與有監督學習2課時(90min)知識技能目標： (1)熟悉機器學習的概念、相關術語、分類和應用場景 (2)理解有監督學習模型 (3)掌握分類任務和回歸任務的基本思想和實現方法思政育人目標： 1)熟悉機器學習原理，增加自身專業知識儲備量，培養精益求精、刻苦鉆研精神 (2)關心國家大事，抓住機遇，展現新作為，增強愛黨、愛國情感 (3)了解科技前沿技術，緊跟時代發展，感受國家強大，增強民族自信心課前任務→考勤(2min)→問題導入(3min)→傳授新知(20min)→新知導入(3min)→傳授新知(50min)→課堂練習(7min)→課堂小結(3min)→作業布置(2min)主要教學內容及步驟設計意圖 (2min) (3min)【教師】布置課前任務，和學生負責人取得聯系，讓其提醒同學通過APPAPP簽到通過課前學生過問題導入的方法， (20min)27.1機器學習概述習機器學習(machinelearning)是通過各種算法從數據中學習如何完 (2)機器學習是研究機器如何獲取新知識和新技能，并識別現有知識 (3)機器學習是研究機器如何模擬人類的學習活動，自主獲取新知識。機器學習的基本思路就是使用一定的算法解析訓練數據(進行模型訓練)；然后學習數據中存在的一些特征，得到模型；最后使用得到的模型對習的相關術語為PPT舉例說明分類通過教師師結合常用的等價式【教師】提醒：從不同的角度，根據不同的方式，可以將機器學習劃分為不同的類別，學習的應用場景數據庫存儲和管理，如政府行政審批、財務、醫療、企業ERP等系統中的用場景”，講解知識【教師】提醒： (3min) (50min)測模型，最后利用測試集對預測模型的性能進行評估的學習方法。【學生】聆聽【教師】導入新的知識點：有監督學習7.2有監督學習督學習過導入趣通過老師學習的流程PPT進行知識分，一部分是訓練數據集，【教師】提醒：它】舉例：有造，不會有相近的概念。新數據進行分類PPT知識講解師】提醒：手寫的數字分為10類，即0~9。 (1)數據預處理。將帶有標簽的數據分為訓練集和測試集，其中，訓 (2)訓練模型。利用訓練樣本的標簽和特征向量，通過機器學習算法 (3)測試模型。利用測試樣本評估預測模型的性能，即計算模型對樣 (4)應用模型。預測模型確定好之后，可將其應用于實際問題中，預在機器識別研究中，分類任務中常用的核心算法有K近鄰分類算法、【教師】安排學生掃描二維碼“K近鄰分類算法”，了解知識則。K分類算法的核心思想是從給定的訓練樣本中尋找與測試樣本“距K (1)計算已知訓練集中各點與當前待分類點之間的距離。】提醒： 離遞增的順序排序。 (3)選取與當前點距離最小的k個點。 (4)確定前k個點所在類的出現頻率。 (5)根據分類決策規則確定分類結果。【教師】提醒：PPT進行提問于【教師】用PPT展示“分類任務(k=3)”圖片，進行舉例說明 【教師】用PPT展示“分類任務(k=9)”圖片，進行舉例說明 (2)如果k=9，離三角形最近的9個鄰居是4個圓和5個正方形，如服從多數原則，k策節點即為非葉子節點，代表某個樣本數據的特征(屬性)；每個分支代表這個特征(屬性)在某個值域上的特征值(屬性值)；每個葉子節點代表一PPT知識講解 (1)決策樹學習的目標是根據給定的訓練集構建一個決策樹模型，且選擇、決策樹的生成和決策樹的剪枝。【教師】提醒：擇泛化能力(即對新鮮樣本的適應能力)好的決策樹。①特征選擇是指選取對訓練集具有分類能力的特征，有利于提高決策【教師】提醒：間。】講授學以修身中相關知識內容77③決策樹的剪枝是指在已生成的決策樹上減掉一些子樹或葉節點，從預剪枝和后剪枝。【教師】提醒：設定一個閾值實現剪枝。用的后剪枝算法有錯誤率降低剪枝(REP)、悲觀剪枝(PEP)等。 (2)決策樹分類的目的是利用決策樹模型對實例進行分類。下面通過策樹 PPT知識講解師】提醒：8【教師】提醒：大。除。⑨對訓練集進行訓練(學習)后得到決策樹。【教師】提醒：任務PPT知識講解函數或回歸模型。若該回歸任務表示對商品價格走勢的預測(x表示年份，解任務的聯系與區別如下。 (2)區別：它們預測結果的數據類型不同。分類任務預測的是一個類9回歸任務中常用的核心算法有K近鄰回歸算法、決策樹回歸算法、貝葉斯回歸算法、支持向量機回歸算法和人工神經網絡等。下面詳細介紹K算法和決策樹回歸算法。 的k個最近鄰居，將這些鄰居的某個(些)特征的平均值賦給該樣本，就可 (1)計算已知訓練集中各點與當前待預測點之間的距離。】提醒：K樣本點間距離的計算方法和K近鄰分類算法中是使用歐氏距離公式或曼哈頓距離公式。 (2)按照距離遞增的順序排序。 (3)選取與當前點距離最小的k個點。 (4)計算選取的k個點在某特征上的平均特征值。 PPT舉例說明【教師】安排學生掃描二維碼“決策樹回歸算法”，了解算法【教師】用PPT展示“決策樹(二叉樹結構)”和“劃分邊界示意”圖片，所在的劃分區間，其對應的輸出值為C。【學生】聆聽、理解決策樹回歸算法的核心問題是選擇切分點與確定輸出值。 (1)切分點是指將訓練集劃分為兩部分的某一特征的值。其中，該特過比較不同劃分的誤差確定的。 (2)輸出值是指劃分的區域所代表的值，通過計算區域內所有特征值PPT舉例說明x【教師】提醒：中，切分點可取切分變量的兩個相鄰取值間任意一點。【教師】用PPT展示“數據劃分(S=1.5)”表格，進行舉例說明 的輸出值，即12(yC)2+i1(yC)2i2x=R(j,s)x=R(j,s)i2PPT舉例說明【教師】用PPT展示“數據劃分(s=6.5)”表格，進行舉例說明 【教師】用PPT展示“數據劃分(S=1.5)”表格，進行舉例說明計算兩部分數據的輸出值，即12PPT舉例說明 【教師】用PPT展示“數據劃分(s=7.5)”表格，進行舉例說明 (7min)12PPT進行講解 (4)設劃分已滿足問題要求，則劃分后得到的區域有4個，即PPT知識講解【教師】提醒：通過課堂生學情讓學生完成簡答題生學情 (1)簡述機器學習的基本思路。 (2)簡述分類任務與回歸任務的聯系與區別。 (1)機器學習是通過各種算法從數據中學習如何完成任務，并獲得完課堂小結 (3min) (2)有監督學習是利用含有標簽的數據集對學習模型進行訓練，然后性能進行評估的學習方法。 (