《機器學習》課程教學大綱

1、機器學習課程教學大綱一、課程基本信息課程名稱（中文）機器學習課程名稱（英文）Machine Learning課程類別1：專業(yè)選修課課程性質(zhì)2選修授課語言3中文授課學期5學分3課程學時及分配總學時講課實驗課外4836120適用專業(yè)信息安全教材機器學習，周志華，清華大學出版社，2016年1月第1版授課學院計算機與軟件學院先修課程數(shù)據(jù)結(jié)構(gòu)，線性代數(shù)，概率統(tǒng)計等后續(xù)課程無課程簡介課程基本定位：機器學習是信息安全專業(yè)的一門理論性和實踐性很強的一門專業(yè)選修課。通過本課程的學習，使學生掌握經(jīng)典機器學習方法、原理，了解目前業(yè)界主流的機器學習思想，為學生畢業(yè)后從事機器學習研究及相關工作打下理論及實踐基礎。核心學

2、習結(jié)果：本課程既培養(yǎng)學生分析問題、解決問題的能力，又能夠使學生具備一定的實踐能力。能夠根據(jù)不同的任務，提出合理、可行的機器學習模型。主要教學方法：本課程重視理論與實際的結(jié)合，通過課上討論、理論學習及機器學習課程實驗來提高學生分析問題、解決問題的能力。大綱更新時間2020.08.注：1.課程類別：選填“通識核心課/通識拓展課/通修課/學科基礎課/專業(yè)主干課/專業(yè)選修課/專業(yè)實踐/素質(zhì)拓展”2.課程性質(zhì)：選填“選修/必修”3.授課語言：選填“中文/雙語/全英文或其他語種”二、課程目標序號課程目標（參考培養(yǎng)目標、畢業(yè)要求、課程定位）支撐畢業(yè)要求指標點1達成途徑1.課程目標1：掌握機器學習基礎理論與經(jīng)

3、典算法，了解機器學習前沿。指標點4.4：針對設計或開發(fā)的安全解決方案，能夠通過理論證明、實驗仿真或者系統(tǒng)實現(xiàn)等多種科學方法說明其有效性、合理性和安全性，并對解決方案的實施質(zhì)量進行分析，通過信息綜合得到合理有效的安全評估結(jié)論。講授、案例、討論2課程目標2：掌握目前主流機器學習開發(fā)工具及架構(gòu)，并能自行編程驗證主流算法。指標點12.3：能根據(jù)個人或職業(yè)發(fā)展的需求，具備不斷學習和適應計算機技術(shù)快速發(fā)展的能力。講授、案例、實驗注：1.支撐畢業(yè)要求指標點：選填項。需要進行專業(yè)認證，有畢業(yè)要求指標點可參照的課程必填，無明確畢業(yè)要求指標點可參照的可不填。三、理論教學內(nèi)容章標題教學內(nèi)容學時思政融入點1學生學習預

4、期成果2教學方式3課程目標第一章緒論（2）1.機器學習基本術(shù)語11.掌握機器學習的基本術(shù)語2.了解機器學習的發(fā)展歷程及應用現(xiàn)狀講授、討論12.假設空間與歸納偏好1講授、討論13.機器學習的發(fā)展歷程1講授、討論14.機器學習的應用現(xiàn)狀1介紹我國在機器學習領域的貢獻，激發(fā)學生愛國自豪感和自信心，鼓勵學生學號機器學習，不斷進行技術(shù)創(chuàng)新，為國家建設作出貢獻。講授、討論1第二章模型評估與選擇（2）1.經(jīng)驗誤差與過擬合0.7過猶不及，由過擬合引導學生樹立大局觀，不拘泥于細枝末節(jié)。1. 掌握常用的評估方法：留出法、交叉驗證法、調(diào)參與最終模型2. 了解經(jīng)驗誤差與過擬合概念3. 了解常用性能度量：錯誤率與精度、

5、查準率與查全率、ROC與AUC 講授、討論12.評估方法0.7講授、討論13.性能度量0.6講授、討論1第三章線性模型（4）1.線性回歸算法11. 掌握線性回歸算法2. 掌握對數(shù)概率回歸算法3. 了解線性判別分析以及類別不平衡問題講授、討論12.對數(shù)幾率回歸1講授、討論1、23.線性判別分析1講授、討論14.類別不平衡問題1由類別不平衡問題引申到美好的世界是豐富多彩的。如學術(shù)要百花齊放、生態(tài)要多樣性等。講授、討論1第五章神經(jīng)網(wǎng)絡（6）1.神經(jīng)元模型11.掌握神經(jīng)元模型2. 掌握誤差逆?zhèn)鞑ニ惴?. 掌握全局最小與局部極小概念4. 了解常見神經(jīng)網(wǎng)絡5. 理解深度學習與卷積神經(jīng)網(wǎng)絡講授、討論12.感

6、知機與多層網(wǎng)絡1講授、討論13.誤差逆?zhèn)鞑ニ惴?.5講授、討論14.全局最小與局部極小0.5講授、討論15.常見神經(jīng)網(wǎng)絡2講授、討論1、26. 深度學習2講授、討論1、2第六章支持向量機（3）1.間隔與支持向量11. 掌握支持向量、核函數(shù)、對偶問題、核方法等2. 掌握支持向量回歸算法講授、討論12.對偶問題1講授、討論13.核函數(shù)1講授、討論14.支持向量回歸1講授、討論1、25.核方法1講授、討論1第七章貝葉斯分類器（4）1.貝葉斯決策論11.掌握極大似然估計2. 掌握樸素貝葉斯分類器3. 了解貝葉斯決策論4. 了解貝葉斯網(wǎng)和EM算法講授、討論12.極大似然估計2講授、討論13.樸素貝葉斯分

7、類器2講授、討論1、24.貝葉斯網(wǎng)2講授、討論15.EM算法1講授、討論1第九章聚類（3）1.聚類任務11.了解聚類的任務和性能度量方法2. 掌握原型聚類3. 了解密度聚類和層次聚類講授、討論12.性能度量1講授、討論13.距離計算1講授、討論14.原型聚類1講授、討論15.密度聚類1講授、討論16.層次聚類1講授、討論1注：1.思政融入點：至少寫3條，簡述該課程教學中將思政教育內(nèi)容與專業(yè)教育內(nèi)容有機融合的知識點（下同）。 2.學生學習預期成果：描述學生在學完本節(jié)內(nèi)容后應獲得的知識、能力或素養(yǎng)水平（下同） 3.教學方式:包括講授、討論、案例、演示等，但不限于所列，根據(jù)課程實際需要列舉四、實踐（

8、實驗或?qū)嵙暎┙虒W1編號實驗或?qū)嵙曧椖棵Q教學內(nèi)容學時實驗或?qū)嵙曨愋?思政融入點學生學習預期成果課程目標1線性回歸模型實驗編寫對數(shù)概率回歸模型的程序，對圖像進行分類實驗。3驗證性理解線性回歸模型原理。22神經(jīng)網(wǎng)絡實驗構(gòu)造3層神經(jīng)網(wǎng)絡對任意一條非線性曲線進行擬合；利用CNN對Cifar10圖像進行分類（選做）。3驗證性理解神經(jīng)網(wǎng)絡工作原理。23貝葉斯分類器實驗編寫貝葉斯分類器，對圖像進行分類實驗。3驗證性理解貝葉斯分類器原理。24支持向量機實驗編寫SVM程序，對圖像進行分類實驗；了解常用SVM工具包及對應的基本思想。3驗證性理解支持向量機原理。2注：1.此表可用于課內(nèi)實踐教學環(huán)節(jié)或某門綜合實踐課程

9、2.實驗類型：選填”驗證性/綜合性/設計性”；實習類型：選填“認識實習/生產(chǎn)實習/畢業(yè)實習”五、課程評價（一）考核內(nèi)容、考核方式與課程目標對應關系課程目標考核內(nèi)容課程目標在各考核方式中占比1平時表現(xiàn)課程作業(yè)期末考試課內(nèi)實驗1掌握機器學習基礎理論與經(jīng)典算法，了解機器學習前沿。機器學習基本概念；模型評估與選擇方法；線性模型、神經(jīng)網(wǎng)絡、支持向量機、貝葉斯分類器和聚類的基本原理與方法。50%80%90%0%2掌握目前主流機器學習開發(fā)工具及架構(gòu)，并能自行編程驗證主流算法。線性回歸、神經(jīng)網(wǎng)絡、支持向量機、貝葉斯分類器的算法實現(xiàn)與實驗分析。50%20%10%100%合計100%100%100%100%各考核

10、方式占總成績權(quán)重（自行賦值）20%10%40%30%注：1. 課程目標在考核方式及占比：主要根據(jù)課程目標自行設計和制定多元化考核方式，表中所列僅為參考（紅色數(shù)據(jù)可刪除）。但所列考核方式必須覆蓋全體學生，可根據(jù)當學期具體教學情況酌情調(diào)整。2. 各考核方式占總成績權(quán)重：根據(jù)課程實際情況對各考核方式占總成績的權(quán)重予以賦值。（二）考核方式評分標準1課程作業(yè)評分標準課程目標評分標準占比90-100（優(yōu)）80-89（良）70-79（中）60-69（及格）0-59（不及格）1.掌握機器學習基礎理論與經(jīng)典算法，了解機器學習前沿。按時完成教師布置的等數(shù)量作業(yè)題目答題，字跡清楚、答題思路清晰，結(jié)論正確。按時完成教

11、師布置的等數(shù)量作業(yè)題目答題，答題較正確。按時完成教師布置的等數(shù)量作業(yè)題目答題，但部分存在錯誤問題。按時完成教師布置的75%以上作業(yè)題目答題，但部分存在錯誤。未能按時完成教師布置的75%以上作業(yè)題目，且答案存在部分錯誤。未交作業(yè)為0分。80%2.掌握目前主流機器學習開發(fā)工具及架構(gòu)，并能自行編程驗證主流算法。按時完成教師布置的等數(shù)量作業(yè)題目答題，程序設計的思路清晰，結(jié)論正確。按時完成教師布置的等數(shù)量作業(yè)題目答題，程序設計結(jié)論較正確。按時完成教師布置的等數(shù)量作業(yè)題目答題，有程序設計結(jié)論，但部分存在錯誤問題。按時完成教師布置的75%以上作業(yè)題目答題，有程序設計結(jié)論，但部分存在錯誤。未能按時完成教師布置

12、的75%以上作業(yè)題目，程序設計答案均錯誤。未交作業(yè)為0分。20%2期末考試評分標準（筆試類評分標準可在大綱中按以下格式予以說明，也可在通過“試卷分析表”予以說明）機器學習期末考試內(nèi)容和考試題目針對課程目標設計，具體評分標準參考開課學期P機器學習期末試卷分析表及答案評分標準。3課內(nèi)實驗評分標準課程目標評分標準占比90-100（優(yōu)）80-89（良）70-79（中）60-69（及格）0-59（不及格）1.掌握機器學習基礎理論與經(jīng)典算法，了解機器學習前沿。0%2.掌握目前主流機器學習開發(fā)工具及架構(gòu)，并能自行編程驗證主流算法。能夠熟練地使用指定的編程語言編制程序?qū)崿F(xiàn)和驗證機器學習經(jīng)典算法，實驗程序設計或

13、驗證結(jié)果正確，實驗報告書寫規(guī)范。能夠使用指定的編程語言編制程序?qū)崿F(xiàn)和驗證機器學習經(jīng)典算法，實驗程序設計或驗證結(jié)果正確，實驗報告書寫欠規(guī)范。能夠使用指定的編程語言編制程序?qū)崿F(xiàn)和驗證機器學習經(jīng)典算法，實驗程序設計或驗證結(jié)果基本正確，實驗報告書寫欠規(guī)范?；灸軌蚴褂弥付ǖ木幊陶Z言編制程序?qū)崿F(xiàn)機器學習經(jīng)典算法，實驗程序設計或驗證結(jié)果存在一定錯誤，實驗報告書寫不規(guī)范。實驗報告中描述程序設計或驗證原理錯誤，未能夠使用指定的編程語言編制程序?qū)崿F(xiàn)和驗證機器學習經(jīng)典算法。100%注：考核方式和課程目標在考核方式中占比應與“（一）考核內(nèi)容、考核方式與課程目標對應關系”一致。所列考核環(huán)節(jié)，除了筆試類均須依次給出評分標準，格式同上。筆試類課程考核評分標準可以在本課程大綱里進行說明，也可以通過提交“試卷分析表”予以說明。五、參考書目及學習資料1.Foundations of Machine Learning(second edition) MehryarMohri, Afshin Rostamizadeh, and Ameet Talwalkar, The MIT Press2.統(tǒng)計學習方法