《机器学习》大纲一、课程名称：机器学习二、课程性质：选修、理论+实践课三、学时与学分：40学时（理论学时：28，实验学时：12），2.5学分：四、课程先导课：线性代数（或矩阵论），概率论与数理统计，微积分，C语言程序设计（或Python语言设计），算法设计与分析五、课程介绍“机器学习”是一门理论性、技术性和实践性很强的专业选修课程，为计算机科学中人工智能相关课程的核心和基础。课程主要讲授机器学习的基础理论、概念和方法，主要内容包括：监督学习、无监督学习的简介，k近邻和k-means、感知机、贝叶斯与概率估计、朴素贝叶斯法、逻辑回归、梯度下降、线性回归、支持同量机、经验风险最小化、方差与偏差估计、核方法、高斯过程、KD树和决策树、集成方法等。目标让学生掌握机器学习的基本理论与算法，为进一步学习人工智能相关课程和从事相关科研与实践打下坚实的基础。六、课程目标《机器学习》的具体目标包括：目标1：掌握机器学习的基本思想原理、流行算法和技术。为毕业要求1提供支持。目标2：使学生理解概率论、统计、算法等基础交叉学科知识和思想在计算机相关问题的建模发挥的作用，理解相关模型的思想本质，学生对机器学习领域的研究对象、研究目标和研究方法有全局性的了解：为毕业要求1提供支持。目标3：能认识到计算机科学与技术、人工智能科学与技术日新月异的发展特点，以机器学习相关学习任务为例，使学生认同自主学习和终身学习的必要性。为毕业要求12提供支持。目标4：通过习题讨论、实验和课程设计，使学生巩固理论思想和知识，培养学生分析模型、动手实现机器学习中不同任务和应用，以及解决科研与实际问题的能力。这需要通过不断学习掌握新技术和新方法才能做，从而锻炼自主学习的能力。为毕业要求12提供支持
《机器学习》大纲 一、课程名称：机器学习 二、课程性质：选修、理论+实践课 三、学时与学分：40 学时（理论学时：28，实验学时：12）， 2.5 学分： 四、课程先导课： 线性代数（或矩阵论），概率论与数理统计，微积分，Ｃ语言程序设计（或 Python 语言设计），算法设计与分析 五、课程介绍 “机器学习”是一门理论性、技术性和实践性很强的专业选修课程，为计算 机科学中人工智能相关课程的核心和基础。课程主要讲授机器学习的基础理论、 概念和方法，主要内容包括: 监督学习、无监督学习的简介，k 近邻和 k-means、 感知机、贝叶斯与概率估计、朴素贝叶斯法、逻辑回归、梯度下降、线性回归、 支持向量机、经验风险最小化、方差与偏差估计、核方法、高斯过程、KD 树和 决策树、集成方法等。目标让学生掌握机器学习的基本理论与算法，为进一步学 习人工智能相关课程和从事相关科研与实践打下坚实的基础。 六、课程目标 《机器学习》的具体目标包括： 目标 1:掌握机器学习的基本思想原理、流行算法和技术。为毕业要求 1 提 供支持。 目标 2: 使学生理解概率论、统计、算法等基础交叉学科知识和思想在计算 机相关问题的建模发挥的作用，理解相关模型的思想本质，学生对机器学习领域 的研究对象、研究目标和研究方法有全局性的了解；为毕业要求 1 提供支持。 目标 3: 能认识到计算机科学与技术、人工智能科学与技术日新月异的发展 特点，以机器学习相关学习任务为例，使学生认同自主学习和终身学习的必要性。 为毕业要求 12 提供支持。 目标 4：通过习题讨论、实验和课程设计，使学生巩固理论思想和知识，培 养学生分析模型、动手实现机器学习中不同任务和应用，以及解决科研与实际问 题的能力。这需要通过不断学习掌握新技术和新方法才能做，从而锻炼自主学习 的能力。为毕业要求 12 提供支持
七、课程目标对毕业要求的支撑关系支撑的毕业要求二级指标点课程目标目标1-21.1能将数学、自然科学和信息科学的语言工具用于计算机复杂工程问题的表述。1.2能针对计算机复杂工程问题的具体对象进行建模和求解。目标1-212.1能认识到计算机技术日新月异的发展特点，认同自主学习和终身学习目标3的必要性12.2具备自主学习能力，能通过多种途径拓展自己的知识和能力，包括理目标4解能力，归纳总结的能力和提出问题的能力等八，教学设计及对课程目标的支持第一章引言本章主要知识点包括机器学习概述，发展历史，机器学习算法的主要类型。包括机器学习是什么，用来做什么；机器学习方法的分类与综述；机器学习的基本概念。1.教学目标1）了解机器学习主要应用2）了解机器学习基本技术方法本章教学支持课程目标1和课程目标4。2.教学重点1）机器学习基本概念2）机器学习算法的主要类型3.教学难点1）学习概率论中相关知识思想，应用分析解决实际机器学习中问题4.教学环节设计结合现代机器学习的发展，开展文献阅读与讨论，较全面地介绍自然语言处理领域的核心概念、任务和方法。第二章基本数学及信息学理论（学生自看*）本章的主要知识点包括概率论基础及信息论基础以及线性代数，最大似然估计等机器学习知识与方法。·概率Probability，条件概率ConditionalProbability，期望
七、课程目标对毕业要求的支撑关系 支撑的毕业要求二级指标点 课程目标 1.1 能将数学、自然科学和信息科学的语言工具用于计算机复杂工程问题 的表述。 目标 1-2 1.2 能针对计算机复杂工程问题的具体对象进行建模和求解。 目标 1-2 12.1 能认识到计算机技术日新月异的发展特点，认同自主学习和终身学习 的必要性 目标 3 12.2 具备自主学习能力，能通过多种途径拓展自己的知识和能力，包括理 解能力，归纳总结的能力和提出问题的能力等 目标 4 八、教学设计及对课程目标的支持 第一章 引言 本章主要知识点包括机器学习概述，发展历史，机器学习算法的主要类型。 包括机器学习是什么，用来做什么；机器学习方法的分类与综述；机器学习的基 本概念 。 1.教学目标 1) 了解机器学习主要应用 2) 了解机器学习基本技术方法 本章教学支持课程目标 1 和课程目标 4。 2.教学重点 1) 机器学习基本概念 2) 机器学习算法的主要类型 3.教学难点 1) 学习概率论中相关知识思想，应用分析解决实际机器学习中问题。 4.教学环节设计 结合现代机器学习的发展，开展文献阅读与讨论，较全面地介绍自然语言处 理领域的核心概念、任务和方法。 第二章 基本数学及信息学理论(学生自看*) 本章的主要知识点包括概率论基础及信息论基础以及线性代数，最大似然估 计等机器学习知识与方法。 概率 Probability，条件概率 Conditional Probability，期望
Expectation，方差Variance，标准差Deviation，协方差Covariance，二项分布BinomialDistribution，高斯分布GaussianDistribution等；·焰Entropy，联合焰JointEntropy，条件ConditionalEntropy，互信息MutualInformation，KL散度KL-Divergence，交叉熵CrossEntropy·最大似然估计MaximumLikelihoodEstimation；·梯度下降GradientDescent；·参数学习ParameterEstimation；1.教学目标1）了解线性代数等基本数学知识2）了解概率论基础3）了解信息论基础本章教学支持课程目标1和目标2。2.教学重点统计概率论基础。3.教学难点经典概率论知识：条件概率，，期望，方差，标准差，协方差，二项分布，高斯分布等。4.教学环节设计针对教学内容展开讨论，重视理解和掌握基本原理和方法，从数理基础、方法与应用、前沿专题三个层次培养学生的科学思维方法。第三章监督学习1.教学目标4）监督学习的概念；5）监督学习的基本元素。本章教学支持课程目标1、目标2和课程目标3。2.教学重点1）监督学习的基本元素；3.教学难点1）监督学习与无监督学习的概念；2）监督学习的基本元素；4.教学环节设计示例空间、目标函数、训练集、测试集、假设空间、损失函数、泛化等监督学习的基本元素的学习
Expectation ， 方 差 Variance ， 标 准 差 Deviation ， 协 方 差 Covariance，二项分布 Binomial Distribution，高斯分布 Gaussian Distribution 等; 熵 Entropy，联合熵 Joint Entropy，条件熵 Conditional Entropy， 互信息 Mutual Information，KL 散度 KL-Divergence，交叉熵 Cross Entropy 最大似然估计 Maximum Likelihood Estimation； 梯度下降 Gradient Descent； 参数学习 Parameter Estimation； 1.教学目标 1) 了解线性代数等基本数学知识 2) 了解概率论基础 3) 了解信息论基础 本章教学支持课程目标 1 和目标 2。 2.教学重点 统计概率论基础。 3.教学难点 经典概率论知识：条件概率，期望，方差，标准差，协方差，二项分布， 高斯分布等。 4.教学环节设计 针对教学内容展开讨论，重视理解和掌握基本原理和方法，从数理基础、方 法与应用、前沿专题三个层次培养学生的科学思维方法。 第三章 监督学习 1.教学目标 4) 监督学习的概念； 5) 监督学习的基本元素。 本章教学支持课程目标 1、目标 2 和课程目标 3。 2.教学重点 1) 监督学习的基本元素； 3.教学难点 1) 监督学习与无监督学习的概念； 2) 监督学习的基本元素； 4.教学环节设计 示例空间、目标函数、训练集、测试集、假设空间、损失函数、泛化等监督 学习的基本元素的学习
第四章K近邻算法本章主要知识点包括K近邻算法。1.教学目标K近邻算法的概念和要素。本章教学支持课程目标1。2.教学重点掌握K近邻算法在高维情形下的求解难度以及高维流形下的可用性。3.教学难点K近邻算法在高维情形下的求解难度以及高维流形下的可用性。4.教学环节设计对应设计课堂讨论，在图像数据上的应用。第五章感知机本章主要知识点包括线性分类、感知机算法。1.教学目标感知机的概念和要素。本章教学支持课程目标1。2.教学重点掌握感知机算法的求解过程和适用性。3.教学难点感知机算法的求解过程和适用性。4.教学环节设计对应设计课堂讨论，在真实数据上的应用。第六章贝叶斯和概率统计本章主要知识点包括联合概率分布、最大先验和最大后验。1.教学目标联合概率分布、最大先验和最大后验。本章教学支持课程目标1。2.教学重点掌握最大先验和最大后验。3.教学难点最大先验和最大后验
第四章 K 近邻算法 本章主要知识点包括 K 近邻算法。 1.教学目标 K 近邻算法的概念和要素。 本章教学支持课程目标 1。 2.教学重点 掌握 K 近邻算法在高维情形下的求解难度以及高维流形下的可用性。 3.教学难点 K 近邻算法在高维情形下的求解难度以及高维流形下的可用性。 4.教学环节设计 对应设计课堂讨论，在图像数据上的应用。 第五章 感知机 本章主要知识点包括线性分类、感知机算法。 1.教学目标 感知机的概念和要素。 本章教学支持课程目标 1。 2.教学重点 掌握感知机算法的求解过程和适用性。 3.教学难点 感知机算法的求解过程和适用性。 4.教学环节设计 对应设计课堂讨论，在真实数据上的应用。 第六章 贝叶斯和概率统计 本章主要知识点包括联合概率分布、最大先验和最大后验。 1.教学目标 联合概率分布、最大先验和最大后验。 本章教学支持课程目标 1。 2.教学重点 掌握最大先验和最大后验。 3.教学难点 最大先验和最大后验
4.教学环节设计对应设计课堂讨论，在真实数据上的应用。第七章逻辑回归、线性回归本章主要知识点包括逻辑回归、通用的梯度下降算法、线性回归。1.教学目标逻辑回归、梯度下降、线性回归的概念和算法。本章教学支持课程目标1。2.教学重点掌握逻辑回归算法、线性回归以及适用范围。3.教学难点逻辑回归算法、线性回归模型与算法以及适用范围。4.教学环节设计对应设计课堂讨论、实验，在真实数据上的应用。第八章支持向量机本章主要知识点包括支持向量机的模型、算法。1.教学目标线性可分与不可分情形下的支持向量机的模型与算法、对偶优化问题。本章教学支持课程目标1、3。2.教学重点掌握线性可分与不可分情形下的支持向量机的模型与算法。3.教学难点线性可分与不可分情形下的支持向量机的对偶优化问题、主问题和对偶问题的关系。4.教学环节设计对应设计课堂讨论、实验和在真实数据上的应用。第九章经验风险最小化原则、偏差与方差估计本章主要知识点包括经验风险最小化原则、偏差与方差估计。1.教学目标经验风险最小化原则、偏差与方差估计
4.教学环节设计 对应设计课堂讨论，在真实数据上的应用。 第七章 逻辑回归、线性回归 本章主要知识点包括逻辑回归、通用的梯度下降算法、线性回归。 1.教学目标 逻辑回归、梯度下降、线性回归的概念和算法。 本章教学支持课程目标 1。 2.教学重点 掌握逻辑回归算法、线性回归以及适用范围。 3.教学难点 逻辑回归算法、线性回归模型与算法以及适用范围。 4.教学环节设计 对应设计课堂讨论、实验，在真实数据上的应用。 第八章 支持向量机 本章主要知识点包括支持向量机的模型、算法。 1.教学目标 线性可分与不可分情形下的支持向量机的模型与算法、对偶优化问题。 本章教学支持课程目标 1、3。 2.教学重点 掌握线性可分与不可分情形下的支持向量机的模型与算法。 3.教学难点 线性可分与不可分情形下的支持向量机的对偶优化问题、主问题和对偶问题 的关系。 4.教学环节设计 对应设计课堂讨论、实验和在真实数据上的应用。 第九章 经验风险最小化原则、偏差与方差估计 本章主要知识点包括经验风险最小化原则、偏差与方差估计。 1.教学目标 经验风险最小化原则、偏差与方差估计
本章教学支持课程目标1、4。2.教学重点掌握经验风险最小化原则、偏差与方差估计。3.教学难点经验风险最小化原则、偏差与方差估计。4.教学环节设计对应设计课堂讨论。第十章核方法本章主要知识点包括特征设计、核的设计、通用的核方法、良定义的核、核线性回归和基于核的支持向量机。1.教学目标核方法的基本理论和方法。本章教学支持课程目标1、3、4。2.教学重点掌握通用的核方法、核线性回归和基于核的支持向量机。3.教学难点核线性回归和基于核的支持向量机。4.教学环节设计对应设计课堂讨论和实验。第十一章高斯过程本章主要知识点包括高斯过程的基本理论与方法。1.教学目标高斯过程的基本理论与方法。本章教学支持课程目标1。2.教学重点掌握高斯过程的基本理论与方法以及适用范围。3.教学难点高斯过程的基本理论与方法以及适用范围。4.教学环节设计对应设计课堂讨论，在真实数据上的应用
本章教学支持课程目标 1、4。 2.教学重点 掌握经验风险最小化原则、偏差与方差估计。 3.教学难点 经验风险最小化原则、偏差与方差估计。 4.教学环节设计 对应设计课堂讨论。 第十章 核方法 本章主要知识点包括特征设计、核的设计、通用的核方法、良定义的核、核 线性回归和基于核的支持向量机。 1.教学目标 核方法的基本理论和方法。 本章教学支持课程目标 1、3、4。 2.教学重点 掌握通用的核方法、核线性回归和基于核的支持向量机。 3.教学难点 核线性回归和基于核的支持向量机。 4.教学环节设计 对应设计课堂讨论和实验。 第十一章 高斯过程 本章主要知识点包括高斯过程的基本理论与方法。 1.教学目标 高斯过程的基本理论与方法。 本章教学支持课程目标 1。 2.教学重点 掌握高斯过程的基本理论与方法以及适用范围。 3.教学难点 高斯过程的基本理论与方法以及适用范围。 4.教学环节设计 对应设计课堂讨论，在真实数据上的应用
第十二章KD树与决策树本章主要知识点包括KD树、决策树的基本理论与方法。1.教学目标KD树、决策树的基本理论与方法。本章教学支持课程目标1、3。2.教学重点掌握KD树、决策树的基本理论与方法以及适用范围。3.教学难点KD树、决策树的基本理论与方法以及适用范围。4.教学环节设计对应设计课堂讨论，在真实数据上的应用。第十三章人工神经网络、多层感知机本章主要知识点包括人工神经网络的基本结构和优化方法、多层感知机的基本理论与方法。1.教学目标人工神经网络的基本模型。本章教学支持课程目标1。2.教学重点掌握人工神经网络基础、BP、多层感知机、卷积神经网络的基本模型。3.教学难点BP过程。4.教学环节设计对应设计课堂讨论，在真实数据上的应用。第十四章集成方法（选讲*）本章主要知识点包括集成的思想、Bagging、Boosting的基本理论与方法。1.教学目标Bagging、Boosting的基本理论与方法。本章教学支持课程目标1、3
第十二章 KD 树与决策树 本章主要知识点包括 KD 树、决策树的基本理论与方法。 1.教学目标 KD 树、决策树的基本理论与方法。 本章教学支持课程目标 1、3。 2.教学重点 掌握 KD 树、决策树的基本理论与方法以及适用范围。 3.教学难点 KD 树、决策树的基本理论与方法以及适用范围。 4.教学环节设计 对应设计课堂讨论，在真实数据上的应用。 第十三章 人工神经网络、多层感知机 本章主要知识点包括人工神经网络的基本结构和优化方法、多层感知机的基 本理论与方法。 1.教学目标 人工神经网络的基本模型。 本章教学支持课程目标 1。 2.教学重点 掌握人工神经网络基础、BP、多层感知机、卷积神经网络的基本模型。 3.教学难点 BP 过程。 4.教学环节设计 对应设计课堂讨论，在真实数据上的应用。 第十四章 集成方法(选讲*) 本章主要知识点包括集成的思想、Bagging、Boosting 的基本理论与方法。 1.教学目标 Bagging、Boosting 的基本理论与方法。 本章教学支持课程目标 1、3
2.教学重点掌握Bagging、Boosting的基本理论与方法以及适用范围。3.教学难点Bagging、Boosting的基本理论与方法以及适用范围。4.教学环节设计对应设计课堂讨论，在真实数据上的应用。九、实验内容序号教学目标课程目标教学内容教学方式教师演目标1示、实验+掌握KNN基本原理：能使用KNN解决部分K近邻目标2机器学习基本问题。教师指导目标3+检查教师演掌握逻辑回归基本理论与数学推导：理解目标1示、实验+2逻辑回归逻辑回归的适用场景：能基于模型训练后目标2教师指导目标3的实验现象提出相应的理论解释。+检查教师演掌握朴素贝叶斯基本理论与数学推导：理目标1示、实验+解朴素贝叶斯的三种类型和适用场景：能3朴素贝叶斯目标2基于模型训练后的实验现象提出相应的理教师指导目标3+检查论解释。教师演理解支持向量机模型的理论基础与数学推目标1示、实验+4支持向量机导：理解支持向量机的不同求解方法：具目标2教师指导有编写支持向量机模型代码的能力。目标3+检查教师演目标1基于核的支持理解核函数在支持向量机中的作用：掌握示、实验+5目标2基本公式推导：能区分不同核函数。向量机教师指导目标3+检查教师演理解高斯过程的理论基础与数学推导：理目标1示、实验+6高斯过程解高斯过程的求解方法；具有编写高斯过目标2教师指导程模型代码的能力。目标3+检查十、教与学本课程采用课堂讲授和上机实践相结合的教学模式。教学过程中采用电子教案演示讲解、现场实际演示和共同讨论等方法。1.教学方法
2.教学重点 掌握 Bagging、Boosting 的基本理论与方法以及适用范围。 3.教学难点 Bagging、Boosting 的基本理论与方法以及适用范围。 4.教学环节设计 对应设计课堂讨论，在真实数据上的应用。 九、实验内容 序号 教学内容 教学目标 教学方式 课程目标 1 K 近邻 掌握 KNN 基本原理；能使用 KNN 解决部分 机器学习基本问题。 教师演 示、实验+ 教师指导 +检查 目标 1 目标 2 目标 3 2 逻辑回归 掌握逻辑回归基本理论与数学推导；理解 逻辑回归的适用场景；能基于模型训练后 的实验现象提出相应的理论解释。 教师演 示、实验+ 教师指导 +检查 目标 1 目标 2 目标 3 3 朴素贝叶斯 掌握朴素贝叶斯基本理论与数学推导；理 解朴素贝叶斯的三种类型和适用场景；能 基于模型训练后的实验现象提出相应的理 论解释。 教师演 示、实验+ 教师指导 +检查 目标 1 目标 2 目标 3 4 支持向量机 理解支持向量机模型的理论基础与数学推 导；理解支持向量机的不同求解方法；具 有编写支持向量机模型代码的能力。 教师演 示、实验+ 教师指导 +检查 目标 1 目标 2 目标 3 5 基于核的支持 向量机 理解核函数在支持向量机中的作用；掌握 基本公式推导；能区分不同核函数。 教师演 示、实验+ 教师指导 +检查 目标 1 目标 2 目标 3 6 高斯过程 理解高斯过程的理论基础与数学推导；理 解高斯过程的求解方法；具有编写高斯过 程模型代码的能力。 教师演 示、实验+ 教师指导 +检查 目标 1 目标 2 目标 3 十、教与学 本课程采用课堂讲授和上机实践相结合的教学模式。教学过程中采用电子教 案演示讲解、现场实际演示和共同讨论等方法。 1.教学方法
1）通过课堂讲授，让学生了解如何运用机器学习求解问题的基本方法2）通过合理的实验设计，着力培养学生使用不同机器学习方法解决问题的的工程实践能力；3）以提升完成度为导向的过程管理，执行严格的考勤管理，努力营造良好学习氛围，要求学生在规定地点、时间内集中进行实验；4）营造以学习者为中心的学习环境。每个班配备一名指导教师和助教，对实验过程中出现的技术问题及时与学生沟通与交流，引导学生主动分析与解决问题，指导及时、到位。2.学习方法1）学生要努力实践，通过具体的实践，加深对课堂所学内容的理解，真正达到掌握本课程所学内容的目的；2）掌握有关的基本原理和方法，注重理论指导下的工程实践：3）实验中遇到问题要积极思考，训练发现问题、分析问题、解决问题的能力；同学之间也要主动交流与讨论，遇到难题也可及时与任课老师交流；4）注意对实验结果进行工程化的分析和评价。十一、学时分配序号学时分配主要内容1引言课内22基本数学及信息学理论*课内0+课外43监督学习课内2+课外44K近邻算法课内2+课外45感知机课内2+课外46贝叶斯和概率统计课内2+课外47逻辑回归、线性回归课内2+课外48课内4+课外4支持向量机9经验风险最小化原则、偏差与方差课内2+课外4估计10核方法课内4+课外411高斯过程课内2+课外412KD树与决策树课内2+课外413课内2+课外4人工神经网络、多层感知机14集成方法*课内0+课外4总计40
1) 通过课堂讲授，让学生了解如何运用机器学习求解问题的基本方法； 2) 通过合理的实验设计，着力培养学生使用不同机器学习方法解决问题的 的工程实践能力； 3) 以提升完成度为导向的过程管理，执行严格的考勤管理，努力营造良好 学习氛围，要求学生在规定地点、时间内集中进行实验； 4) 营造以学习者为中心的学习环境。每个班配备一名指导教师和助教，对 实验过程中出现的技术问题及时与学生沟通与交流，引导学生主动分析与解决问 题，指导及时、到位。 2.学习方法 1) 学生要努力实践，通过具体的实践，加深对课堂所学内容的理解，真正 达到掌握本课程所学内容的目的； 2) 掌握有关的基本原理和方法，注重理论指导下的工程实践； 3) 实验中遇到问题要积极思考，训练发现问题、分析问题、解决问题的能 力；同学之间也要主动交流与讨论,遇到难题也可及时与任课老师交流； 4) 注意对实验结果进行工程化的分析和评价。 十一、学时分配 序号 主要内容 学时分配 1 引言 课内 2 2 基本数学及信息学理论* 课内 0+课外 4 3 监督学习 课内 2+课外 4 4 K 近邻算法 课内 2+课外 4 5 感知机 课内 2+课外 4 6 贝叶斯和概率统计 课内 2+课外 4 7 逻辑回归、线性回归 课内 2+课外 4 8 支持向量机 课内 4+课外 4 9 经验风险最小化原则、偏差与方差 估计 课内 2+课外 4 10 核方法 课内 4+课外 4 11 高斯过程 课内 2+课外 4 12 KD 树与决策树 课内 2+课外 4 13 人工神经网络、多层感知机 课内 2+课外 4 14 集成方法* 课内 0+课外 4 总计 40
十二、课程考核与成绩评定1.课程成绩构成课程最终成绩由考勒、课后作业与阅读笔记报告、实验及课堂展示成绩、课程报告综合而成，各部分成绩的比例如下：1）考勤和课堂平时表现：10%。2）三次实验：30%。3）课程报告：60%。课程考核成绩评定如表1所示：表1机器学习课程考核与成绩评定考核与评价方式及成绩比例课程目标毕业要求成绩占比(约）考勤与实验课程报告2014060%课程目标121030课程目标240%2.考核与评价标准1）作业与实验成绩考核与评价标准表2机器学习课程考勤与实验考核与成绩评定课程评价标准目标良好优秀及格不及格按时参加课堂学习，按时参加课堂学按时参加课堂学未按时参加课目标1在规定的时间内完习，能完成全部实习，能完成实验任堂学习，实验目标2成全部实验任务，报验任务，报告撰写务，结果存在少量任务完成情况告撰写优秀。良好。问题，报告撰写基差，结果存在本满足要求。较多问题，报告撰写有间题。2）课程考核与成绩评定根据期末考试的报告评分标准进行评定。机器学习课程组2015年6月制定；2019年12月修订；2021年10月修订
十二、课程考核与成绩评定 1.课程成绩构成 课程最终成绩由考勤、课后作业与阅读笔记报告、实验及课堂展示成绩、课 程报告综合而成，各部分成绩的比例如下： 1）考勤和课堂平时表现：10%。 2）三次实验：30%。 3）课程报告：60%。 课程考核成绩评定如表 1 所示： 表 1 机器学习课程考核与成绩评定 课程目标 毕业要求 考核与评价方式及成绩比例 成绩占比(约) 考勤与实验 课程报告 1 课程目标 1 20 40 60% 2 课程目标 2 10 30 40% 2.考核与评价标准 1）作业与实验成绩考核与评价标准 表 2 机器学习课程考勤与实验考核与成绩评定 课程 目标 评价标准 优秀 良好 及格 不及格 目标 1 目标 2 按时参加课堂学习， 在规定的时间内完 成全部实验任务，报 告撰写优秀。 按时参加课堂学 习，能完成全部实 验任务，报告撰写 良好。 按时参加课堂学 习，能完成实验任 务，结果存在少量 问题，报告撰写基 本满足要求。 未按时参加课 堂学习，实验 任务完成情况 差，结果存在 较多问题，报 告撰写有问 题。 2）课程考核与成绩评定 根据期末考试的报告评分标准进行评定。 机器学习课程组 2015年6月制定;2019年12月修订； 2021 年 10 月修订