深度学习及应用教学大纲

《深度学习及应用》教学大纲课程编号：英文名称：DeepLearningandApplications学分：2学时：总学时40学时，其中理论24学时，实践16学时先修课程：人工智能导论课程类别：专业应用课程授课对象：理工类等专业学生教学单位：修读学期：第5学期一、课程描述和目标《深度学习及应用》在理工类专业人才培养体系中居于核心地位，是赋能人工智能领域高素质人才的关键课程。课程以“理论奠基-模型贯通-实践转化”为主线，系统讲授深度学习基础理论、经典模型架构（包括卷积神经网络、循环神经网络、生成对抗网络及Transformer等）及其在计算机视觉、自然语言处理等领域的前沿应用。教学内容覆盖各种网络基本原理、模型训练与调优策略及前沿技术演进，通过理论讲授与项目实践深度融合，引导学生将算法模型映射至实际工程场景，有效提升创新思维与解决复杂工程问题的综合能力，为学生未来投身人工智能相关领域筑牢坚实根基。本课程拟达到的课程目标如下。课程目标1：系统掌握人工智能与深度学习的基本概念，深入理解传统神经网络及主流深度学习模型（包括卷积神经网络、循环神经网络、生成对抗网络、变分自编码器、YOLO网络、Transformer、扩散模型及知识蒸馏网络等）的核心原理与架构特征。能够面向实际人工智能应用场景，准确识别与评估任务中的关键技术与约束因素，具备运用所学模型进行问题分析与合理建模的能力。课程目标2：能够灵活运用深度学习理论知识，针对复杂工程与科学问题开展系统性分析与方案设计，具备将前沿模型适配至具体任务场景的实践能力。通过项目驱动与案例研讨，培养学生主动追踪人工智能前沿动态的学习习惯，强化算法创新意识与跨场景迁移能力，实现从“知识理解”向“灵活应用”的能力跃升。课程目标3：

具备敏锐跟踪人工智能学科前沿发展动态的学术意识，能够通过文献精读、开源复现与项目实践等多种途径，主动探究深度学习新兴技术（如大模型、多模态、高效微调等）的内在机理与应用潜力。在此基础上，培养学生批判性思维、独立科研选题能力及学术表达与成果转化能力，为其后续攻读更高学位或从事产业核心技术研发奠定坚实而宽厚的素质基础。二、课程目标对毕业要求的支撑关系课程目标毕业要求指标点支撑权重课程目标1在设计中能够考虑健康、安全与环境、全生命周期成本与净零碳要求、法律与伦理、社会与文化等制约因素。0.4课程目标2知晓联合国可持续发展目标，了解人工智能领域的技术标准、知识产权、产业政策和法律法规，理解可持续发展对复杂工程问题的约束。0.4课程目标3能分析和评价人工智能相关领域的工程实践对社会、健康、安全、法律、文化的影响，以及这些制约因素对项目实施的影响，并理解应承担的责任。0.2三、教学内容、基本要求与学时分配理论部分序号教学内容基本要求及重、难点以及课程思政元素学时教学方式对应课程目标1绪论了解深度学习背景，掌握深度学习框架和研究内容，了解深度学习研究领域。重难点：深度学习的网络模型和关键技术。思政元素：科学技术是第一生产力。2集中讲授课程目标32深度学习中的数学基础熟悉线性代数、微积分、概率论和信息论等各种数学工具的基本定义，以及在深度学习中的应用。重难点：各种数学在深度学习中的物理含义。思政元素：严谨求实的科学态度。2集中讲授课程目标33人工神经网络了解人工神经网络的发展史，理解神经元和神经网络，掌握BP神经网络，理解径向基函数网络、Hopfield神经网络和随机神经网络，熟悉各种神经网络的工程应用。重难点：BP神经网络的学习算法。思政元素：我国学者在人工智能领域的贡献。2集中讲授课程目标1、24卷积神经网络理解数字图像的特征，掌握卷积运算、卷积神经网络（CNN）结构和训练，掌握各种CNN类型和特点，了解CNN的应用。重难点：卷积运算的过程。思政元素：家国情怀与国情认知。2集中讲授课程目标1、25循环神经网络了解序列的特征，理解（循环神经网络）RNN原理，掌握LSTM网络的结构和特点，理解GRU网络的结构，了解RNN的应用。重难点：RNN和LSTM网络的结构。思政元素：科技自立自强，服务国家与人民。2集中讲授课程目标1、26生成对抗网络理解图像空间，掌握（生成对抗网络）GAN的结构、原理、训练、本质和特点，理解CGAN和CycleGAN网络，了解GAN的应用。重难点：GAN的结构和理论基础。思政元素：算法公平与偏见。2集中讲授课程目标1、27变分自编码器理解自编码器模型的结构和特点，掌握VAE模型的构架、理论基础、训练和特点，了解VAE的应用。重难点：VAE的理论基础和重新参数化技巧。思政元素：数据安全与隐私。2集中讲授课程目标1、28Transformer网络了解Transformer网络的发展史，掌握Transformer网络的原理、编码器和解码器，熟悉Transformer网络的变体，了解Transformer网络的应用。重难点：各种多头自注意力机制。思政元素：科技报国的志向、科技向善的伦理、科技强国的使命。2集中讲授课程目标1、29YOLO网络理解目标检测的概念、思想和框架，掌握YOLOv1和YOLOv5的检测原理、整体架构和损失函数，了解YOLOv12的架构和特点，以及YOLO的各种应用。重难点：YOLO的损失函数。思政元素：人机协同与责任。2集中讲授课程目标1、210扩散模型网络了解扩散模型的背景，掌握去噪扩散概率模型（DDPM）的扩散过程、训练和网络构架，熟悉稳定扩散模型和其他变体，了解扩散模型的各种应用。重难点：DDPM的前向和反向扩散过程。思政元素：隐私保护与数据安全。2集中讲授课程目标1、211知识蒸馏网络了解知识蒸馏的背景、框架和原理，掌握知识蒸馏的各种方式，熟悉深度迁移学习的原理，了解知识蒸馏和深度迁移学习的异同点，以及两者的各种应用。重难点：在线知识蒸馏方法。思政元素：终身学习与时代担当。2集中讲授课程目标1、212深度学习的性能评估了解判别网络和生成网络，理解训练误差和测试误差、过拟合和欠拟合、以及模型的泛化能力，掌握消融实验设计和指标，包括设计步骤、交叉验证、通用参数、损失函数、优化器和评价指标。重难点：消融实验的各种指标。思政元素：全球治理与人类命运共同体。2集中讲授课程目标3合计24实验部分序号实验项目实验要求学时类型对应课程目标1基于BP神经网络的手写数字识别实验掌握BP神经网络的构建与模式识别应用方法，包括前馈神经网络的原理理解、结构设计与工作过程分析，能够客观评价BP神经网络的性能特点与适用局限。2验证课程目标1、22基于AlexNet卷积神经网络的数据分类实验掌握CNN模型的构建、训练与评估全流程，包括数据准备、模型设计、训练优化、结果分析与可视化等关键环节，能够对模型性能进行系统诊断与综合评价。2验证课程目标1、23基于LSTM网络的航班乘客流量预测实验掌握LSTM网络在时间序列预测中的应用方法，包括数据预处理、序列构建、归一化处理及模型训练等核心步骤，能够针对实际时序数据构建有效的预测模型。2验证课程目标1、24基于生成对抗网络的图像生成实验掌握GAN网络的构建与训练方法，包括在FashionMNIST数据集上完成生成任务的完整流程、对抗训练机制的理解与调参策略，能够通过可视化手段观察生成图像质量并分析模型收敛特性。2验证课程目标1、25基于变分自编码器的图像生成实验掌握VAE网络的构建与训练方法，包括在FashionMNIST数据集上的数据预处理、编码器与解码器设计、损失函数配置等完整流程，能够通过定量指标与定性可视化相结合的方式，系统评估图像重建与生成能力。2验证课程目标1、26基于Transformer的机器翻译实验掌握Transformer网络的核心原理与实现方法，包括自注意力机制在序列建模中的工作原理、多头注意力与位置编码等关键技术的理解与实现，能够完成机器翻译等典型序列生成任务。2验证课程目标1、27基于YOLO网络的目标识别实验掌握YOLO网络的构建与训练方法，包括边界框回归机制、置信度评分、非极大值抑制等关键技术的理解，以及在COCO或PASCALVOC数据集上的数据预处理、模型构建、损失函数设计等流程。2验证课程目标1、28基于扩散模型的图像处理实验掌握DDPM的核心原理与实现方法，包括时间步调度与噪声调度策略的理解、逐步去噪生成高质量图像的机制分析，以及在MNIST数据集上的数据预处理、Unet模型构建、损失函数设计等训练流程。2验证课程目标1、2合计16四、课程教学方法集中讲授+实践教学方式。五、学业评价和课程考核（一）考核方式及成绩构成成绩构成平时成绩（50%）期末成绩（50%）总计考核方式作业阶段测试课堂活动实验课程目标110/10/2040课程目标210/10/2040课程目标310///1020总计30/20/50100（二）考核与评价标准1.作业评价标准分值范围标准90-100分（优）按时完成，90%以上的作业内容齐全。深刻理解深度学习各种网络模型并能进行应用，能熟练结合文献对实际人工智能问题的解决方案进行深度调研与高水平分析。80-89分（良）按时完成，80%以上的作业内容齐全。准确理解深度学习各种网络模型并能进行应用，能较好地利用文献知识对实际人工智能问题的解决方案进行调研与合理分析。70-79分（中）按时完成，70%以上的作业内容齐全。基本理解深度学习各种网络模型并能进行应用，能初步结合文献对实际人工智能问题的解决方案进行基本的调研与评估。60-69分（及格）延时完成，60%以上的作业内容齐全。对深度学习有基础认识但应用能力受限，利用文献调研并分析实际人工智能问题解决方案的能力相对偏弱。0-59分（不及格）不交或补交，50%以下的作业内容齐全。基本概念模糊导致无法正确分析人工智能问题，缺乏结合文献调研分析实际解决方案的能力。2.课堂活动评价标准分值范围标准90-100分（优）课堂参与度90%以上。表现突出，思维活跃。主动发起或深度参与讨论，问答准确且常有启发性见解，能有效带动课堂互动氛围。80-89分（良）课堂参与度80%以上。态度积极，表现良好。能较好地融入课堂讨论，问答逻辑清晰，互动积极且配合度高。70-79分（中）课堂参与度70%以上。表现尚可，中规中矩。能够跟上课堂节奏，偶尔参与讨论与问答，能完成基础的课堂互动要求。60-69分（及格）课堂参与度60%以上。表现被动，勉强达标。参与讨论与问答的主动性不足，互动缺乏深度，仅能在点名或要求下做出简单回应。0-59分（不及格）课堂参与度不足60%。表现消极，缺乏互动。极少或拒绝参与讨论与问答，游离于课堂之外，未能达到基本的课堂活动参与要求。3.期末考核方式与评价标准期末考核方式：期末综合测试评价标准：根据课程目标，综合检验学生对课程相关知识的掌握、综合应用及解决复杂问题的能力，根据期末综合测试