中国海洋大学本科生课程大纲
课程名称 | 计算机视觉与机器学习初探 | ||||
Fundamentals of Computer Vision and Machine Learning | |||||
课程代码 | 008501101057 | 责任教师 | 刘鹏 | ||
课程属性 | 通识教育 | 课程性质 | 选修 | ||
学分 | 2 | 总课时 | 32 | ||
理论课时 | 32 | 实践课时 | 0 | 课外学时 | 16 |
一、课程介绍
1.课程描述（中英文）：
本课程旨在介绍计算机视觉与机器学习研究现状、发展历史，及目前主流的机器学习方法及其在计算机视觉中应用。阐述人工神经网络的工作原理。使选课学生对国际上机器学习研究及应用领域的现状和发展有较全面地了解。
This course aims to introduce the current research status and development history of computer vision and machine learning, as well as the mainstream machine learning methods and their applications in computer vision. Explain the working principle of artificial neural networks. Enable elective students to have a comprehensive understanding of the current status and development of machine learning research and applications internationally.
2.设计思路：
人工智能是以计算机科学为基础，研究使计算机来模拟人类的某些思维过程和智能行为，以便能够更快速准确地为生活中各方面、社会中各领域存在的实际问题提供解决方案。本课程聚焦人工智能中基础数学工具、特征抽取与模式分类、深度学习、计算机视觉等几大主题，通过问题导向和探究式教学，将人工智能理论和方法融入解决问题的过程中，强调思维和能力的培养。
3.课程与其他课程的关系：
选课学生应完成微积分、线性代数、概率论与数理统计等先修课程，并掌握一门编程语言。
二、课程目标
本课程将最新的科技进展介绍给学生,让学生了解计算机视觉与机器学习发展前沿，通过课程学习，学生能够理解人工智能基本理论和方法，学会用人工智能基本方法对实际问题进行建模、寻求有效解法，进而对求解结果进行科学分析和解释；认识科学研究从未知到已知、再从已知中探寻未知的发展规律，提升基于人工智能的多学科交叉思维、应用能力和创新能力；提升学生科学素养和辩证思维能力，培养不断探索的科学精神、激发科技报国的使命感。
三、学习要求
要达到课程的教学目标，学生须做到以下几项：
（1）按时上课,上课认真听讲，积极参与课堂讨论、随堂练习。
（2）对课程内容的学习有反思，对课堂讨论的结果有总结。
（3）按要求认真完成实验报告、课程论文，
四、教学进度
序号 | 专题 或主题 | 计划课时 | 主要内容概述 | 思政点 或实验实践内容 或课外练习内容 |
1 | 计算机视觉及机器学习的现状与发展历史 | 2 | 1.1课程简介 1.2课程内容及要求 1.3机器学习简史 1.4课程引导——深度学习简介 | |
2 | 什么是机器学习，以单变量线性回归为例 | 4 | 2.1机器学习的定义 2.2监督学习与无监督学习 2.3单变量线性回归 （1）模型描述 （2）代价函数 （3）梯度下降 （4）线性回归的梯度下降 | |
3 | 机器学习的数学基础 | 2 | 3.1矩阵和向量 3.2加法和标量乘法 3.3矩阵向量乘法 3.4矩阵乘法 3.5矩阵乘法特征 3.6逆和转置 | |
4 | 多变量线性回归 | 4 | 4.1多维特征 4.2多变量梯度下降 4.3梯度下降法实践1-特征缩放 4.4梯度下降法实践2-学习率 4.5特征和多项式回归 4.6正规方程 | 课外练习：单变量与多变量线性回归作业（开分店问题） |
5 | Octive安装及应用简介 | 2 | Octive基本语法 | |
6 | 逻辑回归 | 2 | 6.1分类问题 6.2逻辑回归假设函数 6.3代价函数 6.4梯度下降 6.5高级优化 6.6多类别分类 | 课外练习：逻辑回归作业（学生录取问题） |
7 | 正则化 | 2 | 7.1过拟合问题 7.2正则化代价函数 | |
8 | 人工神经网络 | 6 | 8.1神经网络结构 8.2前向传播算法 8.3特征的直观理解 8.4损失函数 8.5反向传播算法 8.6反向传播算法的直观理解 8.7梯度检查 | 课外练习：1.多类别分类与神经网络 2.神经网络训练 |
9 | 卷积及卷积神经网络 | 6 | 9.1卷积与图像处理 （1）卷积的定义 （2）卷积示例 （3）卷积与图像去噪 （4）卷积与边缘提取 （5）卷积核组纹理特征表示应用 9.2卷积神经网络 （1）卷积层 （2）激活函数 （3）池化(pooling) （4）经典卷积网络结构 | 课外练习：卷积神经网络及其视觉问题应用（手写数字识别、cifar10图像分类） |
10 | 计算机视觉与CNN发展概述 | 2 | 10.1 CNN的发展演化 10.2图像分割 10.3目标检测 10.4生成对抗网络(GAN) 10.5超分重建 | 思政点：介绍著名的华人学者：吴恩达、李飞飞、何凯明等在计算机视觉领域的贡献；以及近几年计算机视觉顶级会议CVPR、ICCV、ECCV中来自国内的有影响力的论文，增强学生的民族自豪感。 |
五、参考教材与主要参考书
1.周志华《机器学习》，清华大学出版社，2016
2.伊恩古德费洛等《深度学习》，人民邮电出版社，2017
3.D.A.福赛斯等《计算机视觉》，电子工业出版社，2017
六、成绩评定
（一）考核方式C ：A.闭卷考试 B.开卷考试 C.论文 D.考查 E.其他
（二）成绩综合评分体系：
成绩综合评分体系 | 比例% |
1. 作业 | 60% |
2.课堂表现 | 2% |
2.期末论文+答辩展示 | 38% |
总计 | 100% |
七、学术诚信
学习成果不能造假，如考试作弊、盗取他人学习成果、一份报告用于不同的课程、擅自使用AI平台等，均属造假行为。他人的想法、说法和意见如不注明出处按盗用论处。本课程如有发现上述不良行为，将按学校有关规定取消本课程的学习成绩。
八、大纲审核
教学院长： 院学术委员会签章：
