大模型原理、部署与DeepSeek应用实战-理论与实验教学大纲

PAGE2《大模型原理、部署与DeepSeek应用实战》课程教学大纲(课程类别：理论课（含课内实践））课程基本信息课程名称大模型原理、部署与DeepSeek应用实战课程代码课程性质R必修£选修课程类型£思想政治理论课R通识课程£专业基础课程£专业核心课程£专业方向（选修）课程£集中性实践课程£创新创业与劳动教育课程£通识扩展课程考核方式£考试R考查适用专业全校各专业（人工智能专业除外）开课单位开课学期第1学期学时学分学分：1.5总学时：32理论学时：16实践学时：16先修课程二、课程简介（性质、内容、任务)性质：《大模型原理、部署与DeepSeek应用实战》是面向全校各专业开设的通识课程，旨在系统介绍大语言模型的核心原理、本地化部署方法及基于DeepSeek平台的实战应用技能，提升学生在AI时代的技术素养与创新能力。内容：课程系统讲解大模型的发展历程、关键技术基础（涵盖感知器、BP神经网络、Transformer架构等），深入剖析DeepSeek的核心技术（混合专家架构、高效注意力机制等），重点讲授DeepSeek-R1的本地化部署方法、提示词设计技巧，并通过数据分析、文档分析、分类聚类、视觉大模型应用及智能体搭建等实战模块，帮助学生全面掌握大模型的应用方法。任务：通过理论与实践相结合的教学，使学生理解大模型的基本原理与技术架构，掌握DeepSeek平台的部署与应用技能，具备利用大模型解决专业领域实际问题的初步能力，并树立正确的科技伦理意识与批判性思维。三、课程目标本课程的任务是通过课堂教学和实验教学，使学生掌握人工智能大模型的基础知识与核心技能，培养其在专业领域应用大模型解决问题的初步能力，支撑专业学习成果中相关指标点的达成。通过本课程学习，预期学生可以具备以下知识、技能或素养：课程目标1（L01）：理解大语言模型的基本概念、发展脉络与核心技术（Transformer架构、注意力机制、混合专家架构等），掌握DeepSeek模型的特点与创新技术，了解大模型的分类与应用范式。（知识）课程目标2（L02）：能够独立完成DeepSeek-R1大模型的本地化部署，熟练运用提示词工程技巧解决实际问题，具备使用大模型进行数据分析、文档处理、分类聚类、视觉内容生成等应用操作的能力，能够结合自身专业识别AI应用场景并提出初步解决方案。（能力）课程目标3（L03）：树立正确的科技伦理观，理解大模型应用带来的安全、隐私、学术诚信等挑战，培养不盲信、不盲从AI生成内容的批判性思维，增强科技报国的使命感与创新意识。（素养）课程目标支撑毕业要求指标点及指标内涵支撑毕业要求指标点及贡献度（H/M/L）L011-1掌握数学、自然科学和工程知识，能将数学、自然科学和工程知识用于工程问题的表述。1-1/HL025-1能够使用现代工具，针对人工智能通用领域和专业细分领域的建模需求，完成数据准备、模型构建、模型训练和效能评测等工作。5-1/ML038-1了解中国国情，热爱祖国，坚持正义，品德良好，身心健康，具有扎实的人文社会科学素养及正确的价值观，理解个人与社会的关系。8-1/H(说明：H-高支撑、M-中支撑、L-低支撑）教学内容及要求教学单元一：人工智能基础学时：2其中实验学时：0支撑课程目标：L01、L03主要内容教学内容：§1大模型发展历程§1.1萌芽期（1950-2005）§1.2沉淀期（2006-2019）§1.3爆发期（2020-至今）§2大模型相关概念§2.1何为大模型§2.2大语言模型§3大模型的分类§3.1自回归大模型§3.2自编码大模型§3.3混合架构大模型§3.4扩散大模型§3.5多模态大模型教学重点：1、理解大模型的核心概念与发展脉络。2、掌握大模型的主要分类方式。教学难点:1、辨析不同类型大模型的技术特点与适用场景。2、理解大模型与传统AI模型的本质区别。思政元素：通过介绍中国在大模型领域的快速追赶与突破（如DeepSeek等国产模型），增强学生的民族自豪感与科技报国的使命感实验内容无教学方式1、本教学单元以课堂讲授为主，结合多媒体演示。2、采用启发式、案例式教学法，通过提问和讨论引导学生思考核心问题。教学单元二：大模型的关键技术学时：4其中实验学时：2支撑课程目标：L01、L02、L03主要内容教学内容：§1大模型原理的通俗理解§2Anaconda集成开发环境§2.1安装Anaconda软件§2.2安装第三方库§2.3JupyterNotebook与Spyder运行Python程序§3感知器与BP神经网络§3.1感知器模型与学习算法§3.2BP神经网络模型与学习算法§4卷积神经网络§4.1卷积的含义与基本结构§4.2手写数字识别实现§4.3PyTorch模型保存与加载§5循环神经网络与生成对抗网络§6Transformer架构§6.1编码器结构§6.2解码器结构教学重点：Transformer架构的核心组件与工作原理；神经网络的基本结构与学习算法。教学难点：自注意力机制的数学原理；Transformer的编码器-解码器架构。思政元素：介绍中国在深度学习框架（如MindSpore）和AI芯片领域的自主研发进展，培养学生科技自立自强的意识。实验内容实验1：PyTorch基础与手写数字识别学时：2学时实验目的：了解卷积神经网络的基本功能。实验环境：电脑、教学实践平台（网页端）实验内容：1、搭建卷积神经网络，完成MNIST手写数字识别2、掌握模型训练、保存与加载流程。实验类型：基础验证型实验要求：必做教学方式本单元采用线上线下混合教学的方式：1、线上：利用学习通、头歌等平台发布预习资料和实验指导书。2、线下：以课堂讲授为主，结合多媒体演示和生活化案例进行启发式、互动式教学，帮助学生理解抽象概念。3、实验：在机房进行，教师现场指导，学生使用指定的教学实践平台完成实验。教学单元三：DeepSeek核心技术学时：4其中实验学时：2支撑课程目标：L01、L02、L03主要内容教学内容：§1DeepSeek概述§1.1DeepSeek模型系列简介§1.2DeepSeek与传统大模型的主要区别§2DeepSeek核心技术§2.1混合专家架构（MoE）§2.2高效注意力机制（MLA）§2.3训练优化策略（GRPO等）教学重点：DeepSeek混合专家架构的原理与优势；DeepSeek-R1的创新点。教学难点：混合专家架构的稀疏激活机制；多头潜在注意力（MLA）的技术原理。思政元素：以DeepSeek作为国产大模型的标杆案例，展示中国在AI核心技术创新方面的成就，增强科技自信。实验内容实验2：DeepSeek模型体验与对比学时：2学时实验目的：初步体验大模型。实验环境：电脑、教学实践平台（网页端）实验内容：1、使用DeepSeek平台完成基础问答任务。2、对比不同模型（如DeepSeek-R1与通用模型）的回复质量差异。3、体验"AI幻觉"现象，理解模型局限性。实验类型：基础验证型实验要求：必做教学方式本单元采用线上线下混合教学的方式：1、线上：利用学习通等平台发布预习资料，帮助学生建立初步认知。2、线下：以课堂讲授为主，结合多媒体演示和案例分析，通过提问引导学生思考，用生活化语言解释复杂概念。3、实验：在机房进行，教师演示平台操作流程后，学生自主完成实验，重点记录不同情况下模型的运行结果，小组讨论错误案例的可能原因。教学单元四：DeepSeek提示词工程学时：4其中实验学时：2支撑课程目标：L01、L02、L03主要内容教学内容：§1有效提问的黄金法则§2基础查询提示词§2.1事实检索§2.2概念解释§3结构化输出提示词§3.1分点输出§3.2表格形式输出§4逻辑处理提示词§4.1归因分析§4.2假设推演§4.3谬误检测§5创作型提示词§5.1风格仿写§5.2多方案生成§5.3剧本生成§6办公场景应用§6.1用DeepSeek生成PPT内容与Kimi配合制作§6.2用DeepSeek生成思维导图大纲与Xmind制作§6.3大模型操作Excel文件（OfficeAI助手）教学重点：提示词设计的基本原则与通用框架；不同类型提示词的适用场景与设计方法。教学难点：根据任务目标灵活设计提示词结构；理解模型对提示词的响应机制。思政元素：通过讨论大模型辅助学术写作的边界，引导学生树立学术诚信意识，明确AI应作为辅助工具而非替代品。实验内容实验3：提示词设计实战学时：2学时实验目的：了解提示词引导大模型生成想要的内容。实验环境：电脑、教学实践平台（网页端）实验内容：1、完成事实检索、概念解释、表格输出等多类型提示词设计。2、设计一套完整的PPT或思维导图制作流程。3、对比不同提示词设计对生成效果的影响。实验类型：基础验证型实验要求：必做教学方式本单元采用线上线下混合教学的方式：1、线上：利用学习通、头歌等平台发布预习资料和实验指导书。2、线下：以课堂讲授为主，结合多媒体演示和生活化案例进行启发式、互动式教学，帮助学生理解抽象概念。3、实验：在机房进行，教师现场指导，学生使用指定的教学实践平台完成码验证型实验任务，重点在于观察、分析和解释模型的运行结果。教学单元五：DeepSeek数据分析与文档分析学时：4其中实验学时：2支撑课程目标：L01、L02、L03主要内容教学内容：§1数据分析概述§2数据预处理§2.1缺失值处理§2.2删除指定的行或列§2.3重复行处理§2.4数据变换§3统计分析与自回归时间序列预测§4数据可视化§4.1绘制折线图、饼图、柱形图§4.2制作数据看板§5文档分析§5.1常规文档分析的提示词结构（摘要、数据提取、对比分析、情感分析）§5.2复杂文档处理的提示词结构§5.3学术论文分析的提示词设计教学重点：利用大模型辅助数据分析的工作流程；文档分析提示词的结构化设计。教学难点：理解大模型在数据分析中的能力边界；识别"AI幻觉"对分析结果的影响。思政元素：讨论AI生成内容（AIGC）在学术研究中的应用规范，强化学术诚信意识；引导学生批判性看待AI分析结果，不盲信、不盲从。实验内容实验4：数据分析与文档分析综合实践学时：2学时实验目的：了解大模型在数据分析与文档分析方面的应用。实验环境：电脑、教学实践平台（网页端）实验内容：1、使用DeepSeek辅助完成数据预处理与统计分析。2、利用大模型生成数据可视化代码。3、对一篇学术论文进行结构化分析并生成摘要。实验类型：基础验证型实验要求：必做教学方式本单元采用线上线下混合教学的方式：1、线上：利用学习通、头歌等平台发布预习资料、案例视频和实验指导书。2、线下：以课堂讲授和案例研讨为主，结合多媒体演示，通过启发式、互动式教学引导学生思考AI在不同领域的应用价值与挑战。3、实验环节：在机房进行，教师现场指导，学生使用指定的教学实践平台完成验证型实验任务，重点在于观察、分析和解释结果。教学单元六：DeepSeek分类聚类与视觉大模型学时：4其中实验学时：2支撑课程目标：L01、L02、L03主要内容教学内容：§1决策树分类§1.1决策树工作原理§1.2ID3与C4.5决策树算法§2支持向量机分类§2.1分类原理与最大边缘超平面§2.2大模型实现线性支持向量机分类§3聚类分析§3.1k均值聚类§3.2密度聚类§3.3大模型实现聚类分析§4视觉大模型§4.1国内外视觉大模型概述§4.2文本生成图像（广告设计、人物设计）§4.3图像理解§4.4视频生成与处理§4.5制作数字人（对口型、动作模仿）教学重点：大模型辅助分类与聚类分析的方法；视觉大模型在内容创作中的应用。教学难点：机器学习算法的数学原理；视觉大模型的多模态理解机制。思政元素：讨论AI生成内容的版权归属与真实性识别问题；引导学生辩证看待深度伪造技术带来的社会挑战。实验内容实验5：视觉大模型应用实践学时：2学时实验目的：了解视觉大模型的基本功能，掌握提示词的使用技巧。实验环境：电脑、互联网、大语言模型平台实验内容：1、使用即梦AI等工具完成文本生成图像任务2、尝试图片生视频或数字人制作3、对比不同提示词对视觉生成效果的影响。实验类型：基础验证型实验要求：必做教学方式本单元采用线上线下混合教学的方式：1、线上：利用学习通、头歌等平台发布预习资料和实验指导书。2、线下：以课堂讲授和互动演示为主，结合多媒体展示大语言模型的实际应用案例，通过启发式、互动式教学引导学生思考其工作原理和潜在影响。3、实验环节：在机房进行，教师现场指导，学生使用指定的大语言模型平台完成验证型实验任务，重点在于观察、分析和解释模型的运行结果。教学单元七：大模型智能体与AI伦理学时：4其中实验学时：2支撑课程目标：L01、L02、L03主要内容教学内容：§1智能体概述§1.1大模型智能体的概念与范式§1.2智能体的核心能力与架构§2搭建个人专属智能体§2.1使用智谱清言搭建智能体§2.2使用讯飞星火搭建智能体§3AI伦理与安全§3.1人工智能的双刃剑效应§3.2大模型的安全与隐私挑战§3.3AI幻觉与信息真实性§3.4大语言模型的学术诚信问题§3.5AI安全治理与技术规范教学重点：智能体的概念与搭建方法；大模型应用中的伦理与安全挑战。教学难点：理解智能体的多步决策与工具调用机制；识别和防范大模型的安全风险。思政元素：1、跨学科融合与创新思维：引导学生认识学科交叉融合是推动科技创新的重要途径，培养其跨领域思考和解决复杂问题的能力。2、科技报国与家国情怀：通过展示中国在智能制造、智慧城市、金融科技等领域的AI应用成果，增强学生的民族自豪感和科技报国的使命感。3、社会责任与伦理意识：讨论AI应用可能带来的算法偏见、隐私泄露、就业冲击等问题，培养学生负责任地使用技术的意识。4、批判性思维：引导学生辩证看待AI应用，既要认识到其巨大的效率提升和创新潜力，也要警惕其可能带来的负面效应。实验内容实验6：搭建个人专属智能体学时：2学时实验目的：了解AI在个性化推荐中的应用，观察推荐算法的工作原理，分析其结果。实验环境：电脑、教学实践平台（网页端）实验内容：1、使用智谱清言或讯飞星火平台完成一个个人专属智能体。2、为智能体配置知识库与特定功能。3、测试智能体的对话效果与能力边界。实验类型：基础验证型实验要求：必做教学方式本单元采用线上线下混合教学的方式：1、线上：利用学习通、头歌平台发布预习资料、案例视频和实验指导书。2、线下：以课堂讲授和案例研讨为主，结合多媒体演示，通过启发式、互动式教学引导学生思考AI在不同领域的应用价值与挑战。3、实验：在机房进行，教师现场指导，学生使用指定的教学实践平台完成验证型实验任务，重点在于观察、分析和解释结果。教学单元八：DeepSeek本地化部署学时：4其中实验学时：2支撑课程目标：L01、L03主要内容教学内容：§1本地化部署概述§1.1大模型本地部署的应用场景与优势§1.2本地部署的技术选型§2部署工具与环境配置§2.1Ollama的安装与常用参数配置§2.2下载安装DeepSeek-R1模型§3用户界面与知识库构建§3.1Chatbox用户界面安装与配置§3.2每次使用大模型的步骤§3.3本地知识库构建（RAG基础）教学重点：使用Ollama完成DeepSeek-R1的本地部署；Chatbox用户界面的配置。教学难点：本地知识库的构建原理（RAG技术）；模型量化与推理优化。思政元素：强化AI伦理意识，培养责任担当精神；尊重隐私数据权，维护人类尊严价值；倡导算法公正性，反对偏见与歧视；推广AI透明度，保障公众知情权利。实验内容实验6：DeepSeek-R1本地部署实操学时：2学时实验目的：了解大模型本地部署过程。实验环境：电脑实验内容：1、在本地电脑上安装Ollama并下载DeepSeek-R1模型。2、配置Chatbox用户界面，实现本地对话。3、尝试构建一个简单的本地知识库。实验类型：基础验证型实验要求：必做教学方式本单元采用线上线下混合教学的方式：1、线上：利用学习通、头歌平台发布预习资料、案例视频和实验指导书。2、线下：以课堂讲授和案例研讨为主，结合多媒体演示，通过启发式、互动式教学引导学生思考AI在不同领域的应用价值与挑战。3、实验：在机房进行，教师现场指导，学生使用指定的教学实践平台完成验证型实验任务，重点在于观察、分析和解释结果。五、考核方式及成绩评定（一）成绩评定方法考核环节权重考核要素课堂表现及书面作业K1（20%）课堂表现(10%):出勤率、课堂参与度、提问与回答问题的积极性。书面作业(10%):按时完成并提交教师布置的课后作业。实验K2（30%）实验操作过程(10%):能够独立、规范地完成实验步骤，具备基本的数据处理和观察记录能力。实验报告(10%):实验报告内容完整，包含实验目的、环境、详细内容、结果分析与总结反思。实验表现(10%):实验过程中的学习态度、效率、发现问题和解决问题的能力。期末大作业K3（50%）项目选择与分析(10%):能够结合自身专业或兴趣，选择一个合适的AI应用场景进行分析。方案设计与论证(20%):能够清晰描述应用的AI技术原理，论证其可行性与价值，并分析潜在的挑战与伦理问题。报告撰写与展示(20%):最终报告结构清晰、逻辑严谨、图文并茂；能够进行简洁明了的口头或书面展示。（二）课程目标评定权重课程目标课程目标权重课堂表现及书面作业(权重20%)实验(权重：30%)期末大作业(权重：50%)合计(权重：100%)课程目标达成度分数分配分数分配分数分配课程目标分数L01Y1（5%）A1（5%）A2（5%）A3（5%）M1（5%）Q1L02Y2（40%）B1（60%）B2（55%）B3（35%）M2（46%）Q2L03Y3（55%）C1（35%）C2（40%）C3（60%）M3（49%）Q3合计100%100%100%100%100%Q课程目标达成度计算说明：（1）课程目标分数计算方法：各课程目标分数计算采用加权求和的方法计算，例如：课程目标L01分数M1=A1×K1+A2×K2+A3×K3=5×20%+5×30%+5×50%=5%（2）课程目标达成度计算方法：根据学生各课程目标实际得分计算。例如：课程目标1达成度Q1=（20%*该项课程目标课堂表现及书面作业平均分+30%*该项课程目标实验学生平均分+50%*该项课程目标期末大作业平均分）/该项课程目标分数（3）课程目标总达成度（含3个课程目标）:Q=M1×Y1+M2×Y2+M3×Y3。（三）课程目标评价标准1.课堂表现及书面作业课程目标评分标准L01能准确、完整地回答与AI基础概念、发展历程和核心技术相关的提问，作业分析深刻。优（90-100）能正确回答大部分问题，作业分析较为完整。良（80-89）能回答基本问题，作业分析基本正确但不够深入。中（70-79）能回答部分问题，作业存在明显错误或遗漏。及格（60-69）无法回答关键问题，作业抄袭或未完成。不及格（0-59）L02能主动提出与专业相关的AI应用设想，作业中展现出良好的问题分析能力。优（90-100）能较好地分析作业中的应用案例。良（80-89）能完成作业要求的基本分析。中（70-79）分析能力较弱，存在理解偏差。及格（60-69）无法进行有效分析。不及格（0-59）L03能深刻阐述AI伦理问题，观点独到，作业中体现出强烈的社会责任感。优（90-100）能清晰论述AI伦理挑战，作业分析合理。良（80-89）能识别主要伦理问题，分析基本正确。中（70-79）对伦理问题认识模糊。及格（60-69）缺乏伦理意识，或观点有严重偏差。不及格（0-59）2.实验课程目标评分标准L01实验报告能准确解释模型原理和结果，理论知识掌握扎实。优（90-100）能正确描述实验现象和结果，理论解释基本准确。良（80-89）记录实验结果，理论解释存在少量错误。中（70-79）实验结果记录不全，理论解释有误。及格（60-69）实验操作或记录严重错误。不及格（0-59）L02能熟练操作平台，高效完成实验，报告能深入分析结果并提出有价值的见解。优（90-100）能独立完成实验，报告分析较为全面。良（80-89）在指导下能完成实验，报告分析基本完整。中（70-79）实验过程有较多困难，报告分析简单。及格（60-69）未能完成实验任务。不及格（0-59）L03在实验报告中能深刻反思技术局限性、潜在风险和伦理问题，展现出高度的批判性思维。优（90-100）能识别并分析实验中暴露的技术局限和伦理风险。良（80-89）能认识到技术存在局限性。中（70-79）对技术局限性认识不足。及格（60-69）未考虑技术的负面影响。不及格（0-59）3.期末大作业课程目标评分标准L01项目分析中展现出对相关AI技术前沿的深入了解，知识运用准确。优（90-100）能准确运用所学知识分析项目。良（80-89）能运用基本知识进行分析，但深度不足。中（70-79）知识运用存在明显错误。及格（60-69）知识运用严重错误或与项目无关。不及格（0-59）L02项目选择极具创新性和专业相关性，模型应用分析深入，解决方案设计合理。优（90-100）项目选择恰当，分析较为深入，方案可行。良（80-89）项目选择基本合理，完成了基本的分析任务。中（70-79）项目选择基本合理，完成了基本的分析任务。及格（60-69）未能体现应用能力。不及格（0-59）L03在报告中全面、深刻地探讨了项目可能引发的伦理、安全和社会影响，并提出了负责任的应对策略，展现出卓越的综合素养。优（90-100）能系统地分析项目涉及的伦理与社会问题。良（80-89）能识别主要的伦理与社会问题。中（70-79）对伦理与社会影响考虑不足。及格（60-69）完全忽视伦理与社会影响。