《人工智能综合创新》教学大纲

《人工智能综合创新》教学大纲适用范围：202X版本科人才培养方案课程代码：22160143课程性质：综合创新课学分：2学分周数：2周先修课程：机器学习、深度学习与应用并修课程：毕业设计适用专业：人工智能专业开课单位：智能工程学院一、课程说明《人工智能综合创新》是学生获得专业创新知识的重要环节之一，是人工智能专业教学计划所设的重要综合性创新教学环节，是学生理论联系实际创新的课堂，为实现专业培养目标起着重要作用。人工智能综合创新是学生在实习前已学完所有基础理论课程，并进入《自然语言处理》、《智能驾驶专题》、《智能机器人技术创新》等专业课程的学习；在综合创新中应深入实际，认真学习，获取直接知识，巩固所学理论，完成人工智能综合创新中所布置的各项工作任务，培养和锻炼独立分析问题和解决问题的能力。二、课程目标通过本课程的学习，使学生达到如下目标：课程目标1：熟练掌握人工智能研发所需要的基础编程知识。课程目标2：能够运用编程知识对人工智能问题提出解决方案。课程目标3：强调培养学生的动手能力和团队协作能力；同时在项目开发过程中培养基本操作规范和安全意识，树立正确的审美观念和劳动观念。课程目标4：强调培养学生的动手能力和团队协作能力；要求学生通过编写程序来实现人工智能领域中基础程序设计。促使学生形成良好的世界观、人生观和价值观，同时在项目开发过程中培养基本操作规范和安全意识，树立正确的审美观念和劳动观念。三、课程目标与毕业要求《人工智能综合创新》课程教学目标对人工智能专业毕业要求的支撑见表1。表1课程教学目标与毕业要求关系毕业要求指标点课程目标支撑强度1.工程知识:具备数学、自然科能够将数学、自然科学、工程基础和专业知识用于解决人工智能及交叉应用领域工程问题。1.2系统掌握人工智能领域的工程基础和专业知识，包括计算机硬件、软件及系统等方面内容，了解通过人工智能系统工程问题的基本方法；1.4分析人工智能系统的复杂性，应用相关知识和数学模型方法用于专业工程问题解决方案。课程目标1：熟练掌握人工智能研发所需要的基础编程知识。M3.设计/开发解决方案：能设计针对人工智能及交叉应用领域工程问题的解决方案和满足特定需求，并在设计中体现创新意识，考虑社会、环境、健康、安全、法律、文化等因素。3.2设计针对人工智能领域复杂工程问题的解决方案，包括设计或开发满足特定需求和约束条件的软硬件系统、模块或算法流程，并能够进行模块和系统级优化。课程目标2：能够运用编程知识对人工智能问题提出解决方案。H9.个人和团队：能在多学科背景下的团队中承担个体、团队成员以及负责人的角色。9.2能够明确团队中每个角色的含义及作用，能够胜任在团队中所承担的个体、团队成员以及负责人等角色，并承担相应的责任；9.3具备与团队成员有效的沟通能力，并能够促进和组织成员之间协同开展工作课程目标3：强调培养学生的动手能力，要求学生通过编写程序来实现人工智能综合创新应用。M12.终身学习：具有较强的终身学习意识和不断学习、适应社会经济和工程技术发展的能力。12.1了解人工智能技术发展中过程中的历史背景，跟踪和了解专业领域的国内外发展趋势和行业热点问题；12.2具有自主学习和终身学习的意识，并掌握自主学习的方法和途径。课程目标3：强调培养学生的动手能力，要求学生通过编写程序来实现人工智能综合创新应用。M注：表中“H（高）、M（中）”表示课程与相关毕业要求的关联度。四、教学内容、教学要求与学时分配《人工智能综合创新》的教学内容、教学方式与学时分配见表2。表2教学内容、教学要求与学时分配教学内容教学要求，教学重点难点教学方式课时安排对应的课程目标1.简介机器学习、人工智能与深度学习之间的关系，深度神经网络和主流的人工智能工程应用开发框架。详解PyTorch开发环境的安装与测试。教学要求：使学生了解人工智能技术发展的历史背景和过程，跟踪和了解人工智能专业领域的国内外发展趋势和行业热点问题。重点：PyTorch开发环境的安装与测试；难点：PyTorch开发环境的安装与测试。讲授与录像教学1天12.介绍PyTorch的编程基础和可视化，并实践基于PyTorch应用开发框架的手写数字识别的编程实践。教学要求：掌握以PyTorch2.0版本的运行模式编写MNIST手写数字识别的实践。重点：MNIST手写数字识别的PyTorch实践；难点：MNIST手写数字识别的PyTorch实践。讲授与录像教学3天23.通过卷积神经网络在图像识别方面的应用来讲解卷积神经网络的基本原理以及利用PyTorch来实现CIFAR-10图像分类。教学要求：掌握PyTorch深度学习架构；利用Torchvision导入和标准化CIFAR10训练和测试数据集；定义卷积神经网络；定义损失函数；在训练数据上训练网络；在测试数据上测试网络。重点：利用Torchvision导入和标准化CIFAR10训练和测试数据集；难点：利用Torchvision导入和标准化CIFAR10训练和测试数据集。讲授与录像教学3天24.通过图像风格迁移技术的原理引入基于卷积神经网络的图像风格迁移，进一步导入PyTorch的图像风格迁移实践。教学要求：了解图像风格迁移技术的原理。掌握PyTorch架构下的图像风格迁移实践中图像内容损失、图像的风格损失、模型搭建和参数优化、训练新定义的图像风格迁移网络模型。重点：图像内容损失、图像的风格损失；难点：训练新定义的图像风格迁移网络模型。讲授与录像教学3天35.简介多模型融合优势与意义。详解基于PyTorch深度学习架构的多模型训练、多模型测试和多模型输出融合。教学要求：了解多模型融合的相关基础知识及理论。掌握基于PyTorch多卷积神经网络模型构建；训练数据集对多个模型训练和对参数的优化；融合模型的验证集预测；多模型预测结果的加权平均融合。重点：基于PyTorch多卷积神经网络模型构建；难点：训练数据集对多个模型训练和对参数的优化。讲授与录像教学4天3合计14天（2周）五、教学方法及手段课程教学以课堂讲授为主，结合工程实践、实验、作业、慕课、学习通等资源，配合多媒体课件等共同课完成堂授课内容。采用E-mail、钉钉、微信等交流工具，加强和学生之间的交流和沟通。通过讨论、辩论形式，使学生们在实践过程中带有任务、有目的、针对性强，从而激发了学生的学习的主动性和积极性，培养了学生的团队精神，锻炼了学生的才干，激发学生创新能力。六、考核与成绩评定1.考核方式及成绩评定实习采用优、良、中、及格、不及格五级评分制。即90分以上为优，80~89分为良，70~79分为中，60~69分为及格，60分以下为不及格。总成绩分四部分：实习表现、实习报告、实习总结和实习答辩。其中：(1)实习表现占40%，无故旷课达3次取消总成绩；(2)实习报告占30%；无故不交实习报告取消总成绩；(3)实习总结占10%；无故缺少实习总结取消总成绩；(4)实习答辩占20%。无故缺席实习答辩取消总成绩；2.成绩评定标准考核内容、评价标准、所占比重见表4。表4考核方式评价标准考核/评价环节所占比重(%)考核/评价细则对应课程目标100>x≥9090>x≥8080>x≥7070>x≥60x<60实习表现40正常参加实习，无迟到、早退情况，认真听讲，笔记完整。正常参加实习，无迟到、早退情况，认真听讲，笔记基本完整。正常参加实习，无迟到、早退情况，认真听讲，笔记不全。正常参加实习，无迟到，偶尔早退，笔记不全。缺席实习较多，无实习笔记。1、2实习报告30报告内容全面、详实，字迹工整，课程建议好。报告内容全面、详实，字迹工整，课程建议认识不到位。报告内容较全面、详实，字迹较工整，课程建议认识不到位。报告内容不全面，字迹较差。报告内容不全面，字迹较差，字数未达到要求。1、2实习总结10总结内容全面详实，完整，思路清晰，有独到的见解和认识，字迹工整。总结内容全面详实，完整，思路清晰