《机器学习》是智能科学与技术等相关专业的重要课程。课程围绕机器学习基本概念、典型算法、性能评价、监督学习、无监督学习及项目实践展开，注重培养学生运用编程工具解决实际问题、比较不同方法并完成工程项目的能力。

面对人工智能技术快速发展带来的机遇与挑战，课程组坚持立德树人根本任务，将价值塑造、知识传授和能力培养融入统一的课程设计之中。通过科学史案例、算法评价、实验训练和分层项目，引导学生形成严谨求真、客观审慎、精益求精、守正创新的专业品格。

一、目标引领：让专业知识与价值塑造同向同行

课程以“理论内容＋实践内容”为基本框架，系统梳理每个教学模块可以自然融入的思政元素。在机器学习概述中，从1952年跳棋程序、“深蓝”到“阿尔法围棋”，呈现人工智能发展的历史脉络，引导学生认识科技创新需要长期积累；在决策树学习中介绍算法的跨学科来源，培养多学科融合意识；在分类与回归算法评价中辨析指标含义、欠拟合与过拟合，强调评价结论必须客观、全面并符合实际场景。

实践教学则由房价分析、省域消费支出分析和交通标志识别等项目逐步推进。学生在关注民生、理解区域差异和优化智能识别模型的过程中，体会数据分析的社会责任，形成实事求是、服务社会和精益求精的工程意识。

图1  《机器学习》课程内容、思政内容与思政目标对应关系（原图高清化）

二、协同融入：显性教育与隐性教育相互支撑

在显性融入方面，课程将思政内容有意识地纳入作业、测试和课堂交流，结合人工智能发展史、科学家事迹、前沿领域报告等资源，引导学生了解学科发展背后的求真精神和创新历程。学生不仅学习算法结论，也要理解方法产生的背景，并在阅读、讨论和表达中形成主动思考。

在隐性融入方面，课程把价值判断嵌入实验和项目。例如，在房价预测中比较多种经典回归模型，引导学生运用辩证思维认识不同方法的适用条件；在分类问题中关注样本不平衡带来的评价偏差，讨论人工智能伦理与安全；在项目实施中强调数据来源、处理过程、实验复现和结果解释，反对脱离实际的“唯精度论”。

图2  显性与隐性相结合的课程思政融入形式（原图高清化）

三、实践育人：以真实项目培养创新能力与责任意识

课程采用分层递进的项目训练方式，引导学生将算法知识用于真实问题。学生围绕心脏病预测与分析、网页端手写数字识别、学习成绩与用电量预测、心理情绪问题分析及信用卡欺诈检测等任务，完成数据处理、模型构建、性能评价、结果展示和方案反思。

这些项目具有鲜明的现实指向：医疗和心理相关任务要求关注数据敏感性与结果表达的审慎性；欺诈检测需要处理样本不平衡并理解误判成本；成绩和用电量预测提醒学生不能把相关性简单等同于因果关系；手写数字识别则推动学生把模型训练与网页端部署结合起来，提升综合工程能力。

课程评价不只关注最终精度，还考察问题定义是否合理、实验过程是否规范、模型比较是否充分、结果解释是否客观。学生在解决真实问题的过程中逐步认识到，智能系统既要“能够运行”，更要“可靠、规范、可解释、负责任地运行”。

图3  期末项目完成情况与学生实践创新成果（原图高清化）

四、评价改进：以学习成效检验课程育人质量

课程采用“平时成绩50分＋期末成绩100分×50%”的综合评价方式，将过程学习、实验实践和终结性考核结合起来。三个预期学习效果的平均达成度分别为89.6、73.5和76.75，均达到课程预期要求，表明学生在基本概念、典型模型、方法比较、性能分析和综合项目实践等方面形成了较为稳定的能力基础。

从智能科学与技术专业近三轮成绩对比看，终结性成绩和综合成绩的不及格比例总体下降，良好率与优秀率有所提升，说明课程建设在知识理解、项目实践和综合应用方面取得积极成效。与此同时，课程组也将继续关注学生数学基础、编程能力和工程表达方面的差异，进一步完善分层任务、过程指导与及时反馈。

图4  课程评价、目标达成情况及近三轮学习效果对比（原图高清化）

五、结语：让智能技术有能力，更有温度

机器学习课程思政不是专业内容之外的额外负担，而是对技术如何服务社会、人工智能人才应承担何种责任的具体回答。课程组将继续完善科学史案例、项目库和评价体系，把人工智能伦理、安全、公平、创新与社会责任更加自然地融入算法讲授、实验训练和项目实践。

从一次数据清洗到一次指标选择，从一个模型比较到一个系统实现，课程希望学生获得的不只是算法知识和编程技能，更是尊重事实、遵守规范、理性判断、精益求精和科技向善的价值自觉，成长为有理想、有能力、有责任、有温度的新时代人工智能人才。