一、课程简介
本课程介绍机器学习必要的数学基础知识、常用机器学习算法原理、Python实现以及应用，包括线性回归、逻辑回归、SVM、KNN、Kmeans、朴素贝叶斯、决策树、随机森林、感知器神经网络等。
二、教学目标
学生通过本课程的学习，将具备以下知识、能力、素质，能够：
理解机器学习建模的流程
熟悉机器学习的常用算法原理并能够实现之
能够调用机器学习算法库解决应用问题
三、教学内容及安排
序号 |
章 |
节 |
学时 |
教学方法 |
1 |
数据装载 |
01安装JupyterLab |
2 |
讲解+演示 |
02 文件读取 |
2 |
线性回归 |
01单变量线性回归 |
4 |
讲解+演示 |
02线性回归的其他计算方法 |
03多变量线性回归 |
04模型效果的影响因素 |
3 |
逻辑回归 |
01双类别逻辑回归 |
6 |
讲解+演示 |
02正则化处理 |
03 多类别逻辑回归 |
04 模型性能分析 |
4 |
支持向量机 |
01 SVM工作原理 |
4 |
讲解+演示 |
02 核函数 |
03 多分类问题 |
5 |
K近邻与Kmeans |
01 K近邻分类 |
4 |
讲解+演示 |
02 KMeans聚类 |
6 |
贝叶斯分类 |
01 贝叶斯分类基本原理 |
4 |
讲解+演示 |
02 垃圾邮件分类 |
03 处理连续型特征值 |
7 |
决策树和随机森林 |
01 ID3决策树的构成 |
4 |
讲解+演示 |
02 自定义ID3决策树 |
03 使用DecisionTreeClassifier |
04 随机森林 |
8 |
神经网络 |
01 神经网络基本结构 |
4 |
讲解+演示 |
02 反向传播算法 |
课时合计： |
32 |
|
四、考核方式与成绩评定
本课程考核方式包括理论考核(占50%)和实践考核(占50%)两部分：
理论考核采用笔试考试(或在线答题)，满分100分，采用选择、填空、判断、问答等题型，从配套题库中抽取。
实践考核采用课程中各项作业的平均成绩，满分100分。评分标准参考各项作业的任务说明。
五、参考书目
本课程不设置参考书，可参考官方文档。
