9 单元 9 朴素贝叶斯模 型 1）朴素贝叶斯模型的原理； 2）示例：1 数据集进行分 析； 3）示例：2 生成训练数据 集和测试数据集； 4）示例：3 使用朴素贝叶 斯模型进行建模； 5）示例：4 使用朴素贝叶 斯模型对新样本进行预测。 理解、掌握朴素贝叶斯 模型原理，实现对相应 库的初步理解和应用 方法。培养学生的学会 科学、合理、高效的学 习及工作方法与精益 求精的工匠精神。 2 课堂 讲授 + 案例 分析 课程目标 2 10 单元 10 最近邻模型 1）K 最近邻算法的原理； 2）示例：1 数据集进行分 析； 2）示例：2 生成训练数据 集和测试数据集； 3）示例：3 使用 K 最近邻 算法进行建模； 4）示例：4 使用 K 最近邻 算法对新样本进行预测。 理解、掌握 K 最近邻 模型原理，实现对相应 库的初步理解和应用 方法。培养学生的学会 科学、合理、高效的学 习及工作方法与精益 求精的工匠精神。 2+2 课堂 讲授 + 案例 分析 + 上机 实践 课程目标 2 11 单元 11 神经网络模型 1）神经网络模型的原理； 2）多层感知机； 3）损失函数； 4）卷积神经网络； 5）图像分类。 理解、掌握神经网络模 型原理，实现对相应库 的初步理解和应用方 法。培养学生的学会科 学、合理、高效的学习 及工作方法与精益求 精的工匠精神。 4 课堂 讲授 + 案例 分析 课程目标 2 （四）实践教学安排 项目 编号 实 验 项 目 实验 学时 实验类型 实验 要求 每组 人数 课程目标 1 多元线性回归模型实验 2 验证性 必修 1 课程目标 3
22验证性必修课程目标3逻辑回归模型实验132必修验证性支持向量机模型实验1课程目标32选修5综合性课程目标3常用Python库实验-62综合性选修简单线性回归模型实验课程目标37选修2综合性课程目标3决策树模型实验92选修综合性课程目标3朴素贝叶斯模型实验-92综合性必修K最近邻模型实验课程目标3102综合性选修分类评价指标课程目标31合计20必修学时：8选修学时：12（五）教学方法与习题要求本课程教学所采用的课堂讲授、课堂讨论、案例分析、作业练习、课内实验和课外讨论的方式，大力推进启发式、探究式、讨论式和参与式教学，通过引入“翻转课堂”、加强师生互动，推动课堂教学的主体从“以教为主”向“以学为主”转变。下表列出了本课程目标与教学环节对应的关系矩阵。教学环节课程目标作业课堂课堂案例课内课外分析讲授讨论练习实验讨论VVVVV1课程目标11VVVV2课程目标2VVVVV3课程目标3重点掌握单元都应布置1~2习题（课外任务），要求对习题全批全改。（六）考核方式及成绩评定考核方式：本课程采用多元化考核方式进行课程成绩评定，包括作业、课堂讨论、实验考察、期末考试等，以百分制计。最终成绩=作业20%+课堂讨论10%+实验考察20%+期末考试50%。建议对应的课程目考核依据考核/评价细则分值标（1）根据每个实验的实验情况和实验报告质量按实验成绩评定标准与依据表给分，满分100分，折算后实验20课程目标3的满分20分；（2）取各次实验成绩的平均值作为此环节的最终成绩。作业20（1）主要学生对每章节知识点的复习、理解和掌握课程目标1
2 逻辑回归模型实验 2 验证性 必修 1 课程目标 3 3 支持向量机模型实验 2 验证性 必修 1 课程目标 3 5 常用 Python 库实验 2 综合性 选修 1 课程目标 3 6 简单线性回归模型实验 2 综合性 选修 1 课程目标 3 7 决策树模型实验 2 综合性 选修 1 课程目标 3 8 朴素贝叶斯模型实验 2 综合性 选修 1 课程目标 3 9 K 最近邻模型实验 2 综合性 必修 1 课程目标 3 10 分类评价指标 2 综合性 选修 1 课程目标 3 合 计 20 必修学时：8 选修学时：12 （五）教学方法与习题要求 本课程教学所采用的课堂讲授、课堂讨论、案例分析、作业练习、课内实验和课外讨论 的方式，大力推进启发式、探究式、讨论式和参与式教学，通过引入“翻转课堂”、加强师 生互动，推动课堂教学的主体从“以教为主”向“以学为主”转变。下表列出了本课程目标 与教学环节对应的关系矩阵。 课程目标 教学环节 课堂 讲授 课堂 讨论 案例 分析 作业 练习 课内 实验 课外 讨论 1 课程目标 1 ✓ ✓ ✓ ✓ ✓ 2 课程目标 2 ✓ ✓ ✓ ✓ ✓ 3 课程目标 3 ✓ ✓ ✓ ✓ ✓ 重点掌握单元都应布置 1~2 习题（课外任务），要求对习题全批全改。 （六）考核方式及成绩评定 考核方式：本课程采用多元化考核方式进行课程成绩评定，包括作业、课堂讨论、实验 考察、期末考试等，以百分制计。 最终成绩=作业 20%+课堂讨论 10%+实验考察 20%+期末考试 50%。 考核依据 建议 分值 考核/评价细则 对应的课程目 标 实验 20 （1）根据每个实验的实验情况和实验报告质量按实 验成绩评定标准与依据表给分，满分 100 分，折算后 的满分 20 分； （2）取各次实验成绩的平均值作为此环节的最终成 绩。 课程目标 3 作业 20 （1）主要学生对每章节知识点的复习、理解和掌握 课程目标 1