《人工智能综合创新》教学大纲.docx

人工智能综合创新教学大纲适用范困：202X版本科人才培养方案涕程代码：22160143课程性质：综合创新i果学分：2学分周敬：2周先修课程：机器学习、深段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4人工智能媒合创新3是学生获得专业创新知识的重要环节之一，是人工智能SIk教学计划所设的重要媒合性创新教学环节，足学生理论联系实际创新的课堂，为实现专业培养目标起汴重要作用，人工智能涂令创新是学生在实习前己学完所有法础理论课程，并诳入自然语言处理？、工智能驾驶专时3,智能机器人技术创新3等专业课程的学习；在综合创新中应深入实际，认真学习，点取出接知识,巩固所学埋论，完成人工智能综合创新中所布设的各项工作任务,培养和俵炼独立分析问他和解决何题的能力.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葩础编程知识，课程目标2：健监运用编程知识对人工智能问咫提出解决方案.课程口标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创程序设计。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范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3课程教学目标对人工智能专业毕业要求的支掠见役kW1.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91.IiR:具备数学、自然科能够将数学、1.2系统常握.人工智能物域的工程基础和专业知识,包括计算机硬课程目标1：熟练掌辗人工智能研发所需要M自然科学、工程册础和专业知识用于解决人工智能及交叉应用领域工程问飕.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。的推础编程知识。3.设计/开发解决方第能设计针对人工智能及交叉应用领域工程向Xfi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.3.2i殳计忏对人工智能渔域红杂工程何时的解决方案，包括设计或开发满足特定需求和约束条件的软埋件系统、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：俄蜂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I能在多学科背景下的团队中承坦个体、团队成员以及负贡人的角色.9.2 能弊明确团队中每个角色的含义及作用，能终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 具法与团队成员有效的沟通能力，并能弗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粽合创新应用.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年人工智能综合创新3的教学内容、教学方式与学时分配见表2.表2敦学内容、铁学要求与学时分配教学内容做学要求,教学蜃点膜点教学方式理时安排对应的课程目标1.简介机净学习、人工智他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。效，Wb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辂势和行业热点向烟，值点：PyToreh开发环境的安装与测试：难点IPyTorCh开发环境的安装与测试。.授录教学讲与像学1天12.介绍PyTorCh的漏程基础和可视化，并实践禺FPyTorchJS用开发框架的手写数字识别的编程实践.教学要求，掌樨以PyTOrch2.0版本的运行模式编写MN1.ST手写数字识别的实践。.重点IMNIST手写数字识别的PyTorch实践：魔点：壮IST手写数字识别的PyTorCh实践.授录教学讲与像学3天23.通过卷枳神经网络在图像识别方面的应用来讲解卷积神经网络的培本原理以及利用PyTorCh来实现CIFAR-IO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C1.FAR1.O训练和测试数据集：定义卷枳神经网络：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.点t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CIFARIo训练和测试数据%，授录教学讲与像学3天24.通过囹像风格迁移技术的原理引入基于卷积神经网络的图怎风格迁移，进一步导入PyTOrCh的图像风格迁移实践。校学要求：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迂移网络模型。点：图像内容损失、图像的风格损失;魔点：训练新定义的图像风格迁移网络模型.授录教华讲与像学3天35.简介多模型融令优势与意义,详解基于PyTorCh深馁学习架构的多模型训练、多模型测试和多模型输出融合.教学襄求：J'价多模型融合的相关暴础知识及理论,掌握法TPyTorch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：融合模型的脸证集预测：多模型预测结果的加权平均融合。.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。授录教学讲与像.，4天314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、暮课、学习通等资源，田合多媒体课件等共同探完成堂授课内容.采用Egi1、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枳极性，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 .考核方式及成绩讦定实习采用优、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分以卜为不及格.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:(D实习表现占40E,无故射谀达3次取消总成绩；(2)实习报告占30¼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。衰4方式时标准考核/评所占考犊/讦价细则对应课程的节比(»)100>x>9090>x8080>x>7070>x>60x<60目标实习表现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,认口听讲,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.I、2实习报告30报告内容全面、洋实，字迹工祭，课程建议好.报告内容全面、徉实,字透工整,课程建议认识不到位.报告内容较全面、洋实，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，思路清唏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,见解不到位，字迹工整，总站内容全面详尽，完整，思路清晰.无独立见解，字迹工整。总结内容基本详实、完费,思路清嘴,部分结论有错误,字迹工整，总结内容匮乏、缺乏完整性，思路混乱,结论错误，字迹工整,2、3实习答辩20后答问施正确率大f90%1.三1.答问题正确率大于80¼问答问应正确率大T70%【可答问即正确率大于60%I可答问应正确率小于60%1、2、3