《Python深度学习入门》课程标准(教学大纲)

PAGE《Python深度学习入门》课程标准(教学大纲)（一）基本信息适用对象：人工智能技术应用专业、软件工程专业课程代码：250186课程类别：必修课程学分：4学时：60学时先修课程：Python程序设计语言、机器学习基础制定人：程源（二）课程的性质与定位本课程是专业课，属于专业必修课。本课程包括36学时的理论教学和24学时的实践教学，在校内完成。本课程适用于人工智能技术应用专业，让学生在先修课程的基础上，为学生进行人工智能工程与管理职业技能训练、毕业综合实践等后续课程及从事人工智能相关等岗位工作打下基础。本课程与广东奥普特科技有限公司和深圳汇控智能技术有限公司共同开发，面向合作企业的人工智能和机器人相关岗位，根据需要可以在广东奥普特公司和深圳汇控智能技术有限公司等企业的校外实习基地开展课程相关的实践。（三）课程目标1.总体目标《Python深度学习入门》是面向人工智能技术应用专业的一门专业课，涉及机器学习基础、深度学习基础、利用深度学习框架实现深度模型以及产品环境中的模型部署等内容。通过本课程的学习，学生能够掌握利用深度学习框架实现深度学习模型的基础知识。本课程主要目标在于帮助学生理解深度学习的基础理论，掌握利用深度学习实现深度学习模型的基本方法，同时具备一定的产品环境中模型的部署能力。通过本课程的学习，使学生掌握深度学习的基本理论和实践方法，同时通过工作任务式学习提升分析问题、归纳总结问题、解决实际复杂问题等方面关键能力，从而使学生形成积极参与、主动探索、注重团队精神和责任意识等方面的职业素质。实施课程思政。以人工智能案例等作为融入点，使学生了解行业最新发展动态，激发学生社会责任感；了解人工智能在政治、经济、军事和社会稳定等方面的重要性，通过实际案例进行分析，培养学生的爱国热情。2.具体目标及要求（1）专业能力目标课程的教学要达到三个层次的目的：1.知识结构。通过使用Python库实现经典的深度学习框架的过程逐步深度学习的本质，使学生理解深度学习的基本概念和算法，掌握神经网络的基本概念和理论知识，深度学习中主要网络的基本概念和相关算法。2.思维结构。在教学过程中培养学生的计算思维和逻辑，使学生能够用计算和逻辑思维去分析问题和解决问题，在学习职业技能的同时培养思维习惯。3.职业素养。通过课程的教学，使学生对操作系统的存在问题和发展趋势形成自己的认识，能够在工作实践中更好地解决问题并把握机会。（2）关键能力目标深度学习传授的关键能力主要包括以下几个方面‌：1.问题模型化能力‌；2.复杂数据结构化能力；3.数据预处理能力；4.特征理解和转换能力；5.选择适当算法的能力；‌6.区分经验误差与泛化误差能力；7.团队合作能力；‌8.业务和技术结合能力。（3）课程思政要求1）通过分析人工智能发展历史和现状，了解行业发展动态，激发学习动力，培养社会责任感和爱国热情。2）在人工智能领域，中国取得了很多瞩目的成绩，通过介绍我国在人工智能领域的成绩，激发学生的民族自豪感，让学生把国家富强、民族振兴、人民幸福内化为努力学习的动力。3）融入企业应用实例，了解行业新技术，培养学生“工匠精神”，提高学生的信息安全意识和法律法规意识。（四）课程设计思路本课程旨在让学生能够使用深度学习，不仅从零开始讲授深度学习的概念、背景和代码，同时也介绍深度学习的应用和部署。为使学生能深入理解深度学习模型的细节（这些的细节通常会被深度学习框架隐藏起来），本课程通过使用最基本的Python库构建深度学习的核心组件，并实现一个深度学习框架逐步向读者呈现深度学习的本质。学生一旦理解这些组件是如何工作的，就可以轻松地在随后的教程中使用深度学习框架了。本课程分为6个模块，由20个子学习情境组成。本课程所设计的每个项目均是一个完整的工作过程，实施校企双方共同指导，实施理论与实践一体化教学，让学生做中学、学中做，提高综合职业能力，养成良好的职业素养。（五）教学内容1.学时分配模块名称子学习情境学时分配小记模块1深度学习概述深度学习概述让机器学会学习44深度学习之“深度”深度学习的数据表示为什么要用深度学习模块2神经网络入门神经元人工神经元214激活函数多层神经网络分类问题与独热编码2MNIST数据集神经网络神经网络的输出softmax函数神经网络的前向传播各层间数据传递2多个样本情况识别精度损失函数监督学习2损失函数梯度下降法梯度下降2梯度的实现梯度下降法的实现学习算法的实现两层神经网络模型4神经网络的训练基于测试数据的评价模块3神经网络的反向传播反向传播及其实现反向传播412ReLU层Sigmoid层Linear层Softmax-with-Loss层学习算法的实现构建多层神经网络模型4随机梯度下降法训练与预测构建训练器4训练与推理模块4改善神经网络优化算法动量法26AdaGradRMSpropAdam算法更新方法比较改进训练器数值稳定性和模型初始化梯度消失和梯度爆炸2抑制梯度异常初始化权重初始值的比较正则化与规范化过拟合与欠拟合权值衰减2Dropout正则化批量规范化改进模型模块5卷积神经网络从全连接到卷积卷积运算414填充步幅三维数据的卷积运算卷积层的实现卷积计算4四维数组基于im2col的展开卷积层的实现汇聚层汇聚运算2汇聚层的实现LENET网络构建模型4模型训练预测模块6深度学习实践深度学习的工作流程定义任务210开发模型部署模型训练一个图像分类模型创建图像数据集4数据预处理构建并训练模型文本分类准备文本数据4构建网络合计学时60教学设计模块1课程思政要求子学习情境1深度学习概述深度学习概述通过本章的学习，使学生对深度学习的概念、发展历程有个总体认识，本章既是课程开始的引论，也是课程结束的结论。了解中国人工智能面临的国际形式与发展方向，增强学生社会责任感和爱国热情。分析我国在人工智能领域的成就与贡献，体会通过努力获得的成就感。职业能力描述知识1.从数据中学习。2.深度神经网络：人工神经元、神经网络。3.神经网络的学习。4.深度学习的数据表示。技能1.掌握标量、向量、矩阵与张量。2.理解从数据中学习，从错误中学习。3.理解深度学习的数据表示。4.理解神经网络的学习过程。关键能力1.问题模型化能力。2.复杂数据结构化能力。3.数据预处理能力。4.特征理解和转换能力。5.选择适当算法的能力。‌主要内容与要求主要内容：1.从数据中学习。2.深度神经网络：人工神经元、神经网络。3.神经网络的学习。4.深度学习的数据表示。要求：1.掌握标量、向量、矩阵与张量。2.理解从数据中学习，从错误中学习。3.理解深度学习的数据表示。4.理解神经网络的学习过程。模块2课程思政要求子学习情境1神经元神经网络入门本章是全书的理论基础知识，通过本章的学习，让学生对深度学习全貌有一个全面、系统的理解。具体地讲，神经网络的一个重要性质是它可以自动地从数据中学习到合适的权重参数。本章中，我们会先介绍神经网络的概要，然后重点关注神经网络进行识别时的处理，将介绍如何从数据中学习权重参数。为了使神经网络能进行学习，本章导入损失函数这一指标。而学习的目的就是以该损失函数为基准，找出能使它的值达到最小的权重参数。并通过数值微分计算了神经网络的权重参数的梯度。数值微分简单，容易实现，但缺点是计算上比较费时间。职业能力描述知识1.通过修改由简单的神经元构成的网络中的连接，就能产生智能行为。2.一层线性函数接着一层激活函数构成一个人工神经元。3.神经元中的激活函数使用平滑变化的sigmoid函数或ReLU函数。技能1.使用NumPy多维数组，高效地实现向量和矩阵运算。2.使用NumPy实现加权和。3.使用NumPy实现sigmoid函数。4.使用NumPy实现ReLU函数。关键能力1.问题模型化能力。5.选择适当算法的能力。主要内容与要求主要内容：1.通过修改由简单的神经元构成的网络中的连接，就能产生智能行为。2.一层线性函数接着一层激活函数构成一个人工神经元。3.神经元中的激活函数使用平滑变化的sigmoid函数或ReLU函数。要求：1.使用NumPy多维数组，高效地实现向量和矩阵运算。2.使用NumPy实现加权和。3.使用NumPy实现sigmoid函数。4.使用NumPy实现ReLU函数。子学习情境2多层神经网络职业能力描述知识1.机器学习的问题大体上可以分为回归问题和分类问题。2.关于输出层的激活函数，回归问题中一般用恒等函数，分类问题中一般用softmax函数。3.分类问题中，输出层的神经元的数量设置为要分类的类别数。4.输入数据的集合称为批。通过以批为单位进行推理处理，能够实现高速的运算。5.解决分类问题常使用独热编码。技能1.理解表示分类数据的独热编码，能用Python实现独热编码。2.了解MNIST数据集。3.理解分类问题中常用的softmax函数，使用NumPy实现softmax函数。关键能力1.问题模型化能力。2.复杂数据结构化能力。3.数据预处理能力。4.特征理解和转换能力。主要内容与要求主要内容：1.分类问题与独热编码。2.MNIST数据集。3.神经网络的输出。4.softmax函数。要求：1.理解表示分类数据的独热编码，能用Python实现独热编码。2.了解MNIST数据集。3.理解分类问题中常用的softmax函数，使用NumPy实现softmax函数。子学习情境3神经网络的前向传播职业能力描述知识1.各层间数据传递。2.多个样本情况。3.识别精度。技能1.理解多层神经网络。2.使用NumPy实现神经网络的前向传播。3.使用NumPy多维数组，高效地实现识别精度。关键能力1.问题模型化能力‌。2.复杂数据结构化能力。3.数据预处理能力。4.特征理解和转换能力。5.选择适当算法的能力。主要内容与要求主要内容：1.各层间数据传递。2.多个样本情况。3.识别精度。要求：1.理解多层神经网络。2.使用NumPy实现神经网络的前向传播。3.使用NumPy多维数组，高效地实现识别精度。子学习情境4损失函数职业能力描述知识1.机器学习中使用的数据集分为训练数据和测试数据。2.神经网络用训练数据进行学习，并用测试数据评价学习到的模型的泛化能力。3.神经网络的学习以损失函数为指标，更新权重参数，以使损失函数的值减小。4.对于分类问题，常常使用交叉熵误差作为损失函数。技能1.理解为什么要设定损失函数。2.使用NumPy多维数组，高效地实现多个样本情况下的损失函数。关键能力1.问题模型化能力‌。2.复杂数据结构化能力。3.数据预处理能力。4.特征理解和转换能力。5.选择适当算法的。主要内容与要求主要内容：1.监督学习。2.损失函数。3.交叉熵误差损失函数及其实现。要求：1.理解为什么要设定损失函数。2.使用NumPy多维数组，高效地实现多个样本情况下的损失函数。子学习情境5梯度下降法职业能力描述知识1.利用某个给定的微小值的差分求导数的过程，称为数值微分。利用数值微分，可以计算损失函数相对于权重参数的梯度，进而实现学习算法。2.梯度下降法的实现步骤如下：步骤1（mini-batch），从训练数据中随机选出一部分数据，这部分数据称为mini-batch。目标是减小mini-batch的损失函数的值；步骤2（计算梯度），为了减小mini-batch的损失函数的值，需要求出各个权重参数的梯度。梯度表示损失函数的值减小最多的方向；步骤3（更新参数），将权重参数沿梯度方向进行微小更新；步骤4（重复），重复步骤1、步骤2、步骤3。技能1.理解数值微分，能用Python实现中心差分法。2.理解梯度下降法的实现步骤。3.能使用NumPy实现数值梯度计算。关键能力1.问题模型化能力。5.选择适当算法的能力。主要内容与要求主要内容：1.利用数值微分，可以计算损失函数相对于权重参数的梯度，进而实现学习算法。2.梯度下降法的实现步骤。要求：1.理解数值微分，能使用NumPy实现中心差分法。2.理解梯度下降法的实现步骤。3.能使用NumPy实现数值梯度计算。子学习情境6学习算法的实现职业能力描述知识1.两层神经网络模型。2.神经网络的训练。3.基于测试数据的评价。技能1.能用Python实现两层神经网络模型。2.能利用MNIST数据集训练神经网络。3.能够利用测试数据评价神经网络的泛化能力。关键能力1.问题模型化能力‌。2.复杂数据结构化能力。3.数据预处理能力。5.选择适当算法的能力。主要内容与要求主要内容：1.两层神经网络模型。2.神经网络的训练。3.基于测试数据的评价。要求：1.能使用NumPy实现两层神经网络模型。2.能利用MNIST数据集训练神经网络。3.能利用测试数据评价神经网络的泛化能力。模块3课程思政要求子学习情境1反向传播的实现神经网络的反向传播本章介绍了神经网络中的误差反向传播法，并以层为单位实现了神经网络中的处理。这些层中实现了forward和backward方法，通过将数据正向和反向地传播，可以高效地计算权重参数的梯度。通过使用层进行模块化，神经网络中可以自由地组装层，轻松构建出自己喜欢的网络。职业能力描述知识1.多层神经网络可以视为由多个点积（𝑑𝑜𝑡）、激活函数（𝑎𝑐𝑡𝑖𝑣𝑎𝑡𝑒可以是sigmoid、ReLU或softmax函数等）嵌套成的复合函数。2.基于复合函数求导的链式法则可以程式化的计算神经网络对权重的梯度，实现误差的反向传播。3.利用NumPy高效地实现ReLU层、Sigmoid层、Linear层、Softmax-with-Loss层等，这些层中实现了正向计算（forward）和反向计算（backward）方法。4.通过将数据正向和反向地传播，可以高效地计算权重参数的梯度。技能能够利用NumPy高效地实现ReLU层、Sigmoid层、Linear层和Softmax-with-Loss层。关键能力1.问题模型化能力。5.选择适当算法的能力。主要内容与要求主要内容：1.反向传播。2.ReLU层及其NumPy实现。3.Sigmoid层及其NumPy实现。4.Linear层及其NumPy实现。5.Softmax-with-Loss层及其NumPy实现。要求：能够利用NumPy高效地实现ReLU层、Sigmoid层、Linear层和Softmax-with-Loss层。子学习情境2学习算法的实现职业能力描述知识1.通过使用层进行模块化，神经网络中可以自由地组装层，轻松构建出自己的网络。2.对应误差反向传播法的神经网络的实现。3.随机梯度下降法。技能1.理解构建多层神经网络模型SequentialNet。2.能使用NumPy实现随机梯度下降法SGD。关键能力1.问题模型化能力‌。2.复杂数据结构化能力。3.数据预处理能力。4.特征理解和转换能力。5.选择适当算法的能力‌。主要内容与要求主要内容：1.对应误差反向传播法的神经网络的实现。2.随机梯度下降法的实现。要求：1.理解构建多层神经网络模型SequentialNet。2.能使用NumPy实现随机梯度下降法SGD。子学习情境3训练与预测职业能力描述知识1.神经网络中有合适的权重和偏置，调整权重和偏置以便拟合训练数据的过程称为学习。2.神经网络的学习分为下面4个步骤：步骤1（mini-batch），从训练数据中随机选择一部分数据；步骤2（计算梯度），计算损失函数关于各个权重参数的梯度；步骤3（更新参数），将权重参数沿梯度方向进行微小的更新；步骤4（重复），重复步骤1、步骤2、步骤3。3.根据神经网络的学习的4个步骤构建训练器。4.利用Fashion-MNIST数据集进行训练与推理。技能1.理解构建训练器的Python代码。2.能够利用SequentialNet构建出自己的深度神经网络，并利用MNIST数据集进行训练与推理。关键能力1.问题模型化能力‌。2.复杂数据结构化能力。3.数据预处理能力。5.选择适当算法的能力。‌6.区分经验误差与泛化误差能力。主要内容与要求主要内容：1.根据神经网络的学习的4个步骤构建训练器。2.利用Fashion-MNIST数据集进行训练与推理。要求：1.理解构建训练器的Python代码。2.能够利用SequentialNet构建出自己的深度神经网络，并利用MNIST数据集进行训练与推理。模块4课程思政要求子学习情境1优化算法改善神经网络本章将介绍神经网络的学习中的一些重要观点，主题涉及寻找最优权重参数的最优化方法、权重参数的初始值等。为了应对过拟合，本章还将介绍权值衰减、Dropout等正则化方法，并进行实现。最后将对近年来众多研究中使用的批量规范化方法进行简单的介绍。这些都是现代神经网络中不可或缺的技术。使用本章介绍的方法，可以高效地进行神经网络（深度学习）的学习，提高识别精度。职业能力描述知识1.神经网络的学习的目的是找到使损失函数的值尽可能小的参数。这是寻找最优参数的问题，解决这个问题的过程称为最优化（optimization）。2.除了SGD，参数更新方法还有Momentum、AdaGrad、RMSprop、Adam等方法。3.并不存在能在所有问题中都表现良好的方法。一般而言，与SGD相比，其他4种方法可以学习得更快，有时最终的识别精度也更高。技能1.理解动量法。2.理解AdaGrad。3.理解RMSprop。4.理解Adam算法。5.能够利用Python和MNIST数据集比较更新方法。6.能够改进训练器。关键能力1.问题模型化能力‌。2.复杂数据结构化能力。5.选择适当算法的能力。主要内容与要求主要内容：1.参数更新的Momentum、AdaGrad、RMSprop、Adam等方法的实现。2.比较了参数更新的各种算法。与SGD相比，其他4种方法可以学习得更快，有时最终的识别精度也更高。要求：1.理解动量法。2.理解AdaGrad。3.理解RMSprop。4.理解Adam算法。5.能够利用Python和MNIST数据集比较更新方法。6.能够改进训练器。子学习情境2数值稳定性和模型初始化职业能力描述知识1.梯度消失和梯度爆炸是指训练神经网络时，导数或坡度有时会变得非常大，或者非常小，这加大了训练的难度。2.抑制梯度异常初始化。3.权重初始值的比较：随机初始化、sigmoid的权重初始值、ReLU的权重初始值。技能1.理解梯度消失和梯度爆炸。2.理解抑制梯度异常初始化。3.能够利用Python和MNIST数据集进行权重初始值的比较。关键能力1.问题模型化能力。2.复杂数据结构化能力。3.数据预处理能力。5.选择适当算法的能力。主要内容与要求主要内容：1.梯度消失和梯度爆炸。2.抑制梯度异常初始化。3.权重初始值的比较。要求：1.理解梯度消失和梯度爆炸。2.理解抑制梯度异常初始化。3.能够利用Python和MNIST数据集进行权重初始值的比较。子学习情境3正则化与规范化职业能力描述知识1.深度学习的根本问题是优化和泛化之间的对立。优化是指调节模型以在训练数据上得到最佳性能，而泛化是指训练好的模型在没见过的数据上的性能好坏。2.发生过拟合的原因，主要有以下两个：1）模型拥有大量参数、表现力强；2）训练数据少。3.抑制过拟合的正则化技术有权值衰减、Dropout等。

4.使用批量规范化（BatchNormalization）可以加速学习，并且对初始值变得健壮。5.Dropout层和规范化层中实现了forward和backward方法。6.改进模型：在SequentialNet神经网络模型上添加初始化、正则化和批量规范化方法。技能1.理解过拟合与欠拟合。2.理解权值衰减。3.理解Dropout正则化。4.理解批量规范化。5.能够改进SequentialNet神经网络模型，并能利用Fashion-MNIST数据集进行训练和推理。关键能力1.问题模型化能力‌。2.复杂数据结构化能力。3.数据预处理能力。4.特征理解和转换能力。5.选择适当算法的能力。主要内容与要求主要内容：1.发生过拟合的原因，主要是：1）模型拥有大量参数、表现力强。2）训练数据少。3.抑制过拟合的正则化技术：权值衰减、Dropout。4.批量规范化。5.Dropout层和规范化层中实现了forward和backward方法；6.改进模型：在SequentialNet神经网络模型上添加初始化、正则化和批量规范化方法。要求：1.理解过拟合与欠拟合。2.理解权值衰减。3.理解Dropout正则化。4.理解批量规范化。5.能够改进SequentialNet神经网络模型，并能利用Fashion-MNIST数据集进行训练和推理。模块5课程思政要求子学习情境1从全连接到卷积卷积神经网络本章的主题是卷积神经网络（CNN）。CNN被用于图像识别、语音识别等各种场合，在图像识别的比赛中，基于深度学习的方法几乎都以CNN为基础。本章将详细介绍CNN的结构，并用Python实现其处理内容。通过实际案例分析，提高学生综合应用能力，培养求真务实的工作态度。职业能力描述知识1.全连接层将3维数据拉平为1维数据，无法利用与形状相关的信息。2.卷积层可以保持形状不变，卷积层的输入数据称为输入特征图，输出数据称为输出特征图。3.卷积运算是将各个位置上滤波器的元素和输入的对应元素相乘，然后再求和，也称为乘积累加运算。4.在进行卷积层的处理之前，有时要向输入数据的周围填入固定的数据，这称为填充。5.应用滤波器的位置间隔称为步幅。6.三维数据的卷积运算。技能1.理解卷积运算。2.理解填充。3.理解步幅。4.理解三维数据的卷积运算。5.能够根据输入大小，滤波器大小，填充和步幅计算，输出大小。关键能力1.问题模型化能力‌。2.复杂数据结构化能力。3.数据预处理能力。4.特征理解和转换能力。5.选择适当算法的能力。主要内容与要求主要内容：1.卷积运算。2.填充。3.步幅。4.三维数据的卷积运算。要求：1.理解卷积运算。2.理解填充。3.理解步幅。4.理解三维数据的卷积运算。5.能够根据输入大小，滤波器大小，填充和步幅计算，输出大小。子学习情境2卷积层的实现职业能力描述知识1.四维数组和基于im2col的展开。2.卷积层中实现了forward和backward方法。技能1.理解卷积计算。2.理解四维数组。3.理解基于im2col的展开。4.理解卷积层的Python实现。关键能力1.问题模型化能力‌。2.复杂数据结构化能力。4.特征理解和转换能力。5.选择适当算法的能力。主要内容与要求主要内容：1.四维数组和基于im2col的展开。2.卷积层中实现了forward和backward方法。要求：1.理解卷积计算。2.理解四维数组。3.理解基于im2col的展开。4.理解卷积层的Python实现。子学习情境3汇聚层的实现职业能力描述知识1.大部分神经网络中会添加汇聚层（也称池化层）和全连接层。2.汇聚是缩小高、宽方向上的空间的运算。3.汇聚只是从目标区域中取最大值（或者平均值），所以不存在要学习的参数；经过汇聚运算，输入数据和输出数据的通道数不会发生变化；汇聚对微小的位置变化具有鲁棒性（健壮）。4.汇聚层的实现中实现了forward和backward方法。技能1.掌握汇聚的计算。2.理解汇聚层的Python实现。关键能力1.问题模型化能力‌。2.复杂数据结构化能力。5.选择适当算法的能力。主要内容与要求主要内容：1.大部分神经网络中会添加汇聚层（也称池化层）和全连接层。2.汇聚是缩小高、宽方向上的空间的运算。3.汇聚只是从目标区域中取最大值（或者平均值），所以不存在要学习的参数；经过汇聚运算，输入数据和输出数据的通道数不会发生变化；汇聚对微小的位置变化具有鲁棒性（健壮）。4.汇聚层的实现中实现了forward和backward方法。要求：1.掌握汇聚的计算。2.理解汇聚层的Python实现。子学习情境4LeNet网络职业能力描述知识1.全连接的神经网络中，Linear层后面跟着激活函数ReLU层，而卷积神经网络的构成则是由一个或多个“Convolution-ReLU–Pooling”的组合，后面再跟着全连接层（FC）构成。2.LeNet是最早发布的卷积神经网络之一。3.LeNet网络的Python实现。技能1.掌握而卷积神经网络的构成：由一个或多个“Convolution-ReLU–Pooling”的组合，后面再跟着全连接层（FC）。2.理解LeNet网络的Python实现。3.能利用Fashion-MNIST数据集进行训练和推理。关键能力1.问题模型化能力。2.复杂数据结构化能力。3.数据预处理能力。4.特征理解和转换能力。5.选择适当算法的能力。‌6.区分经验误差与泛化误差能力。主要内容与要求主要内容：1.全连接的神经网络中，Linear层后面跟着激活函数ReLU层，而卷积神经网络的构成则是由一个或多个“Convolution-ReLU–Pooling”的组合，后面再跟着全连接层（FC）构成。2.LeNet网络的Python实现。要求：1.掌握而卷积神经网络的构成：由一个或多个“Convolution-ReLU–Pooling”的组合，后面再跟着全连接层（FC）。2.理解LeNet网络的Python实现。3.能利用Fashion-MNIST数据集进行训练和推理。模块6课程思政要求子学习情境1深度学习的工作流程深度学习实践本章给出一份通用指南，可以用它来处理和解决任何机器学习问题。融入企业应用实例，了解行业新技术，培养学生“工匠精神”。职业能力描述知识1.定义任务：了解问题所属领域和客户需求背后的业务逻辑；收集数据，理解数据的含义，并选择衡量任务成功的指标。2.开发模型：准备数据，使其可以被深度学习模型处理。选择模型评估方法，并确定一个简单基准（模型应能够超越这个基准）。训练第一个具有泛化能力并且能够过拟合的模型，然后对模型进行正则化并不断调节，直到获得最佳泛化性能。3.部署模型：将模型部署到Web服务器、移动应用程序、网页或嵌入式设备上，监控模型在真实环境中的性能，并开始收集构建下一代模型所需的数据。技能1.了解定义任务的主要过程。2.了解开发模型的主要过程3.了解部署模型的主要过程关键能力1.问题模型化能力‌。2.复杂数据结构化能力。3.数据预处理能力。4.特征理解和转换能力。5.选择适当算法的能力。‌6.区分经验误差与泛化误差能力。7.团队合作能力。‌8.业务和技术结合能力。主要内容与要求主要内容：1.定义任务