《机器学习》课程标准.docx

《《机器学习》课程标准.docx》由会员分享，可在线阅读，更多相关《《机器学习》课程标准.docx（4页珍藏版）》请在第一文库网上搜索。

1、机器学习课程标准一、课程概述1 .课程性质机器学习是人工智能技术服务专业针对人工智能产业及其应用相关的企事业单位的人工智能技术应用开发、系统运维、产品营销、技术支持等岗位，经过对企业岗位典型工作任务的调研和分析后，归纳总结出来的为适应人工智能产品开发与测试、数据处理、系统运维等能力要求而设置的一门专业核心课程。2 .课程任务机器学习课程通过与机器学习算法应用程序开发相关的实际项目学习，增强学生对本专业数据挖掘与机器学习知识的认识，训练他们养成良好的编程习惯，理解并掌握回归分析、神经网络、支持向量机、聚类、降维、大规模机器学习等内容，构建计算思维，初步具备数据挖掘与机器学习应用算法的开发能力，从

2、而满足企业对相应岗位的职业能力需求。3 .课程要求通过课程的学习培养学生数据挖掘与机器学习算法应用方面的岗位职业能力，分析问题、解决问题的能力，养成良好的职业道德，为后续课程的学习打下坚实的基础。二、教学目标（一）知识目标（1）了解机器学习的概念，了解机器学习目前的应用领域；（2）掌握成本函数和梯度下降算法，学会用正则化构建回归模型并避免过拟合；（3）理解神经网络的工作原理，体会不同部分在神经网络中的作用，学会将梯度检验以及其他高级优化方法应用于神经网络的构建中；（4）理解大间距分类器的概念，理解支持向量机与逻辑回归的关系，掌握其实现方法；（5）理解监督学习和无监督学习的区别，掌握K均值算法的

3、构建；（6）明白降维的重要性，学会主程序分析算法压缩数据；（7）理解大数据机器学习的特点，掌握其算法应用的一般方法；（二）能力目标（1）会识读程序流程图，能看懂案例程序代码；（2）会使用Python语言（MATLAB语言）实现“机器学习”常规算法；（3）能按照任务要求，设计程序流程图，编写程序代码；（4）能够根据系统功能要求对程序进行调试；（5）能够对所编写的程序故障进行分析，提出解决方案并进行故障排除；（6）能根据系统工作情况，提出合理的改造方案，组织技术改造工作、绘制程序流程图、提出工艺要求、编制技术文件。（三）素质目标（1）培养学生的沟通能力及团队协作精神。（2）培养学生分析问题、解决问

4、题的能力。（3）培养学生勇于创新、敬业乐业的工作作风。（4）培养学生的自我管理、自我约束能力。（5）培养学生的环保意识、质量意识、安全意识。三、与前后课程的联系1 .与前续课程的联系C语言程序设计使学生具备了面向过程编程的基本能力。Python语言程序设计使学生具备了面向对象编程和AI应用程序开发的基本能力。模式识别使学生具备了智能感知与识别算法应用的基本能力。边缘计算使学生具备了基于云、边、端协同的边缘计算应用基本能力。2 .与后继课程的关系为学生后续课程毕业设计与答辩等课程打下专业基础。四、教学内容与学时分配根据职业岗位AI程序员与AI设备运维技术员的要求，将本课程的教学内容分解为7个教学

5、单元。表1课程项目结构与学时分配表序号课题主要教学内容教学目标学时备注1课程概述1 .机器学习的基本概念2 .机器学习目前的用途1 .了解机器学习的概念2 .了解机器学习目前的应用领域22回归1 .线性回归2 .成本函数3 .梯度下降算法4 .分类与边界5 .逻辑回归6 .过拟合对机器学习的影响1 .掌握成本函数和梯度下降算法2 .学会用正则化构建回归模型并避免过拟合6理实一体3神经网络1 .神经网络模型的概念2 .特征和样本的概念3 .神经网络中的代价函数4 .反向传播算法和梯度检验5 .随机初始化6 .构建并训练优化神经网络1 .理解神经网络的工作原理2 .体会不同部分在神经网络中的作用3

6、 .学会将梯度检验以及其他高级优化方法应用于神经网络的构建中6理实一体4支持向量机L间隔和超平面的概念2 .支持向量的概念3 .核函数的概念4 .支持向量机的概念5 .支持向量机的应用1 .理解大间距分类器的概念2 .理解支持向量机与逻辑回归的关系3 .掌握其实现方法6理实一.体5聚类1 .无监督学习的概念2 .K均值算法的构建和应用1.理解监督学习和无监督学习的区别6理实-一体3 .K均值算法的优化目标4 .随机初始化的方法5 .选取聚类数的方法6 .数据挖掘的概念2.掌握K均值算法的构建6降维1 .高维数据压缩前后使用的不同2 .降维的概念3 .主成分分析算法的概念4 .利用主成分分析算法

7、压缩数据维度5 .重建压缩后的数据1 .明白降维的重要性2 .学会主程序分析算法压缩数据6理实一体7大规模机器学习1 .大数据机器学习的特点2 .大数据机器学习与普通机器学习的区别3 .随机梯度下降法4 .小批量梯度下降法5 .随机梯度收敛法6 .大数据机器学习的应用1 .理解大数据机器学习的特点2 .掌握其算法应用的一般方法12理实一体8机动L“机器围棋”案例展示1.了解机器学习技术应用的前沿29期末考试（闭卷）巩固学习内容，检测学习情况2合计48五、教材的选用1 .教材选取的原则按照规定选用与课程标准相配套的高职规划优质教材，禁止不合格的教材进入课堂。建立了由专业教师、行业专家和教研人员等

8、参与的教材选用机构，完善教材选用制度，经过规范程序择优选用教材。2 .推荐教材Python机器学习，SebastianRaschka著.机械工业出版社，2018年。六、教师要求专任教师具有高校教师资格和本专业职业资格或技能等级证书；有理想信念、有良好职业道德、有扎实学识、有仁爱之心；具有计算机等相关专业本科及以上学历；具有扎实Pylhon语言程序开发理论和利用Pylhon语言开发机器学习应用案例的实践能力；具有较强的信息化资源应用和开发能力。兼任教师主要从相关企业聘任，具备良好的思想政治素质、职业道德和工匠精神，具有扎实的机器学习应用案例开发专业知识和丰富的实际工作经验，具有中级及以上相关专业

9、技术职称，能承担本课程教学、实习实训指导等教学任务。七、学习场地、设施要求多媒体教室、实训教室、白板、黑板、相关工具、相关量具等。八、课程资源的开发与利用积极开发和利用网络教学资源：课程标准、实训指导书、授课计划、电子教案、教学资源库等教学文件，及多媒体教学课件、习题、案例库、试题库、网络方案、布线标准、工具软件、国家级或省级精品在线开放课程等资源。建立互动交流网络平台。九、考核标准与方式职业教育培养高素质技术技能型人才，不但要重视学生职业技能和职业素养培养，还要求学生掌握一定的专业基础理论知识，以利于今后可持续发展。因此需要加强理论知识、职业技能和职业素养等方面的考核评定。本课程采用过程性评

10、价和终结性评价相结合的方法进行，既有理论知识考核，又有学生学习态度、思维能力、动手能力、解决问题的能力等方面的综合考核，具体评价方法和内容见表3。表2机器学习课程评价方法和内容考核类型考核方式考核内容理论知识过程性考核(10%)课堂提问、课堂纪律、平时作业、单元测试等(50%)终结性考核(40%)期末闭卷理论考试，评价知识目标达成程度。重点考核回归分析、神经网络、支持向量机、聚类、降维、大规模机器学习等知识。职业技能过程性考核(10%)实训表现、实际操作能力、观察能力、解决问题的能力等(40%)终结性考核(30%)期末技能考试，评价技能目标达成程度。重点考核数据挖掘与机器学习常规算法编程、测试与封装等技能。职业素养(10%)过程性考核到课考勤，学习及工作态度、6s管理表现、质量观念、安全意识、合作精神、敬业精神、团队意识等纳入职业技能考核，在教学过程中记录评价