《神经网络与深度学习》课程教学大纲

《神经网络与深度学习》教学大纲课程名称：神经网络与深度学习课程编号：2291英文名称：NeuralNetworksandDeepLearning学时：48学时 学分：3学分开课学期：第6学期适用专业：数据科学与大数据技术课程类别：理论+上机课课程性质：专业核心课先修课程：Python程序设计、数据采集与清洗、算法设计与分析、数据挖掘与机器学习一、课程的性质及任务《神经网络与深度学习》课程是数据科学与大数据专业学生的专业核心课，该课程主要介绍常见人工神经网络实现深度学习的基本过程以及为实现深度学习进行人工神经网络设计的基本方法。本课程具有很强的实践性，通过具体的实验案例驱动教学，提升学生实际应用编程能力，初步掌握运用神经网络与深度学习的基本原理和主要方法编程进行软件仿真，解决科研工作中的实际问题，为学生开展相关领域的研究奠定基础。依据河北工程大学数据科学与大数据专业培养计划，本课程需要培养学生的能力是：能够将数据科学与大数据技术相关知识用于大数据工程问题解决方案的比较与综合（毕业要求指标1.4）能够站在环境保护和社会可持续发展的角度思考大数据工程实践的可持续性，评价产品周期中可能对人类和环境造成的损害和隐患。（毕业要求指标7.2）能够主动与其他学科背景的成员合作开展工作（毕业要求指标9.2）二、课程目标与要求2.1课程目标1、本课程的目的是提高学生对神经网络与深度学习的发展、基本原理和基本概念的理解。2、培养学生计算思维和研究办法以及发现、辨析和解释科学计算与数据科学领域基本现象的能力。3、通过实验、课程设计和项目制作等环节，使学生理解并掌握神经网络与深度学习关键技术。4、以团队合作方式让学生了解目前常用（深度）神经网络，了解学科发展前言，培养学生自我更新知识的能力。5、掌握信息数据分析的基本方法，培养学生数据分析能力。6、通过课程项目的实践应用，掌握神经网络实现技术，培养学生问题发现与解决能力。7、培养学生书面表达与口头答辩能力。8、培养学生个人分工与团队合作能力。

神经网络与深度学习教学大纲PAGE16PAGE3172.2课程目标与毕业要求对应关系课程目标毕业要求二级指标毕业要求12345678●●●1-4能够将数据科学与大数据技术相关知识用于大数据工程问题解决方案的比较与综合。1.工程知识应用能力：具有扎实的数学与自然科学知识和工程基础，系统地掌握数据科学与大数据技术领域的基本理论、基础知识，并综合运用所学知识解决复杂工程问题。●●7-2能够站在环境保护和社会可持续发展的角度思考大数据工程实践的可持续性，评价产品周期中可能对人类和环境造成的损害和隐患。7.环境和可持续发展：具有环境保护和可持续发展意识，能够理解和评价针对大数据应用领域的复杂工程问题的工程实践对环境、社会可持续发展的影响。●●●●9-2能够主动与其他学科背景的成员合作开展工作。9.个人和团队：具有健康的体魄和良好的综合素质，能够正确理解多学科背景下团队中个体、团队成员以及负责人的角色，并承担其责任与义务。2.3课程目标与培养环节对应矩阵序号课程目标理论教学课内实验课后作业1本课程的目的是提高学生对神经网络与深度学习的发展、基本原理和基本概念的理解。HL2培养学生计算思维和研究办法以及发现、辨析和解释科学计算与数据科学领域基本现象的能力。HL3通过实验、课程设计和项目制作等环节，使学生理解并掌握神经网络与深度学习关键技术。HL4以团队合作方式让学生了解目前常用（深度）神经网络，了解学科发展前言，培养学生自我更新知识的能力。HL5掌握信息数据分析的基本方法，培养学生数据分析能力。MH6通过课程项目的实践应用，掌握神经网络实现技术，培养学生问题发现与解决能力。MM7培养学生书面表达与口头答辩能力。MM8培养学生个人分工与团队合作能力。HL注：H表示该能力的在此环节重点培养；M表示该能力在此环节有应用要求；L表示该能力在此环节有所涉及。数字图像处理课程教学大纲PAGE2PAGE3252.4目标达成度的评价1、课程目标1、2、3、4主要通过理论教学环节进行培养，在课后作业中有所涉及。主要通过课堂测试、课后作业和期末考试中概念性、原理性题目进行考核。目标达成综合以上内容进行评价。2、课程目标5主要通过理论教学环节、课后作业进行培养，在课内实验有应用要求。目标达成综合以上内容进行评价。3、课程目标6主要通过理论教学环节进行培养。目标达成综合以上内容进行评价。4、课程目标7主要通过理论教学环节进行培养，在课后作业、课内实验有应用要求。目标达成综合以上内容进行评价。5、课程目标8主要通过课内实验培养，在课后作业中有所涉及。目标达成综合以上内容进行评价。三、教学方法及手段理论教学以课堂讲授为主，面向基础知识的准确、扎实掌握，突出对原理的分析、对方法的总结以及理论体系的完整建立；课程强调学生的自主学习，强调通过自学的方式消化、吸收课程的庞大知识量，并在此基础上举一反三。四、课程的基本内容与教学要求第一章绪论[本章教学内容]：1、人工神经网络的概念2、人工神经网络的基本特征和基本功能[本章教学重点]：人工神经网络的概念[本章教学方法]：采用讲解和答疑相结合[本章教学目的]：了解人工神经网络从哪里来，如何发展，是什么，能做什么第二章人工神经网络建模基础[本章教学内容]：1、脑的生物神经系统概述2、人工神经网络的生物学基础、人工神经元模型3、人工神经网络模型、神经网络学习[本章教学重点]：1、人工神经网络模型2、神经网络学习[本章教学方法]：采用讲解和答疑相结合[本章教学目的]：1、掌握神经网络神经元模型和神经网络模型2、熟悉神经网络学习类型第三章感知器神经网络[本章教学内容]：1、多层感知器、自适应线性单元2、BP算法及改进、BP网络应用及设计[本章教学重点]：BP算法及改进、BP网络应用及设计[本章教学方法]：采用讲解和答疑相结合[本章教学目的]：1、掌握多层感知器求解非线性问题的原理2、掌握BP算法及其改进以及基于BP算法的多层感知器设计。第四章自组织神经网络[本章教学内容]：1、竞争学习策略SOM神经网络和LVQ神经网络的网络结构、运行原理、学习算法及网络应用CPN神经网络和ART神经网络的网络结构、运行原理、学习算法及网络应用[本章教学重点]：1、竞争学习策略自组织特征映射神经网络学习向量量化神经网络对偶传播神经网络[本章教学方法]：采用讲解和答疑和实验相结合[本章教学目的]：1、掌握SOM神经网络和LVQ神经网络的网络结构、运行原理、学习算法及网络应用2、掌握CPN神经网络和ART神经网络的网络结构、运行原理、学习算法及网络应用第五章径向基函数神经网络[本章教学内容]：1、基于径向基函数技术的函数逼近与内插正则化理论与正则化RBF网络RBF网络常用学习算法RBF网络与多层次感知器的比较RBF网络的设计与应用实例[本章教学重点]：1、基于径向基函数技术的函数逼近与内插2、RBF网络结构、学习算法[本章教学方法]：采用讲解、答疑和实验相结合[本章教学目的]：熟悉RBF网络的工作原理及应用设计第六章反馈神经网络[本章教学内容]：1、离散型和连续型Hopfield神经网络Hopfield神经网络的应用和设计双向联想记忆（BAM）神经网络随机神经网络[本章教学重点]：1、离散型和连续型Hopfield神经网络2、Hopfield神经网络的应用和设计[本章教学方法]：采用讲解、答疑和实验相结合[本章教学目的]：掌握Hopfield神经网络的工作原理并会应用设计第七章小脑模型神经网络[本章教学内容]：1、CMAC网络的机构、工作原理2、CMAC网络的学习算法[本章教学重点]：1、CMAC网络的机构、工作原理2、CMAC网络的学习算法[本章教学方法]：采用讲解、答疑和实验相结合[本章教学目的]：掌握CMAC网络的工作原理并会应用设计第八章深度学习网络[本章教学内容]：1、深度置信网络工作原理卷积神经网络的特点与基本架构卷积层的功能卷积操作的过程、与传统人工神经元的类比分析池化层功能、全连接层功能、全连接层与卷积层的联系与转换目标检测应用概述及应用案例Region-CNN深度神经网络的网络退化问题深度残差网络ResNet深度神经网络的过拟合和欠拟合问题及解决办法[本章教学重点]：1、卷积神经网络的特点与基本架构卷积层的功能卷积操作的过程、与传统人工神经元的类比分析池化层功能、全连接层功能、全连接层与卷积层的联系与转换[本章教学方法]：采用讲解、答疑和实验相结合[本章教学目的]：1、了解卷积神经网络的工作原理2、掌握深度残差网络以及深度神经网络的过拟合和欠拟合问题及解决办法第九章支持向量机基本原理[本章教学内容]：1、线性支持向量机2、非线性支持向量机[本章教学重点]：1、线性支持向量机2、非线性支持向量机[本章教学方法]：采用讲解、答疑和实验相结合[本章教学目的]：了解支持向量机的工作原理，熟悉其应用第十章遗传算法及应用[本章教学内容]：1、遗传算法的基本原理、基本操作、模式理论、特点遗传算法中的参数选择及算法改进方法遗传算法用于神经网络的权值优化[本章教学重点]：遗传算法的基本原理、基本操作、模式理论[本章教学方法]：采用讲解、答疑和实验相结合[本章教学目的]：能够将遗传算法用于神经网络的权值优化五、课程学时分配讲次授课章节内容学时分配讲课实验上机设计其他1第一章人工神经网络的概念222第二章脑的生物神经系统概述223第三章多层感知器、自适应线性单元224第四章竞争学习策略225第五章RBF网络常用学习算法226第六章离散型和连续型Hopfield神经网络227第六章Hopfield神经网络的应用和设计228第七章CMAC网络的机构、工作原理229第八章深度置信网络工作原理2210第八章深度神经网络的过拟合和欠拟合问题及解决办法2211第九章线性、非线性支持向量机2212第十章遗传算法的基本原理、基本操作、模式理论、特点22注：实验课由实验教师负责协调安排时间，原则上安排在课堂教学结束后、考试之前一周以上完成。七、课程考核与成绩评定7.1考核方式考核环节包括课程学习过程考核和期末考核，其中课程过程考核占总成绩的40%，分别由课堂表现、课后作业、实验情况进行评定；期末成绩占总成绩的60%。各环节的比重如下。考核环节比重合计过程考核（平时成绩）课堂表现20%40%作业20%期末考核期末考核60%60%总计100%100%7.2考核内容及要求本课程为考查课。考核内容及分值分配如下。考核方式考核内容分值课程目标总分值期末考核60%对神经网络基础概念的理解2～4目标1100分对深度学习基础概念的理解2～5目标2、7对神经网络基础概念的运用5～15目标5、6、7对深度学习基础概念的运用5～15目标3选题完成情况5～10目标5、6团队协作10～20目标4、5、6个人表现5～15目标4、5、6文档整体写作情况15～30目标4、5、6过程考核40%课堂表现课堂测试、出勤情况20目标1、2、3、4、5、6、7课后作业作业完成情况20目标2、3、4、6、77.3成绩评定1.课堂表现课堂表现总分20分，由课堂测试与课堂出勤情况评定。其中，课堂测试满分10分，以客观题（填空、选择、判断）为主，每学期随堂测试15~20次，每次测试1~2道题目，每答错一道题目扣0.5分（直到扣满10分为止）；课堂出勤满分10分，缺勤一次扣1分，迟到或请假扣0.5分。2.课后作业课后作业总分20分，由作业完成情况评定。每学期布置作业5次，每次作业占4分，评分标准如下；评分标准分值标准描述课后作业4能够按时认真完成作业、作业态度认真、书写清楚、分析计算正确。3能够按时完成作业、作业态度较好、书写较清楚、分析计算基本正确1能够按时完成作业、作业态度一般、书写不清楚、分析计算错误较多0不交作业或作业态度不认真、抄袭他人作业3.期末考试采用课程报告形式进行，期末成绩为百分制，计入总成绩时乘以60%，考核内容须覆盖支撑全部毕业要求指标的授课内容，考试完成后在综合教务系统中按照设定的占比系数录入成绩。八、课程评价与持续改进8.1课程评价课程评价周期定为每1年评价一次。设置达成情况目标值，采用成绩分析法进行评价。课程达成评价根据专业课程达成评价方法进行计算，评价结果用于持续改进。负责人组织教师实施课程评价，制定持续改进措施，监督持续改进过程。课程负责人负责撰写课程考核总结报告，实施课程评价持续改进。8.2持续改进1）日常教学