本科三年级人工智能专业《机器学习进阶》单元教学设计

本科三年级人工智能专业《机器学习进阶》单元教学设计

一、课程基本信息

（一）课程定位与性质

作为人工智能专业的核心高阶课程，《机器学习进阶》在本科三年级春季学期开设，前序课程为《概率论与数理统计》《线性代数》《Python程序设计》及《机器学习导论》。本课程旨在深化学生对机器学习前沿理论与算法的理解，培养解决复杂工程问题的能力与科研创新素养。【非常重要】【核心必修】

（二）教学目标设定

依据布鲁姆教育目标分类学与OBE成果导向教育理念，本单元教学目标分为三个维度。1.知识与技能维度：学生能够准确阐述深度学习基本概念，包括神经元模型、激活函数、损失函数、优化算法；能够独立推导多层感知机的正向传播与反向传播算法；能够使用TensorFlow或PyTorch框架搭建、训练并评估一个用于图像分类的卷积神经网络模型。【非常重要】【高频考点】2.过程与方法维度：通过案例驱动与项目式学习，学生经历从问题定义、数据预处理、模型设计、训练调参到性能评估的全流程；掌握网格搜索、随机搜索等超参数优化方法；形成“实验-分析-迭代”的工程化思维。【重要】【热点】3.情感态度与价值观维度：在小组协作中培养团队沟通与批判性思维；通过对算法伦理边界的讨论，树立科技向善的价值取向；在模型迭代中锤炼耐心、严谨与实事求是的科学精神。【基础】

（三）教学重点与难点

1.教学重点：多层感知机的结构与反向传播算法推导；卷积神经网络的核心组件，即卷积层、池化层、全连接层及其设计原理；基于框架的模型构建与训练流程。【非常重要】【高频考点】2.教学难点：反向传播算法中链式法则的矩阵形式推导；梯度消失与梯度爆炸的成因及缓解策略；卷积特征图尺寸变化的计算与感受野概念。【难点】【高频考点】

（四）课时安排与教学资源

本单元共计8学时，分4次课完成，每次2学时即90分钟。教学资源包括：自研交互式课件，基于JupyterNotebook构建；在线实验平台GoogleColab；经典论文选读，如LeNet-5、AlexNet原文；开源数据集CIFAR-10、MNIST；虚拟仿真实验环境。【重要】

六、教学实施过程

第一次课：神经网络基础与反向传播算法，2学时。

（一）课前自主学习阶段，20分钟线上。教师提前48小时在学习通发布导学任务单，包含三段微视频，每段8至10分钟：神经元MP模型与感知机局限性、多层网络解决异或问题、损失函数与梯度下降思想。配套预习题为：第一，单层感知机为何无法处理非线性可分问题；第二，写出Sigmoid函数的导数表达式。学生在讨论区提交答案并提出疑问，教师收集共性问题在课堂集中释疑。【基础】【热点】

（二）课中导学-探究-内化阶段，70分钟。1.情境导入与目标呈现，5分钟。通过展示手写数字识别MNIST任务的人机正确率对比曲线，引发认知冲突：机器如何从原始像素中逐层抽象出数字特征。明确本节课学习目标，即掌握神经网络信息前向传播与误差后向传播的完整数学机理。【重要】2.核心概念精讲与交互建模，20分钟。教师以含一个隐藏层的3-4-3网络为例，在板书与PPT联动中逐步推演：第一，输入层到隐藏层的加权求和与激活函数映射，强调非线性激活函数是网络表达能力的根本来源。【非常重要】第二，隐藏层到输出层的计算过程，以Softmax函数将输出转化为概率分布，并引出交叉熵损失函数。【高频考点】第三，借助GeoGebra动态演示不同激活函数，包括Sigmoid、Tanh、ReLU的导数形态，铺垫后续梯度计算。【重要】每步推演后穿插即时提问，采用应答器系统收集全班理解度数据，针对错误率超30%的节点立即用类比法重释。3.反向传播算法矩阵化推导，30分钟。此为第一课时的制高点。教师分解推导流程：第一，明确符号系统，定义网络层数L、第l层权重矩阵W^[l]、偏置b^[l]、线性输出Z^[l]、激活输出A^[l]。【非常重要】第二，输出层误差δ^[L]计算，公式为δ^[L]=∇AL⊙σ‘(Z^[L])，结合交叉熵与Softmax的简化形式重点演示。【难点】【高频考点】第三，误差反向传播公式，δ^[l]=(W^[l+1]^Tδ^[l+1])⊙σ‘(Z^[l])，详细解释维度相容性与复合函数求导的链式法则。【非常重要】第四，参数梯度计算，∂J/∂W^[l]=δ^[l](A^[l-1])^T，∂J/∂b^[l]=δ^[l]。【高频考点】推演全程采用分步呈现加留白填充策略，核心公式推导预留关键步骤由学生小组协作3分钟补全，随机抽取两组展示推导逻辑，教师针对性修正。4.即时巩固与编程映射，15分钟。给出一个极简网络2-2-1的前向与反向计算手算题，学生独立完成后同桌互评。随后在JupyterNotebook环境中，教师带领学生将推导公式翻译为NumPy代码，实现一个100行以内的单隐层网络，并观察损失下降曲线。此环节实现从数学语言到代码语言的思维迁移。【重要】5.小结与预告，5分钟。师生共同绘制反向传播算法知识图谱，标注本节课核心概念与公式。预告下节课将从全连接走向局部连接，引入卷积神经网络。【基础】

第二次课：卷积神经网络原理与构建，2学时。

（一）复习导入与问题链驱动，8分钟。展示全连接网络处理CIFAR-10图像时的参数爆炸问题，32x32x3图像展平为3072维，首层隐层500神经元即需150万参数，引出减少参数的两大核心思想：局部连接与权值共享。【非常重要】【热点】

（二）卷积层核心概念多模态建构，25分钟。1.卷积运算的可视化演绎：教师使用滑动窗口动画演示单通道输入与单卷积核的互相关运算过程，强调卷积核实为特征检测器。【基础】2.多通道卷积与卷积核堆叠：以RGB三通道输入为例，动画演示一个卷积核如何同时处理所有输入通道并累加生成单通道特征图；多个卷积核生成多通道特征图。【重要】【高频考点】3.填充与步长的数学表达：推导输出特征图尺寸公式O=(W-K+2P)/S+1，并布置即时计算题，如输入32x32，3x3卷积核，P=1，S=1，输出尺寸。【高频考点】4.参数共享机制的经济性分析：对比全连接层与卷积层的参数量，计算示例中卷积层仅需(3x3x3+1)x10=280参数，使学生直观感受其优势。【重要】

（三）池化层与全连接层的协同作用，15分钟。1.池化操作的本质：下采样与特征聚合。通过最大值池化与平均池化的对比实验数据，揭示池化层在保留主要特征、减少维度、提供平移不变性方面的作用。【重要】2.经典网络结构切片分析：解剖LeNet-5，逐层标注特征图尺寸变化与参数分布，使学生理解卷积-池化-卷积-池化-全连接的层次设计模式。【基础】3.激活函数的位置规范：强调卷积层后、池化层前需接入非线性激活函数，通常为ReLU，并解释ReLU缓解梯度消失的机制。【高频考点】

（四）基于PaddlePaddle与TensorFlow的快速实现，30分钟。教师在云端实验环境启动已预置数据加载代码的Notebook，重点演示：1.使用tf.keras.Sequential堆叠Conv2D、MaxPooling2D、Flatten、Dense层构建一个简易CNN。【重要】2.可视化每层输出的特征图：选取测试图像，前向传播后绘制中间层激活值热力图，直观感受底层检测边缘、中层检测纹理、高层检测部件抽象层次。【非常重要】3.实时训练监控：在训练过程中动态绘制损失与准确率曲线，当出现过拟合时，即训练损失降、验证损失升，立即引入Dropout层并观察泛化效果改善。【难点】【热点】

（五）形成性评价与疑难辨析，12分钟。发布包含5道选择题的课堂互动练习，覆盖卷积核维度计算、感受野递推、池化层梯度传播特性等。正确率低于70%的题目即刻进行变式重讲。预留3分钟学生通过不懂代码匿名提问，集中解答卷积层梯度反向传播时权重更新方式。【重要】

第三次课：深度学习优化策略与正则化技术，2学时。

（一）问题链回溯与进阶设问，5分钟。回顾前次课搭建的CNN训练中可能出现的损失震荡、收敛缓慢、过拟合现象，自然引出三个核心问题：如何让模型更快收敛；如何避免陷入局部极小；如何保证模型对未见过数据依然有效。【重要】

（二）优化算法演进图谱，30分钟。1.梯度下降的三种形态：批梯度下降、随机梯度下降、小批量梯度下降。教师以二维损失地形图动画对比三者收敛路径，总结SGD的噪声有助于跳出局部极小但可能产生震荡。【基础】2.动量法：类比小球滚下山坡的物理过程，公式化v_t=γv

{t-1}+η∇J(θ)，解释加速收敛与抑制震荡的双重作用。【重要】3.自适应学习率方法：从AdaGrad对稀疏特征的优势到RMSProp修正学习率衰减过快问题，最终引出Adam，即结合动量与RMSProp的当前主流优化器。【非常重要】【高频考点】4.算法对比实验：展示在CIFAR-10上使用SGD、Momentum、Adam训练同一CNN的收敛曲线对比图，学生观察Adam收敛最快且最平稳。

（三）权重初始化与批归一化，20分钟。1.初始化策略的生死攸关：演示全零初始化导致神经元对称失效，过大初始化导致梯度爆炸，过小初始化导致梯度消失。引出Xavier初始化与He初始化的适配场景，前者适用于Sigmoid、Tanh，后者适用于ReLU。【难点】【高频考点】2.批归一化的内协变量移位校正：教师用简化数学推导说明BN层对每个小批量进行标准化，并引入可学习参数恢复表征能力。强调BN层的位置通常置于线性变换后、激活函数前。【非常重要】【热点】3.动手实验：在Notebook中为CNN插入BN层，对比训练前期的梯度分布直方图，学生直观看到梯度稳定在合理范围，收敛速度显著提升。

（四）正则化铁三角：范数、Dropout与数据增强，25分钟。1.L1与L2正则化的几何解释：在损失函数中加入权值平方和即L2，或绝对值即L1，L1倾向于产生稀疏权值，L2倾向于权值衰减。推导加入正则项后的参数更新公式。【重要】【高频考点】2.Dropout的集成学习视角：随机失活神经元的本质是训练指数级个数的子网络并在测试时求平均。教师现场编写代码演示测试阶段需将权重乘以失活概率p，强调该缩放操作。【非常重要】3.数据增强的领域知识注入：针对图像数据，展示随机裁剪、水平翻转、色彩抖动、旋转等操作。强调增强样本应保持语义不变性，如数字6旋转180度变成9则不宜。【重要】4.综合案例：对一个明显过拟合的小型CNN，训练精度99%，验证精度82%，学生分组讨论并实施组合正则化策略，3分钟后汇报方案思路，教师点评并选择一组现场实施，观察验证精度提升至88%。【热点】

（五）知识内化与迁移应用，10分钟。呈现一份医疗影像分类任务描述，小样本、类别不平衡，要求学生以思维导图形式勾勒解决方案框架，需包含优化器选择、初始化方式、正则化组合等要素。教师选取两份典型作业匿名展示，组织互评并提炼通用设计范式。【重要】

第四次课：生成对抗网络入门与无监督学习前沿，2学时。

（一）从判别到生成的问题情境转换，5分钟。展示真实人脸与StyleGAN生成难辨真假的图像，提问：模型从未见过这些虚构人物，如何从随机噪声中生成人脸。由此引出生成式模型的核心，即学习真实数据的分布。【热点】【前沿】

（二）生成对抗网络博弈机理剖析，30分钟。1.零和博弈框架：定义生成器G将隐空间向量z映射为伪样本，判别器D接受真伪样本输出二分类概率。目标函数为min_Gmax_DV(D,G)，教师用类比警察与假币贩子阐释对抗训练逻辑。【非常重要】2.训练动力学与平衡点：推导当D固定时G的最优解；当G固定时D的最优解为D*(x)=p_data(x)/[p_data(x)+p_g(x)]；最终理想均衡态p_g=p_data，D输出恒为1/2。【难点】3.模式崩溃与不收敛成因：教师使用t-SNE可视化训练过程中生成样本分布，展示生成样本多样性丧失现象，并简述改进方案，如WGAN引入Wasserstein距离。【热点】

（三）手写数字生成的极简实现，30分钟。在Colab环境中，教师带领学生搭建一个由全连接层构成的简单GAN，G输入100维噪声，输出784维像素；D输入784维，输出二分类。关键教学点包括：1.对抗训练的双网络交替更新技巧：一轮迭代中先训练D，再训练G，且训练G时冻结D参数。【重要】2.标签平滑：将真实标签由1替换为0.9，伪标签由0替换为0.1，缓解判别器过于自信导致梯度消失。【重要】3.可视化生成效果：每5个epoch打印G生成的数字图像，学生观察从噪声到轮廓清晰数字的演变过程，并记录首次出现可辨识数字的迭代次数。【基础】4.失败模式调试：当生成器损失持续下降至接近0而判别器损失高企时，分析梯度失衡并演示添加噪声、调整学习率等缓解措施。【难点】

（四）无监督学习前沿拓展，15分钟。教师以综述形式快速扫描生成式模型发展脉络：VAE变分自编码器通过隐空间正则化实现生成；自监督学习通过构造pretask学习表征，如SimCLR。以BERT和MAE为例，说明掩码重建任务在语言与视觉领域的统一范式。【热点】【前沿】

（五）项目开题与伦理思辨，10分钟。发布单元实战任务：自选数据集，动漫头像、花卉、字体等，以3人小组为单位完成一个生成式模型的设计与训练，2周后提交模型代码与生成效果报告。同时引入深度伪造技术滥用案例，组织学生研讨：技术中立与使用者责任的边界是什么，如何在论文发表或产品发布时披露生成内容的AI属性。以此将思政元素自然融入技术教学。【重要】

七、教学评价与反馈

（一）过程性评价，占比60%。1.课前预习测验，10%，通过学习平台自动批