个人介绍
大数据分析技术

主讲教师:陈清华、田启明、施郁文等

教师团队:共5

  • 陈清华
  • 田启明
  • 施郁文
  • 金晓霞
  • 徐时伟
学校: 温州职业技术学院
开课院系: 人工智能学院
专业大类: 计算机科学与技术
开课专业: 大数据技术、软件技术
课程负责人: 陈清华
课程英文名称: Machine Learning
课程编号: C08062
学分: 4
课时: 68
课程简介
使用机器学习技术的产品或服务在我们的生活当中不断普及,被应用于大数据分析、智能驾驶、计算机视觉等领域,并迅速改变生活。本课程以掌握一定的Python语言基础为前提,从具体的十一个精简案例切入,由浅入深、循序渐近展开学习机器学习在不同业务领域中的应用,内容上注重实用性和可操作性。具体涵盖了机器学习流程、有监督学习、无监督学习、数据分析与人工智能应用等需要掌握的基本知识和相应技能。本课程可作为大数据、人工智能、电子商务、软件技术等专业的高职生和应用型本科生学习机器学习、数据分析的入门教材,也可以作为Python提高教程来掌握相关内容,为机器学习方法的深入解读奠定基础。此外,本课程也可提供给工程技术人员作为学习与实践的参考。
教师团队

陈清华

职称:副教授、高级工程师

单位:温州职业技术学院

部门:人工智能学院

职位:专任教师

田启明

职称:教授

单位:温州职业技术学院

部门:人工智能学院

职位:院长

施郁文

职称:副教授

单位:温州职业技术学院

部门:人工智能学院

金晓霞

职称:讲师

单位:温州职业技术学院

部门:人工智能学院

职位:专任教师

徐时伟

职称:讲师

单位:温州职业技术学院

部门:人工智能学院

教学方法

传统的机器学习课程的教学只是针对机器学习方法的理论进行讲授,理论知识点讲完后,没有实践应用配合教学,学生不会灵活地综合各知识点进行数据分析应用,无法真正将所学的知识应用到实际的开发过程中。在信息时代,提倡把“知识”放在问题中,放到现实中,让学生通过收集信息、分析信息、处理信息和运用信息,主动地探索、发现、体验和解决问题,从而培养获取新知识和利用知识进行创新的能力。

为了提高学生的技能和改变以前的教学情况,人工智能学院大数据教研室经过多年的教学模式研究以及培养方案探索,认为项目式、模块化教法更加契合高职需求。本课程要求体现一周项目、学期工程等模块化教法改革,建立可视化的里程碑,激发学习兴趣、提升教学效果。因此,课程整体设计以项目应用为导向,把机器学习相关的知识点嵌入相应的项目实训中,让学生明确如何利于所学的知识来解决问题,通过项目实训和课堂实训巩固所学知识,符合高职学生的认知规律。倡导实施“教、学、做、训”的一体化教学,掌握好知识的同时,能很好的应用所学知识和所学技能,最终使学生切实掌握大数据分析技术,培养学生成为面向社会的实践型人才。

本课程总课时为68学时。通过融入经典的机器学习案例和详尽的实践指导步骤,有利于学生的理解与学习。该课程理念要求充分的调动学生思考和动手能力,先做后教,精讲多练,实验课时约占到了总课时的2/3以上,使学生在“做中学、学中探”,课程均在计算机房完成。


教学条件

本课程的实施必须依赖于一定的教学条件配备,如计算机机房,OFFICE Word 2010软件、Python编程环境等必备的软件平台。

(1)实践教学环境。利用现有学校教学设备,引导学生学习专业知识,构建系统性的教学内容体系。学校拥有实验教学计算机房,可进行开放性实验。教学实验教室拥有计算机、音响等多媒体设备,可供进行计算机程序设计实验之用。这些实验教学的软、硬件资源丰富,能满足程序设计实验的要求。

(2)网络教学环境。利用网络资源,充分调动学生的学习自主性。学校的校园局域网及宽带网均与校内各教学楼、办公室、学生宿舍及教职工住宅区相通,并与国内外Internet网相联,网络教学软件资源齐备,硬件运行环境良好。学生充分利用网络资源,可以了解最新的技术策略和实施方法,培养自主学习的能力。

(3)校外数据资源。引入竞赛项目,以赛促学,以赛促建。


教学目标

总体目标

通过任务引领型的项目活动,旨在使学生掌握大数据分析技术中机器学习方法的基本概念和综合应用技能,包括逻辑回归、K近邻、DBSCAN、K-Means、支持向量机、神经网络、循环神经网络等方法的基本概念,及方法在回归、分类、聚类中的应用。针对不同领域、不同形式的数据及分析需求,结合仿真案例,倡导学生在“做中学”,使学生在认知和实际操作上,对大数据分析技术有一个整体的认识和理解,为提高学生的职业能力奠定良好的基础。

2 具体目标

通过理论和实践教学,使学生掌握大数据分析的核心技术-机器学习方法的基本概念,并培养良好的不同方法的良好应用能力。

2.1 知识目标

主要掌握机器学习基本知识,结合掌握如下知识:

1)数据统计与分析基本流程;

2)经典及热门机器学习方法在数据分析上的应用;

3)机器学习方法的分类及应用场景;

4)回归的基本概念及线性回归、多项式回归方法的应用;

5)分类的基本概念及逻辑回归、朴素贝叶斯、决策树、支持向量机、KNN、随机森林、神经网络等分类方法的应用;

6)聚类的基本概念及DBSCAN、K-Means方法的应用;

7)深度学习的基本概念及CNN、RNN方法的应用;

8)机器学习方法在文本、语音、图像数据上的应用。

2.2 能力目标

能从实际需要出发,完成机器学习算法的综合应用,能提取数据集的特征,对特征进行处理,使用不同的方法对数据进行分析,对不同机器学习方法在应用进行评估。最终,能对模型进行验证和应用。能力目标具体如下:

    1)能使用不同的程序设计语言对不同机器学习方法实现;

    2)能使用第三方库对机器学习方法进行调用和应用;

    3)会针对数据特征、应用环境和硬件约束选择合适的机器学习方法;

    4)能针对具体情况对机器学习方法的参数进行调整;

    5)能将机器学习模型应用至实际应用场景。

2.3 素质目标

    1)培养学生的刻苦钻研的中国工匠精神、举一反三及创新思维。

    2)培养学生知识的综合实践能力和良好的实际动手。

    3)培养学生的集体协作能力、沟通能力和演讲能力,实事求是的学风、严谨的学习态度。

    4)培养严谨的工作作风,利用较综合性项目培养学生对大数据分析工作有直观的了解和认识,使学生胜任今后的工作。

3 具体教学内容                                                                                                                                      

(制作:大数据1802 谢佳佳)

参考教材

       教材是反映教学内容和课程体系的主要标志。为适应新的课程体系和教学内容的改革,本课程采用自编教材《Python与机器学习》,电子工业出版社,陈清华、翁正秋主编。该教材以先案例后知识点讲解的方式进行设计,让学生能够深刻体会到机器学习应用的效果,同时该书还通过大量的实训题目来帮助读者巩固相关的知识点。本网站配套教材如下:

教材:Python与机器学习

主编:陈清华、翁正秋

出版社:电子工业出版社

书号:978-7-121-38176-8

教材链接:http://product.dangdang.com/28525583.html



教学内容
提示框
提示框
确定要报名此课程吗?
确定取消

京ICP备10040544号-2

京公网安备 11010802021885号