课程名称	机器学习基础	授课对象所属专业	软件工程
课程类型	专业课	开课年级	6
课程性质	理论/实践	课程总学时	64

一、课程简介

《机器学习基础》课程围绕学校提出的品德修养毕业要求，建立课程思政目标，并充分发掘课程思政元素，比如马克思主义唯物辩证法、当前国家技术需求、科学家科研的思政故事等。通过项目案例和应用场景与理论内容的深度融合，加强学生对该领域的前沿知识、卡脖子技术的充分认识。将科学方法紧扣实际需求，选取口罩人脸识别、疫情走势分析等围绕时事的题目进行实验实训，培养学生科技报国的责任感。通过多维度的课程思政考核评价，促进品德修养目标达成，从而培养学生思行合一，深度融入人工智能科研创新发展。

通过课程学习，学生应：

1.掌握贝叶斯决策、线性和非线性模型、监督式和无监督式学习的基本原理；

2.通过横纵向思维训练，能够吸收内化前沿的模型学习与分类决策算法、自主建构知识体系；

3.通过自主学习和科研实训，具备场景分析、编程实施、结果评价、方案优化的研究能力，能够解决多领域前沿挑战性问题；

4.通过专业思政训练，具备数据隐私保护伦理、攻坚克难的科学辩证精神和科技报国的家国情怀。

二、案例基本信息

1.案例名称：思辨能力下的串行感知机模型

2.对应章节：深度学习基础-感知机

3.课程讲次：1课时

三、案例教学目标

1.掌握串行感知机的定义和方法，能够用马克思主义辩证法理解参数的关联和优劣，并合理设置参数。

2.能够分析感知机步长和收敛性、全局最优和局部最优的辩证关系，领会在人工智能模型训练中矛盾对立统一和相互转化的辩证思维，以及用以解决问题的方法。

3.理解感知机发明者罗森布拉特的科研思政故事，领会科学精神和技术发展观。

4.能够熟练应用串行感知机，为后续学习神经网络和科研学习夯实基础。

四、案例主要内容

1 《机器学习基础》课程思政目标

《机器学习基础》以人工智能前沿科研驱动，从家国情怀、学术精神、思辨能力、科学职业素养四个维度构建课程思政核心目标，如表1所示。

表1 《机器学习基础》课程思政目标

2 《机器学习基础》课程思政元素

1)马克思主义唯物辩证法、技术发展观

机器学习的算法原理和技术演进本身蕴含着丰富的马克思主义唯物辩证法、发展 观等，对其充分理解有助于培养学生前沿技术发展的思辨能力。在模型训练中，往往需要根据应用场景，抓住主要矛盾并分析矛盾转化，结合参数的功能与优缺 点等，来判定和取舍训练效果。比如，“感知机”在步长调参时，步长值若取太 大，会引起振荡，而取值过小，则收敛很慢，需要寻找折中方案。另外，模型评 估的查全率和查准率，也涉及矛盾对立统一的辩证思想。

从哲学的角度引导学生认识人工智能的技术方法，能够促进学生对核心概念、应用场景、存在问题及未来发展的深刻认识。例如，当前拥有突出能力的深度学习，实际是神经元积累“量变到质变”的结果，它最早的思想源于感知机的 单个神经元。神经网络的发展也充分体现了事物发展的曲折过程，只有不断努力 与改变才能进一步提升。同时，深度学习模型本身也千变万化，极具统一性和多 样性，也蕴含着事物发展的变化规律。

2)习近平新时代中国特色社会主义思想、实践论

在机器学习的实践环节，建立“实践-认识-再实践-再认识”的科研实训理念， 训练自主学习、高阶评价、创新优化的能力，解决复杂挑战性问题。以国家战略、 产业需求、疫情时事、中美贸易战为背景，以习近平新时代中国特色社会主义思想为指导，明确每个实践环节学习研究的初心与使命，激励学生把自身人生规划与国家发展紧密联系。将科研楷模示范故事、实验室的科研案例凝练成课程思政小故事，引导学生克服实践过程的畏难情绪，树立科研学习志趣、求真务实态度、科技报国决心。同时，机器学习的实际问题大多以大数据驱动，因此在实践中还应具备的数据隐私保护等职业素养。

（一）重点

1.感知机算法过程、收敛性、最优解讨论。

根据训练样本的读入方式不同，感知机分为串行和并行处理方式。本节课主要讲授串行感知机模型，其算法过程并不复杂，但是相关的收敛性和最优解计算，蕴含着马克思主义的辩证原理，是本节课重点之一。

解决方法：可视化算法过程+思政讨论。通过可视化，将参数的更新和调整过程的关键步骤直观展示。针对步长和收敛性、全局和局部最优值等内容，采用课堂引导和讨论方式，促进学生主动思考辨析。

2.感知机的重要性。

感知机不仅传递出后续机器学习模型的误差反馈和改进的原始思想，也是人工神经网络的神经元基本组成，在神经网络、深度学习的人工智能技术发展史上，具有极其重要的作用。

解决方法：课程思政小故事。以科学家科研故事的方式进行阐述，能够带动学生产生共鸣。

（二）难点

1.如何提升感知机的泛化能力?

感知机模型简单，可以通过设置边界约束提升泛化能力。

解决方法：课堂引导+设疑+阐释。学生拓展思维，为科研学习打基础。

五、案例教学设计

根据训练样本的读入方式不同，感知机分为串行和并行处理方式。本节课主要讲授串行感知机模型。

(一)导入主题

教学内容：串行感知机模型。

教学设计：引出问题，启发式讲授。

问题：数据输入如果是一个一个串行给出，感知机模型的算法过程如何?

(二)展开阐述

串行感知机的算法过程并不复杂，但是传递出机器学习的误差反馈和改进的重要思想影响深远。

从两个方面来掌握串行感知机算法基本过程。

教学设计：启发阐释，可视化参数更新。课程思政研讨。

1.目标函数：损失最小化，损失即为错误分类的样本。

根据目标函数的不同设计不同的线性判据算法。首先，进行预处理。

步骤1:将两个参数合为一个参数a,线性判据改写为：

设

步骤2:将C₂类的训练样本全部取反：

从而得到：

预处理后两个类的输出值都为正数。预处理的几何解释：在几何上，通过在特征空间上增加一个维度，使得决策边界可以通过原点(

项)。翻转C₂类的样本：得到一个平面使得所有样本位于该平面同一侧。

目标函数：如果当前样本是错误分类了，则以它的输出值取反作为目标函数。否则，目标函数是0。

2.优化算法：梯度下降法。

通过可视化，将参数的更新和调整过程的关键步骤直观展示，可以让学生直观了解并掌握感知机的工作原理。如图1所示

图1 梯度下降算法的调整过程

课程思政：

梯度下降法是最基本的优化方法。在串行感知机中，梯度下降的步长设置，体现了马克思主义辩证思想。过大的步长可能造成振荡，难以收敛；步长过小，严重影响算法速度。通常，在实际应用中，在梯度下降迭代初期，设置较大步长，在接近最优解时，设置小步长，保证算法收敛。这也应用了矛盾对立统一和相互转化的原理。

上述思想在人工智能模型的调参过程得到广泛应用。在人工智能算法设计优化时，能够从实际出发，应用马克思主义矛盾分析方法，了解参数设置和模型效果的辩证关系，能够有效培养学生对前沿技术发展的思辨能力。

(三)深入研讨

教学设计：问题引导，辩证分析，思政融合。

停止条件：如果训练样本是线性可分的，感知机算法理论上收敛于一个解。但是否就是全局最优解?

课程思政：

感知机的误差反馈，逐步逼近最优解，也体现了科研探索和试错的过程。当前人工智能技术和应用越来越复杂，因此很难构建逻辑上一步到位的模型。只有勇于不断尝试和调整，才有机会获得理想的数据结果。

(四)巩固提高

教学设计：可视化分析阐释。

约束条件：缩小解域，提高感知机的泛化性能。

例如，在两类线性判据中，加入边缘(margin)约束b,得 到如下约束条件

加入约束后，使得解域范围收缩。沿着每个样本向量

方向的收缩距离为：

。如图：

图2 感知机解域范围收缩过程

(五)总结升华

教学设计：科学家科研故事。

感知机的历史意义:

感知机是Frank Rosenblatt在1957年提出，是人工神经网络创立者。感知机是单个神经元的雏形，是神经网络和深度网络的基石。

Hebb在1949年出版的《行为的组织》中提出了其神经心理学理论。Hebb认为神经网络的学习过程最终是发生在神经元之间的突触部位，突触的联结强度随着突触前后神经元的活动而变化，变化的量与两个神经元的活性之和成正比。

康奈尔航空实验室心理学家Frank Rosenblatt受到这种思想的启发，提出了感知机，并认为其足以创造一个可以学会识别物体、能够识别出人并叫出他们的名字，立即把演讲内容翻译成另一种语言并写下来的机器。感知机提出引起巨大的轰动，他本人也极力推广他的模型。

但是1969年，Minsky和Papert所著的《Perceptron》一书出版，该书从数学角度证明了关于单层感知器的计算具有根本的局限性，甚至连XOR这样的问题也不能解决。感知机发明者Frank Rosenblatt郁郁不得志，最终沉湖而亡。人工神经网络进入了萧条期。

但十几年后，随着逻辑回归和神经网络的提出，证明了感知机的价值。一直到如今的深度学习，感知机都是其基本思想来源之一。

课程思政：

坚持理想信念，保持科研工作者的初心，是尤为重要的。

六、教学反思

感知机模型在人工智能发展史上具有开创性贡献。它不仅传递误差反馈和学习的重要思想，也是神经元雏形，奠定了神经网络、深度学习的发展基石。

感知机模型的算法过程，蕴含着人工智能技术发展的马克思主义辩证法、发展观。通过问题引导、启发式讲授，将课程思政深度融合，能够有效促进学生从事物发展的本质规律出发，辩证分析和思考。引导学生领会并灵活运用马克思主义原理，能够对人工智能的基本理论、核心技术、前沿发展有更深刻的认识，也有助于高阶思维训练，提升解决复杂问题能力。

在教学过程中，充分利用启发式、互动式、小故事讲述等方法，将课程思政融入知识内容，并指导学生课后通过博客等记录心得体会，能够容易让学生产生认同感，达到同频共振。

软件工程教研室供稿

责编：魏东平 审核：董西伟 王超