《Python机器学习》教学大纲.docx

《Python机器学习》教学大纲
一、课程基本情况
英文名称：Python Machine Learning
总 学 时：64 理论学时：48 实践学时：16
总学分：3.5
课程性质：必修
考核方式：考试
适用对象：本科
先修课程：《程序设计基础》、《数据结构》
参考文献：
二、课程目标
通过本课程的学习，使学生到达如下学习目标：
1 . 了解脚本语言程序设计的基本知识，掌握程序设计的基本方法，掌握程序设计的基 本理论、方法和应用。
2 .掌握高级程序设计国家标准的有关基本规定，能够查阅有关国家标准和手册，并严 格遵守和执行有关国家标准的各项规定。
3 .能够正确而熟练地使用Python进行程序的设计，能够识读和编写较为复杂的程序, 能够使用Python解决实际应用问题。
4 .掌握机器学习理论，掌握基于Python的数据采集、预处理、分析、建模、回归与分 类以及表现的方法和技术。
5 .培养计算思维能力、创新能力和发现问题、分析问题和解决问题的能力。
6.具备团队协作和良好的沟通能力，为今后从事软件开发或科学研究工作奠定基础。
三、教学内容、教学方法和手段、学时分配
知识单元一：Python概述（建议1学时）
教与学要求：了解Python语言的开展过程；理解Python语言的特点；掌握Python语 言开发环境和运行环境配制方法；理解编写程序的IP0方法。
教与学方法：讲授、案例演示
知识点1： Python语言
主要内容：Python开展与特点，Python语言版本更迭。
知识点2： Python开发环境搭建
主要内容：Python开发环境的配置和使用方法，安装Python3.x解释器，使用IDEL编 写 Hello world 程序。
知识单元二：Python语言基础（建议2学时）
教与学要求：掌握解决计算问题的一般方法；掌握Python语言的基本数据类型和语法, 包括缩进、变量命名等；掌握程序的分支结构；运用if语句实现分支结构；掌握程序的循 环结构；运用for语句和while语句实现循环结构。
教与学方法：案例演示、边讲边练
知识点1:变量和简单数据类型
主要内容：Python语言的基本语法，包括缩进、变量、基本数据类型和表达式等（重 点）。
知识点2：顺序结构
主要内容：Python语言赋值语句、标准输入和输出的使用方法（重点）。
知识点3：分支结构
主要内容：Python语言分支语句的使用方法（重点）。
知识点4：循环结构
主要内容：Python语言循环语句的使用方法（重点）。
知识单元三：基础数据结构（建议3学时）
教与学要求：了解三类基础组合数据类型；理解列表、元组、字典的概念并掌握其使用 方法；运用列表管理采集的信息，构建数据结构；运用字典处理复杂的数据信息。
教与学方法：案例演示、边讲边练
知识点1:列表
主要内容：列表基本操作和相关函数的概念和使用（重点）。
知识点2：元组
主要内容：元组基本操作和相关函数的概念和使用，列表和元组的转换（重点）。
知识点3：字典
主要内容：字典基本操作和相关函数的概念和使用，字典的遍历方法，字典与列表的嵌 套（重点、难点）。
知识单元四：函数与模块（建议4学时）
教与学要求：掌握函数的定义和调用方法；理解函数的参数传递过程以及变量的作用范 围；了解特殊函数；掌握常用函数的使用；理解模块和包的定义和使用方法。
教与学方法：案例演示、边讲边练
知识点1：函数基础
主要内容：函数的基本使用，函数的参数传递，变量的作用范围（重点）。
知识点2：特殊函数
主要内容：两类特殊函数的定义和使用方法（重点）。
知识点3：常用函数
主要内容：常用函数的定义和使用方法。
知识单元五：面向对象程序设计（建议2学时）
教与学要求：掌握类与对象的定义和使用方法；掌握继承与重写的实现方法；了解异常 的捕获与处理方法。
教与学方法：案例演示、边讲边练
知识点1:类与对象
主要内容：类的定义、对象的创立与使用、数据成员与成员方法（重点）。
知识点2：继承与重写
主要内容：继承与重写的实现方法（难点）。
知识点3：异常处理
主要内容：异常类、异常的捕获与处理方法。
知识单元六：NumPy数据分析（建议4学时）
教与学要求：掌握使用NumPy进行数据分析的基本内容，掌握文件的基本操作、数组的 创立和使用，以及数据的基本运算方法。
教与学方法：案例演示、边讲边练
知识点1:数据的获取
主要内容：安装NumPy库，使用NumPy库进行数据读写（重点）。
知识点2：数组的创立与使用
主要内容：数组的基本属性、数组的选取和操作、数据的算数和比拟运算（重点、难点）。
知识单元七：数据可视化（建议4学时）
教与学要求：了解基于Matplotlib的数据可视化基本流程；掌握设置绘图属性、绘制 常用图表和高级图表的方法；掌握绘制折线图、条形图、散点图、饼图的常用函数及参数含 义，以及绘制组合图和三维图这两种高级图形的函数及参数含义。
教与学方法：案例演示、边讲边练
知识点1：数据可视化基本流程
主要内容：安装Matplotlib库，数据可视化的基本流程。
知识点2：绘制常用图表
主要内容：设置绘图属性，绘制折线图、条形图、散点图、饼图（重点）。
知识点3：绘制高级图表
主要内容：绘制组合图、三维图（难点）。
知识单元八：机器学习概述（建议2学时）
教与学要求：了解机器学习的定义、开展历史和应用领域；了解不同种类的机器学习算 法以及机器学习的一般流程；掌握Scikit-learn库的安装及使用Scikit-learn进行机器学 习的基本方法。
教与学方法：案例演示、边讲边练
知识点1:机器学习基本理论
主要内容：机器学习的定义、开展和应用领域，机器学习的基本术语和一般流程。
知识点2： Scikit-learn基本框架
主要内容：使用ScikitTearn进行数据加载、模型训练和预测、模型评估的方法（重 点、难点）。
知识单元九：回归分析（建议6学时）
教与学要求：掌握回归分析的基本概念；掌握线性回归、岭回归、Lasso回归与 ElasticNet回归的实现方法。
教与学方法：案例演示、边讲边练
知识点1:多元线性回归
主要内容：回归分析原理，多元线性回归的实现方法（重点）。
知识点2：正那么化回归
主要内容：岭回归、Lasso回归与ElasticNet回归的原理和实现方法（难点）。
知识单元十：分类算法（建议8学时）
教与学要求：掌握k近邻算法、朴素贝叶斯算法、决策树算法、分类与回归树算法以及 支持向量机算法的原理以及在Scikit-learn中的实现方法。
教与学方法：案例演示、边讲边练
知识点1： k近邻算法
主要内容：算法原理，算法实现及参数作用（重点）。
知识点2：朴素贝叶斯算法
主要内容：算法原理，算法实现及参数作用（重点）。
知识点3：决策树算法
主要内容：算法原理，算法实现及参数作用（重点）。
知识点4：分类与回归树算法
主要内容：算法原理，算法实现及参数作用（重点）。
知识点5：支持向量机算法
主要内容：算法原理，算法实现及参数作用（重点、难点）。
知识单元十一：聚类算法（建议6学时）
教与学要求：了解聚类的不同思想；掌握k均值算法、DBSCAN算法及Agglomerative
算法的原理、ScikitTearn实现及参数。
教与学方法：案例演示、边讲边练
知识点1： k均值算法
主要内容：算法原理，算法实现及参数作用（重点）。
知识点2： DBSCAN算法
主要内容：算法原理，算法实现及参数作用（重点）。
知识点3： Agglomerative算法
主要内容：算法原理，算法实现及参数作用。
知识单元十二：集成学习（建议4学时）
教与学要求：了解集成学习理论；掌握随机森林算法、投票算法和提升算法的原理、
Scikit-learn实现方法及参数作用。
教与学方法：案例演示、边讲边练
知识点1:随机森林算法
主要内容：算法原理，算法实现及参数作用（重点）。
知识点2：投票法和提升法
主要内容：算法原理，算法实现及参数作用。
知识单元十三：算法评估与验证（建议2学时）
教与学要求：掌握数据集划分的方法、距离的度量方法；了解分类问题、回归问题和聚 类问题的有效性指标和自动参数调优的方法；掌握上述方法在Scikit-learn中的实现函数。
教与学方法：案例演示、边讲边练
知识点1：数据集划分和距离度量
主要内容：留出法、留一法、K折交叉验证法，距离度量方法（重点）。
知识点2：有效性指标
主要内容：分类问题、回归问题和聚类问题的有效性指标计算方法。
知识点3：参数调优
主要内容：暴力搜索和随机搜索参数调优方法。
四、实践教学环节
序 号
实验工程 名称
实验目的
主要内容
实验 学时
实验 类型
开出
要求
1
环境配置 与语言基 础
掌握Python开发和运 行环境的配制方法； 掌握Python语言程序 的基本编写
安装Python3. x解释器（或
PyCharm、 Anaconda）；
编写程序将摄氏度和华氏度 的温度数值进行转换
2
验 证
必 做
2
组合数据 类型和程 序控制结 构
能够使用列表、元组和 字典，能够使用分支结 构和循环结构编写程 序
编程通过格式化字符串输出 和时间延迟实现控制台风格 文本进度条；输入身高和体 重，输出BMI值并根据BMI指 标分类输出类别；使用BBP公 式计算圆周率的值
2
设 计
必 做

3
函数与模 块
能够利用函数编写程 序，掌握递归函数使用 方法
输入当前日期的数字形式， 输出数码管表示的图形形 式；利用递归函数绘制0~5 阶科赫函数
2
设 计
必 做
4
数据分析 与数据可 视化
能够使用NumPy库进行 数据分析，能够使用 matplotlib库绘制基 本和组合图表
使用NumPy对莺尾花数据集 进行基本的数据分析并将结 果进行可视化
2
验 证
必 做
5
回归分析
能通过 Scikit-learn 库使用不同算法进行 回归分析
使用线性回归、岭回归、Lasso 回归与ElasticNet回归对波士 顿房价数据集进行分析并对 结果进行可视化
2
设 计
必 做
6
分类算法 (-)
能通过 Scikit-learn 库使用不同算法对数 据进行分类
使用k近邻算法、高斯朴素贝 叶斯算法对葡萄酒数据集进 行分类，并对分类数据进行可 视化
2
设 计
必 做
7
分类算法
(二)
能通过 Scikit-learn 库使用不同算法对数 据进行分类
使用决策树算法、支持向量机 算法对葡萄酒数据集进行分 类，并对分类数据进行可视化
2
设 计
必 做
8
聚类算法
能通过 Scikit-learn 库使用不同算法对数 据进行聚类
分别生成半月状和环状数据， 使用k均值算法、DBSCAN算 法、Agglomerative聚类算法对 不同形状数据集进行聚类，并 对聚类结果进行可视化比拟
2
设 计
必 做

五、成绩构成和评价方法
总分100分，其中操行成绩占10分、课后作业占10分、实践成绩占30分、期末成绩 占50分，60分为及格线。
(1)操行成绩。主要考核遵守纪律、学术诚信等行为规范，6分及格线，不及格者课 程成绩为零。
(2)课后作业。两次课后大作业，每次5分，合计10分。视作业完成情况(按照内容 完整性、规范性，图表等表述合理性)给分。
(3)实践成绩。八次实践共30分，主要考核实验过程、实验结果过质量。
(4)期末成绩。采取闭卷方式考核，内容覆盖大纲的70%以上，主要考核知识的综合 运用。