《深度学习应用实践》教学大纲

《深度学习应用实践》教学大纲课程英文名DeepLearningPractice课程代码03P0055学分2总学时64劳动学时8上机学时56先修课程深度学习课程类别专业教育课课程性质必修适用专业人工智能开课学院信息工程学院注：课程类别是指公共基础课/学科基础课/专业教育课；课程性质是指必修/限选/任选。一、课程地位与课程目标（一）课程地位《深度学习应用实践》课程在人工智能教育体系中扮演着至关重要的角色。作为人工智能专业的必修课程，该门课程紧随《深度学习》课程之后，旨在培养学生在实际应用开发中熟练掌握深度学习模型的能力。通过提升学生在模型调试和解决实际问题方面的技能，该课程为后续专业课程的学习打下了重要基础。在实践中培养学生的专业技能，使其能够在人工智能领域中脱颖而出，为未来的职业发展奠定坚实基础。（二）课程目标1.培养学生深入了解和应用深度学习模型的能力，包括分析、调试和选择适当的网络架构和损失函数，加强对深度学习框架的理解和应用。2.提升学生阅读深度学习框架文档和科研论文的能力，培养他们获取新知识、独立思考和解决实际问题的能力。学会并完成对指定问题对数据集标注。3.强化学生的表达、沟通和团队合作能力，包括撰写报告、设计文稿、参与验收答辩，促进学生的实践能力和创造性思维。同时，引导学生关注伦理、社会责任和团队合作等价值观，培养综合素质和职业操守。二、课程目标达成的途径与方法1.教学安排：通过理论授课、实践项目、案例分析等多种教学形式，引导学生全面理解深度学习模型的原理和应用。2.教学方法设计：采用小组讨论、实验实践、文献阅读等方式，激发学生的学习兴趣，培养他们的问题解决能力和团队合作精神3.教师指导：提供个性化辅导和指导，帮助学生克服学习难点，引导他们深入思考和探索深度学习领域的前沿问题。三、课程目标与相关毕业要求的对应关系本课程支撑的毕业要求如下：毕业要求1：工程知识：能够将数学、自然科学、人工智能专业知识用于解决人工智能相关的复杂工程问题。毕业要求1-4：掌握人工智能领域的专业知识、基本理论与主要方法，能够用于解决智能系统相关的复杂工程问题。毕业要求2：问题分析：能够应用数学、自然科学和工程科学的基本原理，识别、表达、并通过文献研究分析人工智能领域复杂工程问题，以获得有效结论。毕业要求2-4：能利用文献检索辅助人工智能相关复杂系统的设计和研究，获得有效结论。毕业要求9：个人和团队：能够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。毕业要求9-2：能够在团队中独立或合作开展工作。能够组织、协调和指挥团队开展工作。课程目标对毕业要求的支撑关系如表1所示。表1课程目标对毕业要求的支撑关系课程目标毕业要求课程目标对毕业要求的支撑程度（H、M、L）毕业要求1-4毕业要求2-4毕业要求9-2ILO-1HILO-2HILO-3H注：1.支撑强度分别填写H、M或L（其中H表示支撑程度高、M为中等、L为低）。三、设计选题及任务要求序号参考选题任务与要求对应课程目标1深度学习图像分类1.基于CNN的网络，进行图像分类。2.数据集可以使用benchmark数据集，并且自行标注不低于1000幅图像。3.现成模型上进行改进（网络架构或损失函数），或完全自行设计。4.可以使用数据增强技术。5.可以使用预训练和精调方式进行训练。6.对分类模型的精度进行测试。7.学有余力的同学，可考虑使用不同的网络进行对比。8.完成课程设计报告。ILO-1ILO-2ILO-32深度学习目标检测1.基于目标检测网络，进行目标检测。2.数据集使用benchmark数据集，自行标注不低于1000条数据。3.查找目标检测相关文献，选择合适的目标检测模型进行实现。4.学有余力的同学，可考虑对现有模型进行改进。5.对目标检测结果进行测试。6.完成课程设计报告。ILO-1ILO-2ILO-33深度学习图像分割1.基于分割网络，进行图像分割。2.数据集使用benchmark数据集，自行标注不低于1000条数据。3.查找图像分割相关文献，选择合适模型进行实现。4.学有余力的同学，可考虑对现有模型进行改进。5.对图像分割结果进行测试。6.完成课程设计报告。ILO-1ILO-2ILO-34深度学习人脸识别1.基于CNN，进行人脸识别。2.数据集使用benchmark数据集，此外自行标注不低于1000条数据。3.查找人脸识别相关文献，选择合适的人脸识别模型进行实现。4.学有余力的同学，可考虑对现有模型进行改进。5.对人脸识别精度进行评估。6.完成课程设计报告。ILO-1ILO-2ILO-35深度学习表情识别1.基于CNN，进行表情识别。2.可自行采集数据集，自行标注不低于1000条数据。3.查找表情识别相关文献，选择合适的表情识别模型进行实现。4.学有余力的同学，可考虑对现有模型进行改进。5.对表情识别精度进行评估。6.完成课程设计报告。ILO-1ILO-2ILO-36深度学习图像去噪1.基于CNN，进行图像去噪。2.数据集使用benchmark数据集，自行标注不低于1000条数据。3.查找深度学习图像去噪相关文献，选择合适的图像去噪模型进行实现。4.学有余力的同学，可考虑对现有模型进行改进。5.对图像去噪的效果进行评估。6.完成课程设计报告。ILO-1ILO-2ILO-36房价分析与预测1.基于RNN，进行房价分析与预测。2.使用爬虫或人工自行采集房价数据集（时间序列数据，多个影响房价的因素均可作为输入特征），自行标注不低于1000条数据。3.使用LSTM或其改进模型进行房价预测。4.对图像去噪的效果进行评估。5.完成课程设计报告。ILO-1ILO-2ILO-37基于TextCNN的文本分类1.基于TextCNN，进行文本分类。2.数据集使用benchmark数据集，自行标注不低于1000条数据。3.查找TextCNN相关文献，进行模型实现。4.学有余力的同学，可考虑对现有模型进行改进。5.对文本分类精度进行评估。6.完成课程设计报告。ILO-1ILO-2ILO-37自选命题1.自选命题需要提前报任课老师批准。2.可以使用最新的顶级论文进行实现，或借助深度学习模型进行工程问题的解决。3.自行标注不低于1000条数据。4.要求网络资源无雷同代码。5.需要有足够的工作量。6.对结果需要有定量评估。7.完成课程设计报告。ILO-1ILO-2ILO-3注：学生可任选其中一个题目进行设计。对于工作量大的选题，经任课老师同意，可由2人合作完成。但一组人数不允许超过2人。四、课程设计的主要进程与时间安排序号主要进程教学内容时间分配1选题、分工及设计介绍选题详情，确定选题、若以小组完成的，进行组内分工，完成总体设计。第1天2模型设计/选取阅读文献，自行构建或采取现有深度模型第2-3天3编程实现按选题要求进行编程实现，包括代码编写、调试、测试等。第4-8天4模型评估对模型的测试结果进行定量评估并记录第9天5验收及完成报告对实现深度学习应用进行验收，并完成课程设计报告。第10天五、课程考核与成绩评定考核类别考查考核形式程序验收+课程设计报告成绩评定总评成绩=平时成绩*20%+期末成绩*80%平时成绩=点名*50%+认真程度*50%期末成绩=实验程序验收*60%+课程设计报告*40%实验程序验收=(技术前沿性+团队内承担工作量+熟悉程度)/31.点名评分标准：共10次，每次10分。2.认真程度评分标准：积极认真，进度快（90-100）较认真，进度一般（80-89）认真程度尚可，进度一般（70-79）认真程度一般，进度慢（60-69）不认真、进度很慢或未能按时完成代码编写（0-59）3.技术前沿性：采用近年来顶级论文提出的深度模型（90-100）采用近年来一般论文提出的深度模型（80-89）采用较为陈旧的深度模型（70-79）采用课本教材中最基本的深度模型（60-69）未按要求采用深度模型（0-59）4.团队内承担工作量评分标准：技术难度/工作量充足，团队合作顺利，完成模型并有测试结果（90-100）技术难度/工作量一般，团队合作顺利，完成模型并有测试结果（80-89）技术难度/工作量偏小，团队合作一般，基本完成模型，测试结果不完整（70-79）技术难度/工作量小，团队合作不理想，基本完成模型，测试结果不完整（60-69）团队中承担工作量严重偏小或未在团队中承担任何工作量，或未完成模型编写，无测试结果（0-59）。5.熟悉程度评分标准：对技术和代码非常熟悉（90-100）对技术和代码较熟悉（80-89）对使用的技术和代码一般熟悉（70-79）对使用的技术和代码不太熟悉（60-79）对使用的技术和代码一无所知，存在严重抄袭（0-59）6.课程设计报告评分标准：结构合理，内容完整，排版符合要求，具有技术前沿性或创新性，或有自己的见解（90-100）结构基本合理，内容基本完整，排版基本符合要求，技术描述基本正确，有轻微缺失或不足（80-89）总体质量尚可，但结构、内容、排版、技术描述中有一定问题（70-79）总体质量不佳，或结构、内容、排版、技术描述中有较为明显的问题（60-69）总体质量很差，态度不认真，有严重缺失，或有严重技术错误，或有严重抄袭（0-59）成绩登记方式百分制六、推荐教材与主要参考书（一）推荐教材：[1]AstonZhang，ZacharyC.Lipton，MuLi，AlexanderJ.Smola著，