《高级语言程序设计及应用》电子教案

《高级语言程序设计及应用》教案Python语言基础与标准库基本信息项目内容教学内容第1章Python语言基础与标准库授课时间第X周，周X，第X–X节授课学时6学时授课类型理论+实践教学目标知识目标了解Python的发展历史与核心特点；掌握Python基本语法（变量、运算符、缩进）；熟悉核心类型（int、float、str、list、tuple、dict、set）及可变性；理解流程控制结构（if-elif-else、for、while）；掌握函数定义与调用，理解参数传递机制；理解模块化思想，掌握标准库（os、sys、re、datetime、json等）的基本使用。能力目标能独立编写、调试基础Python脚本；能运用标准库完成文件遍历、路径处理、数据统计等系统操作任务；具备初步的工程化编程意识，能将功能模块化封装。情感与价值观目标培养严谨的编程习惯和对代码可读性的重视；体会Python“简洁即美”的设计哲学；理解模块化思想对构建大型软件项目的基石作用，树立工程化思维。教学重点与难点教学重点变量与数据类型（特别是可变/不可变对象）流程控制结构函数定义与参数传递模块导入机制标准库常用模块（os、sys、json、datetime）教学策略通过PythonREPL（交互式解释器）即时演示变量赋值、类型变化等抽象概念；采用对比教学法（如listvstuple、可变vs不可变对象）强化理解；强调“代码即文档”，在示例中展示良好命名、注释和格式规范；通过综合实践项目（如“文件夹内容分析器”）整合知识点，提升解决实际问题的能力。教学难点Python变量的引用本质与对象内存模型；可变默认参数陷阱及函数参数传递机制（引用传递vs值传递）；浮点数精度问题与decimal模块的使用场景。教学策略使用id()函数配合内存图（可板书或PPT动画）直观展示对象引用关系；设计对比实验（如修改列表vs修改整数作为函数参数），让学生亲手验证行为差异；通过0.1+0.2!=0.3等经典案例引发认知冲突，引出decimal模块的必要性。课程思政元素与融入路径思政元素融入路径严谨求实的科学精神在讲解代码规范时，强调其在团队协作和长期维护中的价值，引导学生树立“写给人看的代码”理念工程化协作意识通过对比C语言与Python的类型系统、内存管理，体会不同语言设计哲学背后对开发效率与安全性的权衡技术伦理（如浮点误差风险）在浮点数精度案例中，引入技术责任意识——提醒学生在关键领域（如金融、航天）必须谨慎处理数值计算教学流程教学环节教学内容设计教学方法与时间分配【课程介绍】

【知识回顾】（0.5学时）

1.课程导入：介绍Python的流行趋势（TIOBE指数）、应用领域（Web、AI、数据分析等）及本章学习目标。

2.环境搭建：指导安装Miniconda或官方Python，配置VSCode/PyCharm，验证print("Hello,World!")。

3.REPL体验：演示交互式解释器，作为探索语言特性的即时工具。教学方法：讲授法+演示法+实操指导

时间分配：0.5学时【讲授新课】

1.1基础语法与数据类型（1.5学时：理论0.5+实践1.0）

1.变量与内存模型：

 -讲解x=10的本质（创建对象+绑定引用）；

 -演示id()对比不可变对象（int/str）与可变对象（list）的行为。

2.核心数据类型：

 -数值：int（无限精度）、float（IEEE754精度问题）、decimal（定点数）；

 -序列：str（索引/切片）、list（增删改查）、tuple（不可变/解包）；

 -映射：dict（键值对/插入顺序）；

 -集合：set（去重/集合运算）、frozenset（不可变集合）。

3.实践任务：

 -编写脚本操作学生成绩字典（计算平均分、等级）；

 -使用列表推导式生成平方数列表。教学方法：讲授法+演示法+练习法

时间分配：

-理论讲解与演示：0.5学时

-学生实践与教师指导：1.0学时【讲授新课】

1.2流程控制与函数（2.0学时：理论0.5+实践1.5）

1.流程控制：

 -if-elif-else条件分支（成绩等级判断）；

 -for循环（遍历列表）、while循环（计数器）。

2.函数定义与调用：

 -基本结构：def、参数、return；

 -参数类型：必选参数、默认参数、*args、**kwargs；

 -返回值：单一值、元组、None；

 -重点剖析：可变对象作为参数的引用传递机制。

3.实践任务：

 -实现grade_calculator(score)函数；

 -实现sum_numbers(*numbers)函数；

 -验证列表作为参数在函数内外的修改影响。教学方法：案例教学法+任务驱动法+小组讨论

时间分配：

-理论讲解与案例演示：0.5学时

-学生编码实践与互评：1.5学时【讲授新课】

1.3模块化编程与标准库（2.0学时：理论0.5+实践1.5）

1.模块化思想：

 -区分“模块化编程”（思想）与“模块导入”（语法）；

 -强调降低复杂性、提高复用性。

2.模块导入：

 -importmodule与frommoduleimport...；

 -包管理工具简介（pip、conda、uv）。

3.常用标准库实战：

 -os/os.path：路径拼接、目录遍历；

 -sys：命令行参数（sys.argv）；

 -re：正则表达式匹配文件扩展名；

 -datetime：获取当前时间；

 -json：生成分析报告。

4.综合实践：

 -实现“文件夹内容分析器”（示例1-15），统计文件类型、大小分布并生成JSON报告。教学方法：项目驱动法+探究式学习

时间分配：

-理论讲解与思想引导：0.5学时

-项目实践（创建模块、使用标准库）：1.5学时【课堂小结】

【布置作业】（0.5学时）

1.知识梳理：回顾变量引用机制、数据类型可变性、函数参数传递、标准库核心模块。

2.强调重点：再次强调“引用传递”和“模块化”是后续面向对象与项目开发的基础。

3.布置作业：

 -基础题：完成教材课后习题（如变量操作、流程控制、函数编写）；

 -项目题：编写“通讯录管理程序”，要求：

  •使用字典存储联系人（姓名、电话、邮箱）；

  •实现添加、查询、删除功能；

  •代码模块化（如contact_manager.py）；

  •使用json模块持久化数据。教学方法：总结归纳法+任务布置

时间分配：0.5学时

Python高级编程特性基本信息项目内容教学内容第2章Python高级编程特性授课时间第X周，周X，第X–X节授课学时6学时授课类型理论+实践教学目标知识目标理解Python多范式编程特性（面向过程、函数式、面向对象）；掌握装饰器、闭包、迭代器、生成器的核心原理与使用场景；熟悉面向对象编程（OOP）基本要素：类定义、继承、多态、特殊方法；掌握上下文管理器（ContextManager）机制与with语句的使用；了解高级调试工具（如pdb）及性能分析基础。能力目标能灵活运用装饰器实现日志、计时、权限控制等横切逻辑；能使用生成器处理大规模数据流，提升内存效率；能设计简单的类结构并利用继承扩展功能；能通过上下文管理器安全地管理资源（如文件、锁、数据库连接）；具备使用调试工具定位和修复复杂逻辑错误的能力。情感与价值观目标体会Python“优雅优于丑陋”“简洁优于复杂”的设计哲学；培养对代码抽象层次的理解，避免过度工程化；树立“关注点分离”和“资源安全释放”的工程规范意识。教学重点与难点教学重点装饰器与闭包的实现机制生成器与迭代器的区别与应用场景类的定义与继承上下文管理器的__enter__/__exit__协议教学策略通过代码对比（如传统try-finallyvswith语句）突出高级特性的优势；使用可视化执行流程图展示装饰器嵌套、生成器状态暂停/恢复过程；采用框架案例引导（如Flask的@app.route）说明装饰器在真实项目中的价值；强调“实用优于纯粹”，避免学生陷入过度使用高级特性的误区。教学难点装饰器中functools.wraps的作用与必要性；闭包中自由变量的生命周期与修改限制（需nonlocal）；多继承中的方法解析顺序（MRO）与super()的正确使用；上下文管理器中异常处理与__exit__返回值的含义。教学策略通过调试器（pdb）单步执行观察装饰器包装前后函数元信息的变化；设计对比实验：有无wraps时help(func)和func.__name__的差异；使用ClassName.__mro__直观展示继承顺序；编写自定义上下文管理器模拟数据库事务，演示异常是否被抑制。课程思政元素与融入路径思政元素融入路径工程伦理在讲解上下文管理器时，强调“资源必须释放”是程序员的基本责任，类比现实中的“用完归还”公德意识抽象思维能力通过对比“手写迭代器类”与“生成器函数”，引导学生理解“工具为解决问题服务”，反对炫技式编码技术适度原则在装饰器教学中，引出“关注点分离”的软件工程思想，类比社会分工协作的高效性教学流程教学环节教学内容设计教学方法与时间分配【课程导入】

【知识衔接】（0.5学时）

1.回顾第1章：函数、模块、标准库使用；

2.提出问题：

 -如何在不修改原函数的情况下添加日志或计时？

 -如何高效处理10GB的文本文件而不爆内存？

 -如何确保文件/数据库连接一定被关闭？

3.引出本章主题：Python高级特性是解决这些问题的优雅方案。教学方法：问题驱动法+讲授法

时间分配：0.5学时【讲授新课】

2.1装饰器、闭包、迭代器、生成器（2.0学时：理论1.0+实践1.0）

1.装饰器：

 -原理：高阶函数+语法糖@；

 -示例：timing_decorator（含functools.wraps）；

 -应用：Flask路由、权限校验。

2.闭包：

 -定义：函数+自由变量环境；

 -示例：power_factory返回幂函数；

 -注意：修改闭包变量需nonlocal。

3.迭代器vs生成器：

 -迭代器协议（__iter__/__next__）；

 -生成器：yield语法糖，状态自动保存；

 -示例：Countdown类vsfibonacci生成器。

4.实践任务：

 -编写缓存装饰器（记忆化）；

 -用生成器实现大文件逐行读取并过滤关键词。教学方法：案例教学+对比演示+编码实践

时间分配：

-理论讲解与演示：1.0学时

-学生实践与教师指导：1.0学时【讲授新课】

2.2类与面向对象编程（1.5学时：理论0.5+实践1.0）

1.类定义：

 -__init__、实例方法、类方法（@classmethod）、静态方法（@staticmethod）；

 -特殊方法：__str__、__eq__等。

2.继承与多态：

 -单继承与多继承；

 -方法解析顺序（MRO）；

 -super()的正确使用。

3.示例：Animal基类与子类扩展。

4.实践任务：

 -扩展Animal类，添加Dog、Cat子类并重写speak；

 -实现一个支持加法的Vector类（重载__add__）。教学方法：讲授法+任务驱动

时间分配：

-理论讲解：0.5学时

-编码实践：1.0学时【讲授新课】

2.3上下文管理器与with语句（1.5学时：理论0.5+实践1.0）

1.问题引入：传统try-finally的冗长与易错；

2.上下文管理协议：

 -__enter__（获取资源）；

 -__exit__（释放资源，处理异常）；

3.实现方式：

 -自定义类（TimingContextManager）；

 -@contextlib.contextmanager装饰器（temporary_setting）。

4.实践任务：

 -实现FileLock上下文管理器（模拟文件锁）；

 -使用contextlib.ExitStack同时管理多个文件。教学方法：问题导向+代码重构对比+项目实践

时间分配：

-理论与演示：0.5学时

-实践编码：1.0学时【讲授新课】

2.4高级调试技术（选讲）（0.5学时）

1.调试工具演进：print→logging→pdb；

2.pdb基础命令：l（list）、n（next）、s（step）、p（print）、c（continue）；

3.性能分析简介：cProfile、timeit。教学方法：演示法+快速体验

时间分配：0.5学时【课堂小结】

【布置作业】（0.5学时）

1.知识图谱梳理：装饰器→闭包→生成器→类→上下文管理器，强调它们如何共同构建Python的表达力；

2.强调原则：“实用优于纯粹”，高级特性是工具，不是目的；

3.布置作业：

 -基础题：实现带参数的装饰器（如@retry(max_attempts=3)）；

 -项目题：开发一个“配置管理器”：

  •使用类封装配置；

  •支持上下文临时修改（withconfig.temp(debug=True):...）；

  •使用生成器惰性加载配置项。教学方法：总结归纳+任务驱动

时间分配：0.5学时

数据处理与可视化基本信息项目内容教学内容第3章数据处理与可视化授课时间第X周，周X，第X–X节授课学时6学时授课类型理论+实践教学目标知识目标掌握使用pandas进行结构化数据的读取、写入与基本操作（DataFrame/Series）；理解数据归一化/标准化，掌握Min-Max、Z-score、Robust方法及其适用场景；了解地球化学等专业领域中的成分数据闭合约束问题，掌握对数比变换原理；熟悉常用可视化图表类型（柱状图、散点图、折线图、箱线图、热力图）及场景；掌握matplotlib、seaborn等库的基本绘图流程与中文显示配置。能力目标能独立完成从数据加载、清洗、转换到可视化的完整分析流程；能根据数据特征和分析目标选择合适的归一化方法与可视化类型；能处理CSV/Excel等常见格式的数据文件，并进行多工作表操作；能构建综合可视化面板，有效传达数据洞察。情感与价值观目标培养“数据驱动决策”的科学思维；强调可视化不仅是技术，更是沟通艺术，需兼顾准确性与可读性；树立对数据质量与预处理重要性的认识，避免“垃圾进，垃圾出”。教学重点与难点教学重点pandas数据读写与操作数据归一化方法选择可视化图表类型与应用场景匹配matplotlib/seaborn基础绘图教学策略采用真实场景驱动（如销售数据分析、地球化学成分分析）贯穿教学；通过对比实验展示不同归一化方法对含异常值数据的影响；使用“图表选择决策树”（基于表3-4）引导学生根据分析目标选图；强调“先理解数据，再选择方法”，避免盲目套用技术。教学难点成分数据的闭合约束（ClosureConstraint）及其统计影响；对数比变换（ALR/CLR/ILR）的数学原理与地质意义；多维数据的可视化表达与信息过载问题。教学策略用模拟数据演示：展示闭合数据在传统统计下的误导性（如虚假负相关）；通过地质案例解释：ALR反映源区特征，CLR揭示元素相对富集/亏损；采用分步构建法：从单图→子图网格（GridSpec）→综合面板，降低复杂度。课程思政元素与融入路径思政元素融入路径科学严谨性在讲解可视化误导（如截断Y轴）时，强调“数据诚实”是科研与工程的基本伦理数据伦理通过地球化学案例，说明专业领域知识对数据处理方法选择的决定性作用，反对“黑箱操作”有效沟通能力在图表设计中融入“用户中心”思想——可视化是为他人理解服务，需考虑受众背景教学流程教学环节教学内容设计教学方法与时间分配【课程导入】

【问题驱动】（0.5学时）

1.场景引入：

 -场景1：销售部门需要分析各产品季度表现；

 -场景2：地质学家需解释火成岩成分差异。

2.提出核心问题：

 -如何高效处理结构化表格数据？

 -不同量纲的数据如何公平比较？

 -如何将复杂数据关系直观呈现？

3.引出本章工具链：pandas+sklearn+matplotlib/seaborn。教学方法：案例教学法+问题驱动

时间分配：0.5学时【讲授新课】

3.1结构化数据处理（pandas）（1.5学时：理论0.5+实践1.0）

1.数据读写：

 -CSV：read_csv/to_csv（编码、分块读取）；

 -Excel：read_excel/ExcelWriter（多工作表、汇总页）。

2.DataFrame操作：

 -列选择、条件筛选、分组聚合（groupby+agg）；

 -日期处理（pd.to_datetime）。

3.实践任务：

 -生成模拟销售数据（示例3-7）；

 -写入Excel并创建“产品销售”分表与“销售汇总”页。教学方法：演示法+任务驱动

时间分配：

-理论与演示：0.5学时

-学生实践：1.0学时【讲授新课】

3.2数据归一化与专业变换（2.0学时：理论1.0+实践1.0）

1.通用归一化（表3-2）：

 -Min-Max（[0,1]）、Z-score（均值为0）、Robust（抗异常值）；

 -示例：含异常值数据的分布对比（示例3-6）。

2.专业领域变换（地球化学）：

 -闭合约束问题：总和为100%导致的统计偏差；

 -对数变换：ALR（参考元素）、CLR（对称处理）、ILR（正交变量）；

 -元素比值：直观反映成因过程。

3.实践任务：

 -对模拟火成岩数据应用5种变换（示例3-7）；

 -对比归一化前后KNN聚类结果差异。教学方法：对比实验+领域案例+编码实践

时间分配：

-原理讲解与演示：1.0学时

-学生实验与分析：1.0学时【讲授新课】

3.3数据可视化（1.5学时：理论0.5+实践1.0）

1.可视化原则：

 -目标导向、简洁清晰、避免误导；

 -图表选择依据（表3-4）：

  •比较→柱状图；

  •关系→散点图；

  •分布→箱线图/小提琴图；

  •相关性→热力图。

2.工具库使用：

 -matplotlib：基础绘图、中文字体配置；

 -seaborn：统计图表、美观默认样式；

 -GridSpec：构建多子图面板。

3.实践任务：

 -实现综合可视化面板（示例3-8）；

 -对销售数据绘制：产品销售额柱状图+时间趋势折线图+销售量分布箱线图。教学方法：案例演示+设计原则讲解+项目实践

时间分配：

-理论与示例：0.5学时

-综合绘图实践：1.0学时【课堂小结】

【布置作业】（0.5学时）

1.流程回顾：数据加载→清洗/转换→归一化→可视化→解读；

2.强调核心思想：

 -“没有最好的方法，只有最合适的方法”；

 -可视化是数据叙事，需服务于分析目标。

3.布置作业：

 -基础题：对给定数据集完成归一化与基础图表绘制；

 -项目题：分析“城市空气质量数据集”：

  •读取CSV，处理缺失值；

  •对PM2.5、SO₂等指标进行归一化；

  •绘制各城市污染物对比柱状图+时间趋势折线图+污染物相关性热力图；

  •撰写100字分析结论。教学方法：总结归纳+项目驱动

时间分配：0.5学时

系统编程与网络交互基本信息项目内容教学内容第4章系统编程与网络交互授课时间第X周，周X，第X–X节授课学时6学时授课类型理论+实践教学目标知识目标掌握Python系统编程核心模块（os、sys、subprocess、pathlib）的使用；理解多任务并发模型（多进程、多线程、异步IO）的基本原理与适用场景；熟悉网络编程基础：HTTP协议、requests库、HTML解析（BeautifulSoup）；掌握Web应用开发入门：使用pywebio构建交互式数据可视化应用；了解反爬机制与应对策略（User-Agent伪装、请求延迟）。能力目标能编写脚本自动化完成文件系统操作与外部命令调用；能根据任务类型（CPU密集/IO密集）选择合适的并发模型并评估性能；能从网页或API获取结构化数据并进行清洗分析；能构建简单的Web交互界面，实现“上传-处理-可视化”闭环；具备基本的网络数据获取合规意识与反爬规避能力。情感与价值观目标培养自动化思维，提升工作效率；树立网络数据获取的法律与伦理边界意识（遵守robots.txt、合理请求频率）；体会“工具链组合”在解决复杂问题中的强大力量（如requests+BeautifulSoup+pandas）。教学重点与难点教学重点系统操作（文件/进程）并发模型对比与选择requests+BeautifulSoup网络数据抓取pywebio快速构建Web应用教学策略“问题-工具-实现”三段式教学：如“批量重命名文件”→os.rename+pathlib；通过性能对比实验（图4-1）直观展示不同并发模型在CPU/IO任务下的效率差异；使用真实网站（如百度搜索）作为爬虫案例，增强代入感；强调“快速原型开发”思想，用pywebio替代传统Web框架降低入门门槛。教学难点GIL（全局解释器锁）对多线程性能的影响；异步IO（async/await）的事件循环机制；动态网页与反爬机制的应对（本章仅涉及基础UA伪装）；Web应用中文件上传与内存处理的安全边界。教学策略用比喻法解释GIL：“单核CPU上的多线程如同单收银台排队”；通过性能压测脚本（示例4-2）让学生亲手验证多进程vs多线程vs异步的差异；在爬虫示例中明确“仅用于学习，禁止商用”的伦理声明；在Web应用代码中强调异常处理与文件类型校验的必要性。课程思政元素与融入路径思政元素融入路径技术伦理在网络爬虫教学中，强调“尊重网站规则”（robots.txt）和“避免服务器过载”（请求延迟），类比现实中的“排队守序”知识产权意识——工程效率观通过对比手动处理vs自动化脚本，引导学生体会“善用工具解放生产力”的工程智慧；在数据可视化应用中，说明“技术服务于人”——界面设计应以用户易用性为中心教学流程教学环节教学内容设计教学方法与时间分配【课程导入】

【场景驱动】（0.5学时）

1.现实痛点：

 -场景1：手动整理1000个文件耗时耗力；

 -场景2：需要从网页批量获取数据但无API；

 -场景3：分析结果只能本地看，无法分享给同事。

2.引出解决方案：

 -系统编程→自动化文件/进程操作；

 -网络交互→爬虫+API调用；

 -Web应用→快速构建交互界面。

3.介绍工具链：os/subprocess、requests/bs4、pywebio。教学方法：问题驱动+案例展示

时间分配：0.5学时【讲授新课】

4.1系统编程基础（1.5学时：理论0.5+实践1.0）

1.文件与路径操作：

 -osvspathlib（推荐后者）；

 -遍历目录、批量重命名、文件属性获取。

2.进程与命令执行：

 -subprocess.run()执行系统命令；

 -获取命令输出与错误码。

3.实践任务：

 -编写“日志清理脚本”：删除7天前的.log文件；

 -调用ping命令检测网络连通性并解析结果。教学方法：演示法+任务驱动

时间分配：

-理论与演示：0.5学时

-学生实践：1.0学时【讲授新课】

4.2并发编程与性能优化（1.5学时：理论0.5+实践1.0）

1.并发模型对比：

 -多进程（multiprocessing）：适合CPU密集型；

 -多线程（threading）：受GIL限制，适合IO密集型；

 -异步IO（asyncio）：高并发IO场景。

2.性能实验（示例4-2）：

 -CPU任务（计算密集）：多进程>多线程≈异步；

 -IO任务（网络请求）：异步≈多线程>多进程。

3.实践任务：

 -对比三种方式下载10个网页的耗时；

 -绘制性能对比柱状图（复用第3章可视化技能）。教学方法：实验对比+数据驱动

时间分配：

-原理讲解：0.5学时

-性能测试实践：1.0学时【讲授新课】

4.3网络信息获取与处理（1.5学时：理论0.5+实践1.0）

1.HTTP请求：

 -requests.get()基础用法；

 -设置请求头（User-Agent伪装）；

 -异常处理（超时、状态码）。

2.HTML解析：

 -BeautifulSoup解析DOM树；

 -CSS选择器提取标题、链接、摘要。

3.反爬策略：

 -随机UA（fake-useragent）；

 -请求间隔（time.sleep）。

4.实践任务：

 -实现百度搜索结果爬虫（示例4-4）；

 -将结果保存为结构化JSON。教学方法：案例教学+伦理强调

时间分配：

-原理与演示：0.5学时

-爬虫编码实践：1.0学时【讲授新课】

4.4构建交互式Web应用（1.0学时：理论0.25+实践0.75）

1.快速Web开发：

 -pywebio优势：无需前端知识，Python全栈；

 -核心组件：file_upload、input_group、put_html。

2.应用示例：

 -上传Excel/CSV→预览数据→选择列→生成散点图+相关系数（示例4-5）。

3.实践任务：

 -运行并调试散点图可视化应用；

 -扩展功能：增加直方图或箱线图选项。教学方法：项目驱动+快速体验

时间分配：

-演示与讲解：0.25学时

-应用部署与扩展：0.75学时【课堂小结】

【布置作业】（0.5学时）

1.知识串联：

 -系统编程（自动化）+网络交互（数据获取）+Web应用（成果展示）=完整数据工作流；

2.强调边界：

 -技术强大，但需遵守法律与伦理；

 -并发不是万能药，需按场景选择。

3.布置作业：

 -基础题：编写脚本，监控某目录新增文件并自动分类；

 -项目题：“学术论文关键词分析器”：

  •从某学术网站（如知网简易页面）爬取论文标题/摘要；

  •使用jieba分词提取高频词；

  •用pywebio构建Web界面，支持上传自定义文本或爬取结果进行词云可视化。教学方法：总结归纳+项目驱动

时间分配：0.5学时

高性能计算优化基本信息项目内容教学内容第5章高性能计算优化授课时间第X周，周X，第X–X节授课学时6学时授课类型理论+实践教学目标知识目标掌握程序性能评估的核心指标（执行时间、CPU/内存/IO占用、资源平衡）；理解不同类型任务（CPU密集型、内存密集型、IO密集型）的性能瓶颈特征；了解即时编译（JIT）技术原理，掌握Numba在数值计算中的加速应用；初步了解GPU加速（CuPy）、分布式与并行计算的基本思想；熟悉性能监控工具（psutil）与可视化分析方法。能力目标能使用psutil和自定义监控器对程序进行实时资源追踪；能设计基准测试（benchmark）对不同实现方案进行性能对比；能针对数值计算密集型函数应用NumbaJIT装饰器实现显著加速；能通过可视化手段（如图5-1）分析并解释程序资源消耗模式；具备初步的性能调优意识与方法论。情感与价值观目标培养“性能是设计出来的，不是碰巧得到的”工程思维；树立“没有免费的午餐”意识——性能优化常伴随复杂度、兼容性或开发成本权衡；体会Python在保持简洁性的同时，通过工具（如Numba）突破性能瓶颈灵活性。教学重点与难点教学重点性能评估指标体系任务类型与资源瓶颈对应关系NumbaJIT加速原理与使用基准测试设计教学策略采用“测量先行”原则：所有优化必须基于量化数据，而非直觉；通过三类典型任务实验（CPU/内存/IO密集型）让学生亲手观察资源占用差异；使用可视化对比图（如图5-1）直观展示优化前后性能变化；强调“适用场景”：JIT适合数值计算，不适用于通用逻辑。教学难点JIT编译的“热点代码”识别与优化机制；PythonGIL对多线程CPU密集型任务的限制；性能指标的综合解读（如高CPU但低吞吐可能意味着锁竞争）；GPU加速的硬件依赖与数据迁移开销。教学策略用比喻法解释JIT：“像赛车在直道上换挡提速，只对频繁执行的路段优化”；通过性能监控数据（monitor.cpu,monitor.mem）引导学生诊断瓶颈；在Numba示例中明确限制条件（仅支持NumPy数组、有限Python语法子集）；对GPU加速仅作概念介绍，避免陷入CUDA编程细节。课程思政元素与融入路径思政元素融入路径科学实证精神在性能评估中强调“用数据说话”，反对主观臆断，培养实证科学精神技术权衡思维通过对比“未优化代码”与“优化后代码”的复杂度，引导学生理解“性能与可维护性的平衡”可持续计算意识（能效比）在讨论资源占用时，引申“绿色计算”理念——高效利用计算资源即是节能减排教学流程教学环节教学内容设计教学方法与时间分配【课程导入】

【问题驱动】（0.5学时）

1.痛点场景：

 -“我的Python代码太慢了，怎么办？”

 -“为什么同样的算法，别人跑得比我快10倍？”

2.核心观点：

 -优化始于准确测量，而非盲目改写；

 -不同任务类型（CPU/内存/IO）需不同优化策略。

3.引出工具链：psutil（监控）、Numba（JIT）、matplotlib（可视化）。教学方法：问题驱动+案例对比

时间分配：0.5学时【讲授新课】

5.1程序性能评估（2.0学时：理论0.5+实践1.5）

1.性能指标体系（表5-1）：

 -执行时间、吞吐量、CPU利用率、内存占用、IO吞吐；

 -资源平衡性（resource_balance）。

2.性能监控器实现：

 -PerfMonitor类：实时采集CPU%、内存(MB)、磁盘IO(MB)；

 -benchmark函数：支持预热、多轮迭代、垃圾回收。

3.三类任务定义：

 -CPU密集：大矩阵运算（np.dot+eigvals）；

 -内存密集：大数组创建与复制；

 -IO密集：文件读写（模拟）。

4.实践任务：

 -运行示例5-1，生成图5-1所示的资源占用对比图；

 -分析：为何CPU任务CPU占用高？为何IO任务CPU占用低？教学方法：项目驱动+数据分析

时间分配：

-原理讲解：0.5学时

-监控器编码与实验：1.5学时【讲授新课】

5.2即时编译（JIT）加速（2.0学时：理论0.5+实践1.5）

1.JIT原理：

 -运行时编译热点代码为机器码；

 -分层编译（解释→简单JIT→优化JIT）；

 -表5-2：各语言JIT支持对比（突出Python的Numba）。

2.Numba实战：

 -@jit装饰器：自动编译函数；

 -适用场景：纯数值计算、NumPy数组操作；

 -限制：不支持复杂Python对象、动态类型。

3.性能对比实验：

 -矩阵乘法：原生PythonvsNumbaJIT；

 -可视化加速比（示例5-2）。

4.实践任务：

 -为cpu_intensive_task添加@jit；

 -测量并记录加速比，验证是否接近C语言性能。教学方法：对比实验+工具演示

时间分配：

-JIT原理与Numba介绍：0.5学时

-加速实验与可视化：1.5学时【讲授新课】

5.3高性能计算扩展（选讲）（1.0学时）

1.GPU加速简介：

 -CuPy：NumPy兼容的GPU数组库；

 -适用场景：大规模并行计算（如深度学习）；

 -注意：需NVIDIAGPU+CUDA驱动。

2.分布式与并行计算：

 -多机并行（Dask、Ray）；

 -多核并行（multiprocessing、concurrent.futures）；

 -强调：本章仅初步感知，后续课程深入。

3.现代Python性能生态：

 -PyPy（替代解释器）、Cython（静态编译）、Rust扩展。教学方法：拓展视野+技术前瞻

时间分配：1.0学时【课堂小结】

【布置作业】（0.5学时）

1.方法论总结：

 -性能优化四步法：测量→分析→优化→验证；

 -没有银弹，只有针对场景的合适工具。

2.强调权衡：

 -JIT提升速度但增加启动时间、降低兼容性；

 -GPU加速快但依赖硬件、增加代码复杂度。

3.布置作业：

 -基础题：对一个数值积分函数应用Numba，报告加速比；

 -项目题：“性能优化挑战赛”：

  •给定一段慢速代码（如图像模糊、蒙特卡洛模拟）；

  •要求：使用本章所学（JIT/多进程）进行优化；

  •提交：优化前后性能对比报告+可视化图表。教学方法：总结归纳+项目驱动

时间分配：0.5学时

GUI图形界面开发基本信息项目内容教学内容第6章GUI图形界面开发授课时间第X周，周X，第X–X节授课学时6学时授课类型理论+实践教学目标知识目标理解GUI编程基本概念：窗口、控件、事件、信号与槽机制；掌握PySide6核心组件：QApplication、QMainWindow、QWidget、QPushButton、QLineEdit等；熟悉布局管理器（QVBoxLayout、QGridLayout）的使用方法；掌握自定义绘图（paintEvent+QPainter）实现棋盘与棋子绘制；理解游戏逻辑与界面分离的设计思想。能力目标能使用PySide6构建包含按钮、文本框、状态栏的标准窗口应用；能通过信号-槽机制实现用户交互响应（如按钮点击、鼠标落子）；能结合面向对象设计，实现“界面类”与“逻辑类”的解耦；能开发完整的双人对战小游戏（如五子棋）并集成重置功能；具备将控制台程序升级为图形界面的能力。情感与价值观目标体会“用户友好”是软件设计的核心价值之一；培养模块化与关注点分离的工程化编程习惯；激发通过可视化交互提升程序可用性的创造热情。教学重点与难点教学重点PySide6基础组件使用信号-槽事件机制布局管理自定义绘图（paintEvent）游戏逻辑与界面分离教学策略采用“从简单到复杂”渐进式开发：计算器→五子棋→贪吃蛇；通过代码对比展示“命令行程序”与“GUI程序”在交互方式上的本质差异；强调“事件驱动”编程模型：程序不再线性执行，而是响应用户动作；使用可视化调试：在paintEvent中打印坐标，帮助学生理解绘图流程。教学难点自定义绘图中的坐标计算与网格对齐；鼠标事件坐标到棋盘行列的映射（round((x-margin)/grid)）；信号-槽连接中带参数回调的实现（Lambda表达式）；游戏状态管理（轮次、胜负判定、游戏结束标志）。教学策略在黑板或PPT上手绘坐标系，演示(x,y)如何转换为(row,col)；通过断点调试观察鼠标点击时e.position().x()的值变化；对比button.clicked.connect(func)与lambda:func('7')的语法差异；将游戏逻辑（check_win）封装为独立函数，强调其与绘图逻辑的分离。课程思政元素与融入路径思政元素融入路径用户中心设计思想在讲解状态栏提示（“黑方先手，点击落子”）时，强调“即时反馈”是良好用户体验的基础软件可用性伦理通过“重新开始”按钮的设计，说明“容错性”是专业软件的必备素养工程解耦思维在类设计中突出“单一职责原则”——Board负责绘图与逻辑，Window负责布局与控件，体现模块化思想教学流程教学环节教学内容设计教学方法与时间分配【课程导入】

【体验先行】（0.5学时）

1.展示成果：

 -运行最终版五子棋/计算器界面（图6-1、6-2），让学生直观感受GUI魅力；

2.提出问题：

 -“如何让程序响应鼠标点击？”

 -“按钮、文本框是如何排列整齐的？”

 -“棋盘和棋子是怎么画出来的？”

3.介绍技术栈：PySide6（QtforPython），跨平台、工业级GUI框架。教学方法：成果展示+问题驱动

时间分配：0.5学时【讲授新课】

6.1简单计算器（基础组件与布局）（2.0学时：理论0.5+实践1.5）

1.核心概念：

 -应用对象QApplication；

 -主窗口QMainWindow与中央部件centralWidget；

 -控件：QLineEdit（只读显示）、QPushButton。

2.布局管理：

 -QVBoxLayout：整体垂直排列；

 -QGridLayout：按钮网格布局。

3.事件响应：

 -信号-槽机制：button.clicked.connect(func)；

 -Lambda表达式传递参数：lambda:self.add_to_display('7')。

4.实践任务：

 -实现科学计算器（示例6-1）；

 -扩展功能：增加平方、开方按钮。教学方法：案例教学+编码实践

时间分配：

-原理与演示：0.5学时

-学生实现与调试：1.5学时【讲授新课】

6.2五子棋程序（自定义绘图与游戏逻辑）（2.5学时：理论0.5+实践2.0）

1.自定义绘图：

 -继承QWidget，重写paintEvent；

 -使用QPainter绘制背景、网格线、棋子（drawEllipse）；

 -抗锯齿设置：setRenderHint(QPainter.Antialiasing)。

2.交互与逻辑：

 -mousePressEvent：获取点击位置，映射到棋盘行列；

 -落子验证：检查是否为空位；

 -胜负判定：check_win（四方向五连检测）。

3.界面整合：

 -Window类：设置中央部件为Board；

 -状态栏：显示提示信息与“重新开始”按钮。

4.实践任务：

 -实现双人五子棋（示例6-2）；

 -调试坐标映射，确保点击准确落子；

 -添加音效或动画（可选扩展）。教学方法：项目驱动+调试指导

时间分配：

-绘图与事件原理：0.5学时

-五子棋完整实现：2.0学时【拓展提升】

6.3贪吃蛇游戏（定时器与动画）（0.5学时）

1.核心机制：

 -定时器QTimer：控制蛇移动速度；

 -方向键响应：keyPressEvent；

 -碰撞检测：边界与自身。

2.设计要点：

 -蛇身用列表存储坐标；

 -食物随机生成（避免与蛇体重叠）。

3.快速演示：展示贪吃蛇运行效果，激发课后探索兴趣。教学方法：拓展演示+思路引导

时间分配：0.5学时【课堂小结】

【布置作业】（0.5学时）

1.知识图谱：

 -组件→布局→事件→绘图→游戏逻辑；

 -信号-槽是GUI程序的“神经中枢”。

2.设计哲学：

 -界面与逻辑分离，便于维护与测试；

 -用户体验优先：清晰、即时、容错。

3.布置作业：

 -基础题：为计算器增加历史记录显示区域；

 -项目题：“井字棋（Tic-Tac-Toe）游戏”：

  •使用3×3网格；

  •实现胜负判定与平局检测；

  •添加计分板与“再来一局”按钮；

  •要求代码结构清晰，界面美观。教学方法：总结归纳+项目驱动

时间分配：0.5学时

机器学习与深度学习基础基本信息项目内容教学内容第7章机器学习与深度学习基础授课时间第X周，周X，第X–X节授课学时6学时授课类型理论+实践教学目标知识目标了解监督学习、无监督学习及典型算法（LDA、SVM、决策树、随机森林）；掌握使用scikit-learn构建、训练与评估分类模型的完整流程；理解神经网络基本结构（输入层、隐藏层、输出层）与训练机制（反向传播）；初步了解深度学习主流架构（CNN、RNN、GAN）及其应用场景；掌握模型性能评估方法（准确率）与可视化技术（决策边界、算法对比柱状图）。能力目标能使用鸢尾花（Iris）数据集完成从数据加载、降维（PCA）到多模型训练的全流程；能通过可视化手段（决策边界图、准确率柱状图）直观比较不同算法性能；能构建简单的多层感知机（MLP）神经网络并理解其训练过程；能根据问题特点（线性/非线性、数据规模、解释性需求）选择合适的机器学习算法。情感与价值观目标培养“没有最好，只有最合适”的算法选择观；树立对模型可解释性与性能权衡的工程意识；激发对人工智能前沿技术（如深度学习）的探索兴趣。教学重点与难点教学重点经典机器学习算法原理与适用场景scikit-learn模型训练流程模型性能可视化对比神经网络基本概念教学策略采用“同一数据集，多算法对比”策略（图7-1），直观展示不同算法特性；通过可视化驱动理解：决策边界图揭示模型对空间的划分能力；强调“端到端流程”：数据→预处理→模型→评估→可视化；使用鸢尾花数据集（Iris）作为贯穿案例，因其简单、经典、可视化友好。教学难点核函数（Kernel）如何将线性不可分问题映射到高维空间；随机森林如何通过集成降低过拟合；神经网络中反向传播与梯度下降的直观理解；深度学习模型（CNN/RNN）的抽象架构与应用场景对应。教学策略用二维决策边界图对比线性SVM与RBF-SVM，直观展示“核技巧”效果；通过准确率对比（图7-1下方柱状图）说明随机森林通常优于单一决策树；对神经网络仅作概念性介绍，避免陷入数学推导，讲清“输入-隐藏-输出”信息流；使用典型应用配图：CNN（图像识别）、RNN（文本生成）、GAN（图像生成）。课程思政元素与融入路径思政元素融入路径科学方法论在算法对比中强调“具体问题具体分析”的唯物辩证法思想技术理性通过决策树（高解释性）与随机森林（高性能但黑盒）的对比，引导学生思考“性能与可解释性的平衡”——在医疗、金融等领域，可解释性可能比精度更重要人工智能伦理意识在深度学习介绍中，简要提及“AI伦理”（如GAN生成虚假图像），树立技术向善意识教学流程教学环节教学内容设计教学方法与时间分配【课程导入】

【场景驱动】（0.5学时）

1.现实应用：

 -人脸识别（CNN）、

 -智能客服（RNN）、

 -股票预测（随机森林）。

2.核心问题：

 -如何让计算机从数据中“学习”规律？

 -不同算法有何优劣？如何选择？

3.引出工具链：scikit-learn（传统ML）、PyTorch/TensorFlow（深度学习）。教学方法：案例导入+问题驱动

时间分配：0.5学时【讲授新课】

7.1经典机器学习算法实践（3.0学时：理论1.0+实践2.0）

1.算法原理与适用场景（图7-1分析）：

 -LDA：线性、高斯分布、高效率；

 -SVM：核函数处理非线性，高维表现好；

 -决策树：直观易解释，易过拟合；

 -随机森林：集成多树，抗过拟合，性能优。

2.完整实践流程（示例7-1）：

 -数据加载：load_iris()；

 -降维：PCA至2D便于可视化；

 -模型训练：统一接口clf.fit(X,y)；

 -决策边界绘制：contourf+scatter；

 -准确率计算与柱状图对比（图7-1下方）。

3.实践任务：

 -运行代码，生成图7-1；

 -尝试更换数据集（如make_moons）观察边界变化；

 -调整SVM的C或gamma参数，观察过拟合/欠拟合。教学方法：对比教学+项目实践

时间分配：

-算法原理与代码解析：1.0学时

-学生实验与调参：2.0学时【讲授新课】

7.2神经网络与深度学习入门（2.0学时：理论1.0+实践1.0）

1.神经网络基础：

 -结构：输入层→隐藏层（多层）→输出层；

 -核心：权重、激活函数（ReLU/Sigmoid）、反向传播。

2.深度学习架构概览：

 -CNN：卷积+池化，提取空间特征（图像）；

 -RNN/LSTM：循环结构，处理序列（文本、语音）；

 -GAN：生成器vs判别器，对抗生成（图像、音乐）。

3.PyTorch快速体验（示例7-3）：

 -定义简单MLP模型；

 -使用torch.nn和optim训练；

 -可视化训练损失曲线。

4.实践任务：

 -在CPU上运行简单MLP训练脚本；

 -观察损失下降过程，理解“学习”本质。教学方法：概念讲解+框架体验

时间分配：

-深度学习架构介绍：1.0学时

-PyTorch简易模型训练：1.0学时【课堂小结】

【布置作业】（0.5学时）

1.方法论总结：

 -机器学习=数据+算法+评估；

 -算法选择需综合考虑：数据特征、性能、解释性、计算资源。

2.展望未来：

 -传统ML仍是工业界主力，深度学习在特定领域（CV/NLP）领先；

 -工具（如scikit-learn）让ML变得“平民化”。

3.布置作业：

 -基础题：在鸢尾花数据集上尝试KNN算法，加入对比图；

 -项目题：“手写数字识别初探”：

  •使用sklearn.datasets.load_digits()；

  •对比SVM、随机森林、简单MLP的准确率；

  •提交包含决策边界（2DPCA投影）和准确率柱状图的报告。教学方法：总结归纳+项目驱动

时间分配：0.5学时

大语言模型与智能体基本信息项目内容教学内容第8章大语言模型与智能体授课时间第X周，周X，第X–X节授课学时6学时授课类型理论+实践教学目标知识目标了解大语言模型（LLM）的基本训练流程（语料准备、架构选择、训练优化）；掌握开源LLM的本地部署方式（Ollama框架）与基础交互；理解智能体（Agent）的核心能力：规划、记忆、工具调用；熟悉本地智能体系统的典型应用场景（如PDF文档问答）；了解不同规模模型（0.6B/4B）在性能与资源间的权衡。能力目标能使用Ollama在本地部署并调