一、课程简介

（一）课程中文简介

机器学习实验课程的目标要求学生在掌握机器学习的基本概念、基本原理和基本方法的基础上，能应用机器学习模型和算法解决实际问题的范例。课程围绕机器学习课程的主要教学内容，设置了6个典型实验，让学生编程实现，深入理解机器学习模型和算法。主要实验内容包括梯度下降法实验、线性回归与Logistic回归实验、支持向量机实验、决策树与随机森林实验、神经网络与深度学习实验、无监督学习实验等实验项目。通过实验，能够发挥学生的主动性，研究探讨机器学习模型与算法实现过程，提出并积极验证和探索自己的思路，从而更好地掌握知识，培养学生的理论联系实际能力和创新能力,最终提高他们发现问题、分析问题和解决问题的能力。

（二）课程英文简介

The goal of theMachine LearningExperiments requires students to master the basic concepts, principles, and methods ofmachine learning, based on which solve practical problems and cases. This course focuses on the main teaching content of machine learning, and sets up 6 typical experiments for students to program and realize, so as to have an in-depth understanding of machine learning models and algorithms. The main experimental contents include gradient descent experiment, linear regression andlogistic regression experiment, support vector machine experiment, decision tree and random forest experiment, neural network and deep learning experiment, unsupervised learning experiment and other experiments. Through these experiments, students can initiatively study the implementation of themachine learning models and algorithms, actively propose and verify their ideas to better grasp knowledge,andcultivate their practical and innovation ability to find, analyze and solve real-life problems.

二、实验课程目标

CO1：掌握机器学习的基本概念、基本原理、基本模型和基本方法，掌握梯度下降算法，应用线性回归与Logistic回归、支持向量机、决策树与随机森林、神经网络与深度学习、无监督学习实现分类问题的求解。

CO2：综合运用机器模型和方法，设计算法并编程实现，能够应用机器学习技术解决复杂工程问题。

CO3：掌握机器学习模型的评价方法，分析、评估实验结果，完善学习系统的性能。

课程目标与所支撑的毕业要求指标点的对应关系如表1所示。

表1课程目标与所支撑的毕业要求内涵观测点的对应关系

三、实验内容与要求

（一）实验设计（实验类型及内容）

基于CG系统或腾讯云教学管理平台编程实现经典机器学习模型和算法，主要包含6个实验：梯度下降算法实验，线性回归与Logistic回归实验、支持向量机实验、决策树与随机森林实验、神经网络与深度学习实验、无监督学习实验。演示性实验占16.7%，验证性实验占16.7%，设计研究性实验占33.3%，综合性实验占33.3%。具体实验内容如下：

实验1梯度下降算法实验（演示性）

掌握梯度下降（Gradient Descent）的工作原理，解释梯度下降算法可能降低目标函数值的原因。编程实现一维梯度下降、多维梯度下降以及随机梯度下降算法。使用适当的学习率，沿着梯度反方向更新自变量可能降低目标函数值。梯度下降重复这一更新过程直到得到满足要求的解。

实验2线性回归与Logistic回归实验（设计研究性）

了解机器学习和回归的关系、一元线性回归的基本思想和数学原理，熟练的使用Sklearn提供的一元线性回归库，将一元线性回归应用到真实世界中的预测商品价格、成本评估等问题中。掌握逻辑回归的原理，掌握如何使用逻辑回归解决实际问题。

实验3支持向量机实验（验证性）

掌握SVM算法原理，熟悉SVM算法的初步应用，使用Sklearn库创建SVM模型,并应用SVM算法实现分类问题的求解，如手写识别问题、构建垃圾邮件分类器以及变色鸢尾预测问题的核方法等。

实验4 决策树与随机森林实验（设计研究性）

掌握决策树算法的基本原理，在决策树各个结点上对应信息增益准则选择特征，递归地构建决策树，依靠训练数据构造了决策树之后，我们可以将它用于实际数据的分类，使用Sklearn实现基于决策树的隐形眼镜预测。掌握集成学习的基本思想和随机森林的基本原理，应用随机森林分类算法实现墨渍数据分类、发声者性别判断、实现信用卡欺诈检测等问题。

实验5神经网络与深度学习实验（综合性）

通过本实验掌握人工神经网络的原理，理解深度学习的基础知识和其他高级深度学习算法的学习。本实验首先对人工神经网络的原理做介绍并配合一系列小的实验加深理解，之后使用TensorFlow基于人工神经网络实验实现手写数字识别、乳腺癌诊断、车牌号码识别等实验。

实验6无监督学习实验（综合性）

熟悉和掌握无监督学习中的降维技术，实现基于PCA月亮数据集降维以及基于线性判别分析法手写数字数据降维；掌握K均值聚类算法，实现墨渍数据聚类、地图上的点进行聚类等。

表2 实验内容与课程目标对应关系

（二）实验内容及要求

表3 实验内容与要求

四、实验设备与环境配置

1. 计算机：Intel Core2 Duo E4300 1.8GHZ、内存512MB、硬盘15GB以上。

2. 开发环境：CourseGrading 计算机专业课一体化平台、腾讯云教学管理平台

3. 实验题目及结果：学生在程序在线评测系统进行实验，通过撰写的实验报告进行实验成绩评定，或使用系统题库的由系统判定实验结果。

五、课程思政、创新创业元素

六、主要参考资料

[1]王磊.机器学习算法导论.北京：清华大学出版社，2019．

[2]周志华.机器学习[M].北京：清华大学出版社，2015．

[3]吴军.数学之美[M].北京：人民邮电出版社，2014．

[4]王晓东.算法设计与分析（第四版）[M].北京：清华大学出版社，2018．

[5]哈林顿，李锐. 机器学习实战 : Machine learning in action[M]. 人民邮电出版社, 2013.

[6]李航. 统计学习方法[M]. 清华大学出版社, 2012.

[7]吴恩达机器学习. https://study.163.com/course/introduction/1210076 550.htm

七、考核方式、方法及实验成绩评定方法

考核成绩可以采用五级制或百分制。课程成绩考核主要由平时成绩组成，可以进行期末考核。平时考核包括出勤、展示、各次实验考核等形式。

（一） 评分标准

表4 实验评分标准

（二）实验项目（或考核环节）权重

表5 实验课程目标与实验项目（或考核环节）对应关系

撰稿人：亓亮

审核人：崔宾阁

批准人：崔宾阁