1，工程知识：掌握机器学习基础理论知识和专业核心知识；熟悉机器学习的发展现状和趋势，并能够将各类机器学习知识应用于解决复杂工程问题。

指标点2.5：能运用基本原理分析实际工程的影响因素，证实解决方案的合理性。

目标1,目标2

回归分析，决策树，神经网络，支持向量机，贝叶斯分类，聚类，降维。

考查

2，问题分析：掌握机器学习基础理论知识和核心知识；能够应用数学、自然科学和工程科学的基本原理，对复杂工程问题进行识别、分析、归类和表达，掌握文献检索及运用现代信息技术对复杂工程问题进行综合分析与抽象表示和建模的能力，以获得有效结论。

指标点3.1：能够根据用户需求确定智能系统设计目标；

目标1,目标2

回归分析，决策树，神经网络，支持向量机，贝叶斯分类，聚类，降维。

考查

3，使用现代工具：能够在复杂工程问题的分析、研究中，根据具体需要，合理利用已有的机器学习资源与技术，自主开发、选择与使用恰当的技术方法、工程工具，辅助复杂工程问题的预测与模拟、分析建模以及解决方案的设计等、提高复杂工程问题解决的效率，并同时能理解这些预测模拟的局限性。

指标点3.4：能够进行智能系统开发文档的撰写。

目标1,目标2

机器学习经典案例

大作业报告

指标点4.1：能够采用正确的系统设计方法和工具分析智能应用系统的功能、性能和参数；

目标1,目标2

机器学习经典案例

考查

指标点4.2：能够基于智能科学与技术专业相关理论和对象特征，选择研究开发路线和设计可行的系统方案；

目标1,目标2

机器学习经典案例

考查

1

主要包括机器学习基本概念，用途和发展历史以及分类，介绍机器学习所需要的预备知识，指导学生安装配置必要的环境。

（1） 了解机器学习的发展史；

（2） 了解机器学习的基本概念；

（3） 了解机器学习在目前的用途；

（4） 回顾机器学习所需的基础知识。

4

讲授+案例+实验

1,2

2

回归分析

主要包括线性回归和逻辑回归的基本概念，组成形式，提出成本函数的概念，介绍梯度下降的学习方法，引入了分类的概念，以及拓展线性回归和逻辑回归在多分类场景的应用。提出过拟合的概念，采用正则化来防止数据的过拟合。在线性回归和逻辑回归的实力中进行应用。

（1）理解线性回归的概念；

（2）理解成本函数的概念；

（3）学会使用梯度下降算法；

（4）理解分类与边界的概念；

（5）理解逻辑回归分类的概念；

（6）能够将线性分类和逻辑分类应用于多分类场景；

（7）体会过拟合对于机器学习的影响；

8

讲授+案例+实验

1,2

3

决策树

决策树是一种机器学习方法，介绍信息增益、增益率、基尼指数、预剪枝和后剪枝、连续值处理、缺失值处理以及多变量决策树等知识。

（1）掌握ID3、CART、C4.5三种决策树的决策流程与算法；

（2）掌握决策树所需要的基本知识；

（3）掌握选取划分节点的方法；

（4）掌握过拟合与欠拟合的处理；

（5）掌握连续值与缺失值的处理，了解多变量决策树等知识。

8

讲授+案例+实验

1,2

4

神经网络

介绍神经网络模型的构成与学习方式。之后引入了反向传播算法，用于帮助学习神经网络的参数。在这个模块的最后，实现神经网络来解决一个实际问题。

（1）理解神经网络模型概念；

（2）理解特征和样本的概念；

（3）理解神经网络中的代价函数；

（4）掌握反向传播算法和梯度检验；

（5）掌握随机初始化的方法；

（6）能够构建并训练优化神经网络；

8

讲授+案例+实验

1,2

5

支持向量机

支持向量机是一种用来分类的机器学习算法，这里我们将介绍支持向量机背后的思想，提出大边界分类和和函数的概念，以及讨论如何在实际使用中应用SVM解决实际问题。

（1）在优化目标的情况下通过修改逻辑回归来得出支持向量机的概念；

（2）理解间隔和超平面的概念；

（3）理解支持向量的概念；

（4）理解核函数的概念；

（5）理解支持向量机的概念；

（6）掌握建立支持向量机的方法并针对特定情形应用；

6

讲授+案例+实验

1,2

6

贝叶斯分类

讲解贝叶斯分类器的内容。包括：贝叶斯决策论、极大似然估计、朴素贝叶斯分类器、半朴素贝叶斯分类器，贝叶斯网、EM算法等知识。

（1）理解贝叶斯决策论；

（2）理解并掌握极大似然估计；

（3）理解并掌握朴素贝叶斯分类器；

（4）理解并掌握半朴素贝叶斯分类器。

8

讲授+案例+实验

1,2

7

聚类

引入无监督学习的概念。并以聚类中的k均值算法为例子，讲述无监督学习对于理解数据的优势，介绍数据挖掘的概念。提出聚类的优化目标，介绍随机初始化和选择聚类数的方法。

（1）理解无监督学习的概念；

（2）掌握k均值算法的构建和应用；

（3）理解k均值算法的优化目标；

（4）掌握随机初始化的方法；

（5）掌握选取聚类数的方法；

（6）了解数据挖掘的概念；

6

讲授+案例+实验

1,2

8

降维

引入了降维的概念，从降维的动机入手，阐述降维的必要性和优势，然后再引入主成分分析，具体介绍了主成分分析问题以及算法，以及如何选取主成分的数量，展示了如何将其用于数据压缩以提升学习算法速度和对复杂数据集的可视化。最后介绍了如何重建压缩后的数据。

（1）体会高维数据压缩前后使用的不同；

（2）掌握降维的概念；

（3）理解主成分分析算法的概念；

（4）学会通过主成分分析算法压缩数据维度；

（5）学会重建压缩后的数据；

8

讲授+案例+实验

1,2

9

机器学习综合案例

包括介绍如何从实际问题中提取出机器学习问题，选择合适的模型进行建模，训练，优化，最终得出一个性能可靠的可以解决问题的模型。同时，还将介绍几个目前比较广泛的应用，包括异常检测，推荐系统，图片中的文字识别等。

（1）学会选择并表达特征向量；

（2）学会误差分析；

（3）平衡查全率和查准率；

（4）理解机器学习中数据的作用；

（5）学会建立机器学习经典实例的模型（异常检测系统，推荐系统，图片文字提取）；

8

讲授+案例+实验

1,2

目标1，目标2

回归分析，决策树，神经网络，支持向量机，贝叶斯分类，聚类，降维。

实验报告

30%

100%

A

回归分析，决策树，神经网络，支持向量机，贝叶斯分类，聚类，降维。

期末考试

60%

100%

B

期中考试

10%

100%

C

总评成绩（100%）= 实验报告（30%）+期末考试（60%）+期中考试（10%）

100%

——

——

考查点

实验操作

实验内容

实验报告

成绩比例

30%

30%

40%

评分标准

100%

至

90%

能够根据智能系统的性能及控制要求制定很好的实验方案，能正确熟练使用软件和相关模型完成实验。实验态度认真，操作能力强，操作、记录规范，沟通、协作很好。

实验记录全部完成无遗漏，内容丰富、图文并茂，流程图数量足够且正确，实验方案有自己独到的思路与见解。

有很强的总结实验和撰写报告的能力，实验报告内容完整、正确，有很好的分析与见解。文本表述清晰，书写工整，格式规范。

89.9%

至

80%

能够根据智能系统的性能及控制要求制定良好的实验方案，能正确使用软件和相关模型完成实验。实验态度认真，操作能力强，操作、记录规范，沟通、协作良好。

实验记录比较完整，内容比较丰富、图文并茂，流程图数量足够且基本正确，实验方案有自己的思路与见解。

有较强的总结实验和撰写报告的能力，实验报告内容完整、正确，有较好的分析与见解。文本表述较为清晰，书写比较工整，格式规范。

79.9

至

70%

能够根据机智能系统的性能及控制要求制定实验方案，能正确使用软件完成实验。实验态度比较认真，操作能力较强，操作、记录规范，沟通、协作正常。

实验记录比较完整，内容比较丰富，流程图数量足够且基本正确。

有良好的总结实验和撰写报告的能力，实验报告内容较完整、正确，有自己的分析与见解。文本表述较为清晰，书写较为工整，格式较为规范。

69.9%

至

60%

基本能够根据智能系统的性能及控制要求制定实验方案，能使用软件完成实验。实验态度不太认真，操作能力一般，操作、记录基本规范，有沟通、协作。

实验记录基本完整，内容基本够，流程图数量基本够但有少量错误。

有一定的总结实验和撰写报告的能力，实验报告内容基本完整、正确，没有分析或见解。文本表述基本清晰，书写基本工整，格式基本规范。

59.9%至

0

动手操作能力差；操作、记录不规范，实验中不能与合作者进行沟通、协作，不能正确使用仪器设备。

实验记录未完成，内容不够，流程图数量不够、错误多。

总结实验和撰写报告的能力差，实验报告内容不完整、错误多。文本表述不清晰，书写潦草、格式不规范。