中国社会科学院大学：通识选修《机器学习》课程教学大纲.pdf_大学文库

中国社会科学院大学《机器学习》课程大纲课程基本信息（CourseInformation）课程编号*学时*学分48116303002312(Course ID)(Credits)(Credit Hours)机器学习*课程名称(CourseName)Machine Learning先修课程无(PrerequisiteCourses)本课程是为想学习如何使用人工智能模型进行本专业相关科学研究和应用的同学开设的一门通识教育课，面向所有专业的本科生。机器学习是人工智能的核心，它是一门多领域交叉学科，学科涉及计算机、自然语言处理、经济学、法学、新闻等多门学科。本课程阐述了机器学习的基本概念和环境配置方法，讲解机器学习的模型和算法，包括分类、回归、聚类、决策树、随机森林、支持向量机、网络爬虫、文本处理（NLP）、Boosting算法、XGBoost算法、神经网络等十几种机器学习模型。介绍如何进行数据获取（爬虫等）、数据预处理、特征工程、建立模型、模型评估以及如何使用这些模型进行本专业的相关数据预测、数据分析的过程，以及如何使用python代码进行经济数据单变量多变量分析、新闻媒体数据和人文学科数据的自然语言处理和分析等。课程会带着你从实战出发，一点点掌握，从浅入深。即使你是程序零基础也*课程简介没关系。老师会解读每一行代码，手把手带着你从零开始，领略机器学习的美妙、带(Description)着你学会使用机器学习的方法来完成自己专业的数据分析及相关科学研究。在课程教学中将马克思主义立场观点方法的教育与科学精神的培养结合起来，积极弘扬中华美育精神，教学方法注重学思结合、知行统一。以知识点讲解为基础、以视频作品实战作为课堂案例贯穿教学，结合翻转课堂和小组作业等形式，由浅入深引导学生学会交叉学科的应用方法，培养学生的探索和创新精神。课程的有趣点在于网络爬虫的方法、模型的建立和使用模型对本专业的数据进行的数据分析和数据预测：课程的重点、难点是掌握一些深层次模型的原理，如果原理理解不了，直接学会如何使用就可以了。课程目标上更关注学生的学习效果；教学实施中更强调对学生学习能力的培养。学业考评中更倾向于过程评价与反馈：考评方法将围绕平时考勤、作业、翻转课堂成果展示和期末考试等几个部分按比例进行。期末以提交论文的形式对学生一学期的学习效果进行评估。Thecourse is a general education courseforstudents whowant to learn howto useartificial intelligencemodels forrelevant scientificresearch and applications in theirmajor. It is open to undergraduate students of all majors.Machine learning is the core ofartificial intelligence, which is a multi-field*课程简介interdisciplinarydiscipline,involvingcomputer,natural languageprocessing,economics,(Description)law,journalismandotherdisciplines.This courseexplains thebasic concepts of machinelearning andenvironmentconfiguration methods,andexplains themachinelearningmodelsandalgorithmsincluding more than a dozen machine learning models such as classification, regression

中国社会科学院大学《机器学习》课程大纲课程基本信息（Course Information）课程编号（Course ID） 11630300231 *学时（Credit Hours） 48 *学分（Credits） 2 *课程名称（Course Name）机器学习 Machine Learning 先修课程（Prerequisite Courses）无 *课程简介（Description）本课程是为想学习如何使用人工智能模型进行本专业相关科学研究和应用的同学开设的一门通识教育课，面向所有专业的本科生。机器学习是人工智能的核心，它是一门多领域交叉学科，学科涉及计算机、自然语言处理、经济学、法学、新闻等多门学科。本课程阐述了机器学习的基本概念和环境配置方法，讲解机器学习的模型和算法，包括分类、回归、聚类、决策树、随机森林、支持向量机、网络爬虫、文本处理（NLP）、Boosting 算法、XGBoost 算法、神经网络等十几种机器学习模型。介绍如何进行数据获取（爬虫等）、数据预处理、特征工程、建立模型、模型评估以及如何使用这些模型进行本专业的相关数据预测、数据分析的过程，以及如何使用 python 代码进行经济数据单变量多变量分析、新闻媒体数据和人文学科数据的自然语言处理和分析等。课程会带着你从实战出发，一点点掌握，从浅入深。即使你是程序零基础也没关系。老师会解读每一行代码，手把手带着你从零开始，领略机器学习的美妙、带着你学会使用机器学习的方法来完成自己专业的数据分析及相关科学研究。在课程教学中将马克思主义立场观点方法的教育与科学精神的培养结合起来，积极弘扬中华美育精神，教学方法注重学思结合、知行统一。以知识点讲解为基础、以视频作品实战作为课堂案例贯穿教学，结合翻转课堂和小组作业等形式，由浅入深，引导学生学会交叉学科的应用方法，培养学生的探索和创新精神。课程的有趣点在于网络爬虫的方法、模型的建立和使用模型对本专业的数据进行的数据分析和数据预测；课程的重点、难点是掌握一些深层次模型的原理，如果原理理解不了，直接学会如何使用就可以了。课程目标上更关注学生的学习效果；教学实施中更强调对学生学习能力的培养。学业考评中更倾向于过程评价与反馈：考评方法将围绕平时考勤、作业、翻转课堂成果展示和期末考试等几个部分按比例进行。期末以提交论文的形式对学生一学期的学习效果进行评估。 *课程简介（Description） The course is a general education course for students who want to learn how to use artificial intelligence models for relevant scientific research and applications in their major. It is open to undergraduate students of all majors. Machine learning is the core of artificial intelligence, which is a multi-field interdisciplinary discipline, involving computer, natural language processing, economics, law, journalism and other disciplines. This course explains the basic concepts of machine learning and environment configuration methods, and explains the machine learning models and algorithms, including more than a dozen machine learning models such as classification, regression

clustering,decision tree,randomforest, supportvectormachine,network crawler,textprocessing (NLP),Boostingalgorithm,XGBoostalgorithm,neuralnetwork,etc.Introducehowto carryoutdataacquisition (crawler,etc.),datapreprocessing,featureengineering,model building,model evaluation,and howto usethesemodels for relevantdataprediction and data analysis of the specialty.And how to usepython codeforunivariatemultivariateanalysisofeconomicdata,natural languageprocessing and analysis of newsmedia data and humanities data.The coursewill take you from the actual practice, a littlebit of mastery, from the shallow to the deep. It doesn't matter if you're a program zerobased.Theteacher will interpretevery lineof code,takeyoufromscratchhandbyhand,appreciate the beauty of machine learning,and teach you how to usemachine learningmethods tocompleteyour own professional data analysisand related scientificresearch.In thecourseofteaching,the educationofMarxiststandpoint,viewpointand methodiscombinedwith the cultivation of scientific spirit, and the spirit of Chineseaestheticeducation is actively carried forward.Theteaching methods pay attention to thecombination of learning and thinking,the unity ofknowledgeand practice.Based on theknowledge point explanation, the practical video works as classroom cases throughoutthe teaching, combined with flipped classroom and group work and other forms,from thesimpletothedeep,guidestudentsto learn theapplicationmethod ofcross-disciplines,cultivatestudentsspiritofexplorationand innovationThe interestingpoint of the course lies in themethod ofweb crawler,the establishmentofthemodel and thedata analysis andprediction of the data ofthis majorbyusingthemodel.Thefocusanddifficultyof the course is tomastertheprinciples of somedeep-seated models. if you cannot understand the principles, you can directly learn howto use them.The curriculum goal pays more attention to the learning effect of students; In teachingimplementation,more emphasisisplaced on thecultivation of students'learningability.Process evaluation andfeedback arepreferred intheacademicevaluation:Theevaluationmethodwill bebasedonseveralparts,suchasattendance,homework,flippedclassroomachievementpresentationandfinalexam,etc.Attheend ofthe semester,students will submit a paper to evaluatethelearning effectofthe semester.*教材《机器学习》·作者：周志华著·出版社：清华大学出版社·ISBN：9787302423287(Textbooks)·版次：1·出版时间：2016-01-01参考资料(OtherReferences)*课程类别■公共基础课/全校公共必修课口通识教育课口专业基础课口专业核心课/专业必修课口专业拓展课/专业选修课口其他(CourseCategory)口线上，教学平台*授课对象*授课模式全校本科生口√线下口混合式口其他(Target Students)(Mode of Instruction)口实践类（70%以上学时深入基层）*开课院系*授课语言口√中文口全外语计算机教研部(School)口双语：中文+(Language of Instruction)（外语讲授不低于50%）

clustering, decision tree, random forest, support vector machine, network crawler, text processing (NLP), Boosting algorithm, XGBoost algorithm, neural network, etc. Introduce how to carry out data acquisition (crawler, etc.), data preprocessing, feature engineering, model building, model evaluation, and how to use these models for relevant data prediction and data analysis of the specialty. And how to use python code for univariate multivariate analysis of economic data, natural language processing and analysis of news media data and humanities data. The course will take you from the actual practice, a little bit of mastery, from the shallow to the deep. It doesn't matter if you're a program zero based. The teacher will interpret every line of code, take you from scratch hand by hand, appreciate the beauty of machine learning, and teach you how to use machine learning methods to complete your own professional data analysis and related scientific research. In the course of teaching, the education of Marxist standpoint, viewpoint and method is combined with the cultivation of scientific spirit, and the spirit of Chinese aesthetic education is actively carried forward. The teaching methods pay attention to the combination of learning and thinking, the unity of knowledge and practice. Based on the knowledge point explanation, the practical video works as classroom cases throughout the teaching, combined with flipped classroom and group work and other forms, from the simple to the deep, guide students to learn the application method of cross-disciplines, cultivate students' spirit of exploration and innovation. The interesting point of the course lies in the method of web crawler, the establishment of the model and the data analysis and prediction of the data of this major by using the model. The focus and difficulty of the course is to master the principles of some deep-seated models. If you cannot understand the principles, you can directly learn how to use them. The curriculum goal pays more attention to the learning effect of students; In teaching implementation, more emphasis is placed on the cultivation of students' learning ability. Process evaluation and feedback are preferred in the academic evaluation: The evaluation method will be based on several parts, such as attendance, homework, flipped classroom achievement presentation and final exam, etc. At the end of the semester, students will submit a paper to evaluate the learning effect of the semester. *教材（Textbooks）《机器学习》•作者：周志华著 •出版社：清华大学出版社 •ISBN：9787302423287 •版次：1 •出版时间：2016-01-01 参考资料（Other References） *课程类别（Course Category） 公共基础课/全校公共必修课 √通识教育课 专业基础课 专业核心课/专业必修课 专业拓展课/专业选修课 其他 *授课对象（Target Students）全校本科生 *授课模式（Mode of Instruction） 线上，教学平台 √线下 混合式 其他 实践类（70%以上学时深入基层） *开课院系（School）计算机教研部 *授课语言（Language of Instruction） √中文 全外语 双语：中文+ （外语讲授不低于 50%）

张戈，讲授《程序设计基础》、《机器学习》、《大学计算机》、《视课程负责人频编辑》、《大数据与数据分析》等课程，近五年授课2000余学时姓名及简介研究方向为机器学习算法、数据分析，正式发表20余篇学术论文，核心多篇，独立编著出版高校教材1部，参与编写2部，主持一*授课教师信息般项目6项，参与重点及一般项目多项。(Teacher Information)团队成员无姓名及简介1、了解人工智能机器学习各模型的原理和相关知识；2、学会python和模型环境配置和搭建，掌握分类、回归、聚类、决策树、随机森林、支持向量机、网络爬虫、文本处理（NLP）、Boosting算法、XGBoost算法、神经网络等机器学习模型。3、掌握数据获取（爬虫等）、数据预处理、特征工程、建立模型、模型评估以及如何学习目标使用这些模型进行本专业的相关数据预测、数据分析的过程；(Learning4、了解如何使用python代码进行经济数据单变量多变量分析、新闻媒体数据和人文Outcomes)学科数据的自然语言处理和分析等。4、通过这门课程的学习，以知识点讲解为基础、以各学科实践案例贯穿课堂，由浅入深引导学生逐步掌握人工智能应用到自己学科领域的方法，培养学生的探索和创新精神，提高学生的动手和解决问题的能力，助力学生进行本专业的相关数据分析和数据预测等。*考核方式总评成绩=平时成绩20%+期末成绩80%(Grading)*课程教学计划（TeachingPlan）填写规范化要求见附件其中周其教学内容摘要课周次实习学讲程他（必含章节名称、讲述的内容提要、实验的名称、教学方法、课堂讨论的题教师验时找目、阅读文献参考书目及作业等）讨t课课节论第一章机器学习基本概念第一节机器学习基本理论1.机器学习五大流派2.机器学习关注的问题3.机器学习的发展阶段4.机器学习研究现状第一周5.机器学习方法分类第二节机器学习建模方式1.有监督学习和无监督学习2.环境搭建及其配置教学方法3.入门实践案例讲授教学实验课：本周实验内容

*授课教师信息（Teacher Information）课程负责人姓名及简介张戈，讲授《程序设计基础》、《机器学习》、《大学计算机》、《视频编辑》、《大数据与数据分析》等课程，近五年授课 2000 余学时，研究方向为机器学习算法、数据分析，正式发表 20 余篇学术论文，核心多篇，独立编著出版高校教材 1 部，参与编写 2 部，主持一般项目 6 项，参与重点及一般项目多项。团队成员姓名及简介无学习目标（ Learning Outcomes） 1、了解人工智能机器学习各模型的原理和相关知识； 2、学会 python 和模型环境配置和搭建，掌握分类、回归、聚类、决策树、随机森林、支持向量机、网络爬虫、文本处理（NLP）、Boosting 算法、XGBoost 算法、神经网络等机器学习模型。 3、掌握数据获取（爬虫等）、数据预处理、特征工程、建立模型、模型评估以及如何使用这些模型进行本专业的相关数据预测、数据分析的过程； 4、了解如何使用 python 代码进行经济数据单变量多变量分析、新闻媒体数据和人文学科数据的自然语言处理和分析等。 4、通过这门课程的学习，以知识点讲解为基础、以各学科实践案例贯穿课堂，由浅入深引导学生逐步掌握人工智能应用到自己学科领域的方法，培养学生的探索和创新精神，提高学生的动手和解决问题的能力，助力学生进行本专业的相关数据分析和数据预测等。 *考核方式（Grading）总评成绩 = 平时成绩 20% + 期末成绩 80% *课程教学计划（Teaching Plan）填写规范化要求见附件周次教师周学时其中教学内容摘要（必含章节名称、讲述的内容提要、实验的名称、教学方法、课堂讨论的题目、阅读文献参考书目及作业等）讲授实验课习题课课程讨论其他环节第一周 3 2 1 第一章机器学习基本概念第一节机器学习基本理论 1. 机器学习五大流派 2. 机器学习关注的问题 3. 机器学习的发展阶段 4. 机器学习研究现状 5. 机器学习方法分类第二节机器学习建模方式 1. 有监督学习和无监督学习 2. 环境搭建及其配置教学方法 3. 入门实践案例讲授教学实验课：本周实验内容