| 学习指南 |
内容
-
本课程通过实用的案例,针对实际的日常工作任务,将机器学习算法深入浅出地进行介绍。
要求学生通过学习,掌握使用python代码构建一些核心的机器学习算法,并将其运用于策略性任务中,如分类、预测及推荐等。且需要具有使用机器学生算法解决一般问题的能力。
教学内容、学习要求如下:
(一)人工智能概述(上课2学时+实验1学时)
1、什么是人工智能
2、人工智能关键术语
3、机器学习的主要任务
4、如何选用机器学习算法
4.1机器学习算法的分类
4.2机器学习算法的设计步骤
#本章学习要求#
- 了解人工智能发展历史
- 熟悉机器学习算法的基本概念
- 掌握python编程环境
- 掌握基本机器学习算法的实现
(二)Python程序设计(上课4学时+实验3学时)
1、Python简介
2、Python常用包的安装
3、Python的语法
4、Python的数据处理
5、Python实现机器学习算法
#本章学习要求#
- 掌握Python的数据处理
- 掌握Python实现机器学习算法
(三)k-近邻算法(上课2学时+实验2学时)
1、k-近邻分类算法概述
2、k-近邻算法的数据与分类器
3、示例:使用k-近邻算法识别手写数字
#本章学习要求#
- 掌握 k-近邻算法的基本理论
- 掌握k-近邻算法的实现
(四)k-均值算法(上课2学时+实验2学时)
1、k-均值聚类算法
2、使用后处理提高聚类效果
3、二分k-均值聚类算法
4、示例:使用k-均值对地图上的点进行聚类
#本章学习要求#
- 掌握 k-均值算法的基本理论
- 掌握k- 均值算法的实现
(五)协同过滤推荐算法(上课2学时+实验2学时)
1、相似度度量
2、示例:餐馆推荐未尝过的菜肴
#本章学习要求#
- 掌握推荐算法的理论基础
- 掌握协同过滤推荐算法的实现方法
(六)SVM支持向量机*(上课2学时+实验2学时)
1、基于最大间隔分隔数据
2、寻找最大间隔
3、在复杂数据上应用核函数
4、示例:手写数字识别问题回顾
#本章学习要求#
- 掌握SVM的基本理论
- 掌握SVM算法的实现方法
(七)神经网络(上课3学时+实验3学时)
1、神经网络基本原理
2、经典神经网络算法
3、Sklearn神经网络算法
4、示例:多层感知器神经网络MLP算法示例
#本章学习要求#
- 掌握神经网络的基本理论
- 掌握神经网络的技术实现
(八)其他常见机器学习算法(上课2学时)
1、基于概率论的分类方法——朴素贝叶斯*
1.1 使用朴素贝叶斯进行文档分类
1.2使用Python 进行文本分类
1.3示例:使用朴素贝叶斯过滤垃圾邮件
2、回归算法简介
2.1 回归算法分类
2.2示例:逻辑回归算法
3、决策树*
3.1决策树的构造
3.2在Python 中使用Matplotlib 注解绘制树形图
3.3示例:使用决策树预测隐形眼镜类型.
#本章学习要求#
了解其他常见的j机器学习算法
了解贝叶斯算法原理
了解决策树算法理论
了解回归算法基本概念
熟悉一般机器学习算法的实现方法
4、期末大作业考评(2学时)
#本节课学习要求#
- 分组完成项目作业
- 课堂演示讲解所完成的x项目作业
- 对师生提出的疑问给予恰当的解答