《人工智能及大数据应用》课程教学大纲

《人工智能及大数据应用》教学大纲一、课程基本信息课程名称人工智能及大数据应用ArtificialIntelligenceandBigDataApplications课程编码CNE125321020开课院部新能源学院课程团队控制工程组学分2.0课内学时36讲授24实验4上机8实践0课外学时0适用专业过程装备与控制工程授课语言中文先修课程大学计算机、高等数学（2-1）、高等数学（2-2）课程简介（限选）人工智能技术是继蒸汽机、电力、互联网科技之后最有可能带来新一次产业革命浪潮的技术，在爆炸式的数据积累、基于神经网络模型的新型算法与更加强大、成本更低的计算力的促进下，人工智能技术正在推动改变各行各业。《人工智能及大数据应用》是过程装备与控制工程专业学生的限选课程，主要内容包括人工智能、大数据、机器学习和深度学习的基础知识，具体介绍前馈神经网络、卷积神经网络、神经网络的优化与正则化方法、神经网络中的注意力机制和外部记忆、模型独立的机器学习方法，如集成学习、自训练和协同训练、多任务学习、迁移学习、终身学习、元学习等，深度生成模型、目标检测经典模型及工业应用等内容。通过本课程的学习，培养学生能够深入学习人工智能及大数据的重点技术和平台工具，并将人工智能及大数据技术应用到实际复杂工业场景中，让过程装备更加智能化。Artificialintelligencetechnologyisthetechnologythatismostlikelytobringaboutanewwaveofindustrialrevolutionaftersteamengine,electricpowerandInternettechnology.Inexplosivedataaccumulation,withthepromotionofnewalgorithmsbasedonneuralnetworkmodelsandmorepowerfulandlower-costcomputingpower,artificialintelligencetechnologyispushingtochangeallwalksoflife."Artificialintelligenceandbigdataapplication"isalimitedcourseforstudentsmajoringinprocessequipmentandcontrolengineering.Itsmaincontentsincludethebasicknowledgeofartificialintelligence,bigdata,machinelearningandin-depthlearning,thispaperspecificallyintroducesfeedforwardneuralnetwork,ConvolutionNeuralNetwork,optimizationandregularizationmethodsofneuralnetwork,attentionmechanismandexternalmemoryinneuralnetwork,andmodel-independentmachinelearningmethods,suchasintegratedlearning,self-trainingandcollaborativetraining,multi-tasklearning,transferlearning,lifelonglearning,meta-learning,deepgenerationmodel,targetdetectionclassicmodel,industrialapplication,etc.Throughthestudyofthiscourse,studentsaretrainedtodeeplylearnkeytechnologiesandplatformtoolsofartificialintelligenceandbigdata,andapplyartificialintelligenceandbigdatatechnologiestopracticalcomplexindustrialscenes,makeprocessequipmentmoreintelligent.负责人大纲执笔人审核人二、课程目标序号代号课程目标OBE毕业要求指标点任务自选1M1目标1：掌握人工智能、大数据、机器学习和深度学习的相关概念和基础知识，能够运用大规模数据集进行模型训练。是4.34.32M2目标2：培养学生能够深入学习人工智能及大数据的重点技术和平台工具，并将人工智能及大数据技术应用到实际复杂工业场景中，让过程装备更加智能化。是5.25.2三、课程内容序号章节号标题课程内容/重难点支撑课程目标课内学时教学方式课外学时课外环节1第1章第1章人工智能及大数据概述本章重点难点：人工智能及大数据基本概念、相关模型、学习方法以及在计算机视觉、自然语言处理等领域的应用。////21.11.1人工智能人工智能的发展历史，人工智能的流派M10.5讲授//31.21.2机器学习传统机器学习的数据处理流程M10.5讲授//41.31.3表示学习局部表示和分布式表示，表示学习M10.25讲授//51.41.4深度学习端到端学习M10.5讲授//61.51.5神经网络人脑神经网络，人工神经网络，神经网络的发展历史M10.5讲授//71.61.6常用的深度学习框架代表性的框架包括：Theano、Caffe、TensorFlow、Pytorch、飞桨（PaddlePaddle）、Chainer和MXNet等M10.25讲授//8第2章第2章机器学习概述本章重点难点：损失函数、梯度下降法////92.12.1基本概念样本、特征、标签、模型、学习算法等M10.25讲授//102.22.2机器学习的三个基本要素模型、学习准则、优化算法M10.5讲授//112.32.3机器学习的简单示例——线性回归机器学习的一般过程，不同学习准则（经验风险最小化、结构风险最小化、最大似然估计、最大后验估计）之间的关系M10.5讲授//122.42.4偏差-方差分解平衡模型的拟合能力和复杂度M10.5讲授//132.52.5机器学习算法的类型监督学习、无监督学习、强化学习M10.25讲授//142.62.6数据的特征表示传统的特征学习，深度学习方法M10.5讲授//152.72.7评价指标常见的评价标准有准确率、精确率、召回率和F值等。M10.5讲授//162.82.8理论和定理PAC学习理论，没有免费午餐定理，奥卡姆剃刀原理，丑小鸭定理，归纳偏置M10.5讲授//17第3章第3章前馈神经网络本章重点难点：误差反向传播////183.13.1神经元Sigmoid型函数，ReLU函数，Swish函数，GELU函数，Maxout单元M10.5讲授//193.23.2网络结构前馈网络，记忆网络，图网络M10.5讲授//203.33.3前馈神经网络通用近似定理，应用到机器学习，参数学习M10.5讲授//213.43.4反向传播算法计算损失函数关于每个参数的导数M10.5讲授//223.53.5自动梯度计算数值微分，符号微分，自动微分M10.5讲授//233.63.6优化问题非凸优化问题，梯度消失问题M10.5讲授//24第4章第4章卷积神经网络本章重点难点：卷积神经网络的反向传播算法////254.14.1卷积卷积的定义，互相关，卷积的变种，卷积的数学性质M10.5讲授//264.24.2卷积神经网络用卷积来代替全连接，卷积层，汇聚层，卷积网络的整体结构M10.5讲授//274.34.3参数学习卷积神经网络的反向传播算法M10.5讲授//284.44.4几种典型的卷积神经网络LeNet-5，AlexNet，Inception网络，残差网络M11.5讲授//294.54.5其他卷积方式转置卷积，空洞卷积M10.5讲授//30第5章第5章网络优化与正则化本章重点难点：非凸优化以及梯度消失问题////315.15.1网络优化网络结构多样性，高维变量的非凸优化，神经网络优化的改善方法M10.25讲授//325.25.2优化算法小批量梯度下降，批量大小选择，学习率调整，梯度估计修正，优化算法小结M10.5讲授//335.35.3参数初始化基于固定方差的参数初始化，基于方差缩放的参数初始化，正交初始化M10.25讲授//345.45.4数据预处理最小最大值归一化，标准化，白化M10.5讲授//355.55.5逐层归一化批量归一化，层归一化，权重归一化，局部响应归一化M10.25讲授//365.65.6超参数优化网格搜索，随机搜索，贝叶斯优化，动态资源分配，神经架构搜索M10.5讲授//375.75.7网络正则化L1和L2正则化，权重衰减，提前停止，丢弃法，数据增强，标签平滑M10.25讲授//38第6章第6章注意力机制与外部记忆本章重点难点：自注意力模型////396.16.1认知神经学中的注意力聚焦式注意力，基于显著性的注意力M10.25讲授//406.26.2注意力机制注意力机制的变体M10.25讲授//416.36.3自注意力模型利用注意力机制来“动态”地生成不同连接的权重M10.5讲授//426.46.4人脑中的记忆长期记忆和短期记忆M10.25讲授//436.56.5记忆增强神经网络端到端记忆网络，神经图灵机M10.5讲授//446.66.6基于神经动力学的联想记忆Hopfiel网络，使用联想记忆增加网络容量M10.5讲授//45第7章第7章模型独立的学习方式本章重点难点：集成学习，迁移学习////467.17.1集成学习AdaBoost算法M10.5讲授//477.27.2自训练和协同训练自训练，协同训练M10.25讲授//487.37.3多任务学习多任务学习中四种共享模式M10.5讲授//497.47.4迁移学习归纳迁移学习，转导迁移学习M10.5讲授//507.57.5终身学习灾难性遗忘，弹性权重巩固M10.25讲授//517.67.6元学习基于优化器的元学习，模型无关的元学习M10.25讲授//52第8章第8章深度生成模型本章重点难点：生成对抗网络////538.18.1概率生成模型密度估计，生成样本，应用于监督学习M10.5讲授//548.28.2变分自编码器含隐变量的生成模型，推断网络，生成网络，模型汇总，再参数化，训练M10.5讲授//558.38.3生成对抗网络显式密度模型和隐式密度模型，网络分解，训练，一个生成对抗网络的具体实现：DCGAN，模型分析，改进模型M10.5讲授//56第9章第9章目标检测算法及工业应用本章重点难点：目标检测经典模型////579.19.1目标检测经典模型R-CNN，FastR-CNN，FasterR-CNN，YOLO，SSDM12讲授//58上机3上机3利用卷积神经网络，处理数据集分类问题。M22上机//599.39.3人工智能煤矸分选人工智能煤矸分选M20.5讲授//60上机上机////61上机1上机1熟悉Python语言及矩阵处理实用工具包numpy，熟悉基本操作。M22上机//629.29.2工业复杂场景下的缺陷检测裂纹缺陷检测、破损缺陷检测、斑点缺陷检测、划痕缺陷检测、焊缝缺陷检测M20.5讲授//63上机2上机2利用numpy实现全连接神经网络。M22上机//64上机4上机4一个生成对抗网络的具体实现M22上机//四、考核方式序号考核环节操作细节总评占比1平时作业1.每周布置2-3道题目，平均每次课1道题以上。2.成绩采用百分制，根据作业完成准确性、是否按时上交、是否独立完成评分。3.考核学生对人工智能基本知识的掌握能力，学生综合运用所学知识分析问题、解决问题的能力。15%2实验1.本课程4个学时实验，共1个实验项目。2.成绩采用百分制，根据实验完成情况评分。3.考核学生对将人工智能及大数据技术应用到实际复杂工业场景中能力，利用人工智能算法实现物体缺陷检测或分类识别。15%3上机操作1.本课程8个学时上机，共4次。2.成绩采用百分制，根据上机报告内容完成实际情况进行评分，以百分制给出。20%4考勤随机点名、刷卡点名等5%5课堂表现随机检查学生上课精神状态、回答问题情况5%6课程报告利用TensorFlow、Pytorch、飞桨（PaddlePaddle）等工具对课程内容进行实践操作实现并撰写总结报告，根据每个学生的报告完成程度进行评分。40%五、评分细则序号课程目标考核环节大致占比评分等级1M1平时作业50%A-独立思考、按时完成，解题思路清晰、步骤完整、格式合理、答案准确B-独立思考、按时完成，解题思路比较清晰、步骤比较完整、格式合理、答案准确C-独立思考、按时完成，解题思路比较清晰、步骤比较完整、格式比较合理、答案基本准确D-作业抄袭，未能按时完成，解题思路混乱2M1考勤25%A-全勤B-缺勤1次C-缺勤2-3次D-缺勤3次以上3M1课堂表现25%A-精神状态饱满，回答问题准确B-精神状态良好，问题回答较好C-精神状态一般，问题回答一般D-精神状态较差，回答问题有误4M2实验30%A-按时提交实验报告，数据分析符合规范，结论无误。B-按时提交实验报告，数据分析基本规范，结论基本正确。C-数据分析过程存在问题。D-实验报告抄袭，数据获取、分析错误。5M2上机操作30%A-上机操作独立完成，程序编写规范，输出结果正确，上机报告按时提交。B-上机操作独立完成，程序编写较规范，输出结果正确，上机报告按时提交。C-上机操作独立完成，程序编写基本规范，输出结果基本正确，上机报告延迟提交。D-上机操作不能独立完成，程序编写混乱，输出结果错误，上机报告延迟提交。6M2课程报告40%A-能够熟练运用TensorFlow、Pytorch、飞桨（PaddlePaddle）等工具对课程内容进行实践操作实现并撰写总结报告，课程报告书写规范、设计方案合理、内容完整，有创新性。B-能够较为熟练运用TensorFlow、Pytorch、飞桨（PaddlePaddle）等工具