《深度学习》教学大纲

《深度学习》教学大纲课程名称（汉）：《深度学习》课程名称（英）：DeepLearning课程代码：263102031课程类型：专业教育平台专业选修课程模块适用对象：人工智能专业本科学时/学分：64学时（理论学时48，实验学时16）/3.5学分先修课程：《高等数学》、《线性代数》、《算法与数据结构》、《程序设计基础》、《系统建模与仿真》一、课程简介《深度学习》是人工智能专业一门重要的核心专业课。本课程主要介绍常见人工神经网络的结构、特点、训练学习算法和运行方式，使学生掌握人工神经网络实现深度学习的基本过程以及为实现深度学习进行人工神经网络设计的基本方法。本课程具有很强的实践性，通过具体的实验案例驱动教学，提升学生实际应用编程能力，初步掌握运用神经网络与深度学习的基本原理和主要方法编程进行软件仿真，解决科研工作中的实际问题，为学生开展相关领域的研究奠定基础。二、课程的教学目标课程目标1：了解和掌握神经网络和深度学习的概念和基本理论基础；课程目标2：理解和熟悉常用神经网络的结构、工作原理和学习算法；课程目标3：了解和掌握常用神经网络的特点、应用领域及设计方法。课程目标4：初步掌握深度学习网络系统的设计和训练以及深度学习的应用解决方案。三、课程目标对人工智能专业毕业要求的支撑关系毕业要求毕业要求指标点课程目标支撑权重科学研究1，2，30.04使用现代化工具30.05四、教学内容及其基本要求序号教学内容教学要求（包括重点难点、教学方法、学生掌握的程度等）对应课程目标1人工智能基础教学重点：人工智能简介、人工智能的特征、人工智能参考框架、人工智能研究内容、人工智能研究方向。教学方法：采用讲解和答疑相结合。教学目的：了解什么是人工智能，人工智能的定义，人工智能的发展方向。思政元素：介绍了人工智能的定义和分类，包括弱人工智能和强人工智能的区别。可以引导学生理解不同学术观点。通过对人工智能框架的介绍，可以帮助学生深入了解人工智能系统的构成、运作原理以及在现实世界中的应用。通过对人工智能研究方向的介绍，可以帮助学生理解人工智能技术的现状和未来发展趋势，激发他们对相关技术的兴趣。12机器学习与深度学习入门教学重点：机器学习简介、机器学习三要素和核心、机器学习开发流程、机器学习常用术语。教学方法：采用讲解和答疑相结合。教学目的：掌握机器学习的概念和常用术语和开发流程。思政元素：提供了一个全面的机器学习概述，包括历史、基本概念、主要分类和实际应用，帮助学生建立对机器学习领域的基础理解。通过对机器学习开发流程的讲解，有助于学生对机器学习任务流程有个清晰的认知，为之后的项目实战提供了坚实的基础。介绍了机器学习中的常用术语，便于学生对之后的内容的理解。13线性模型教学重点：线性回归理论、算法的评价指标、梯度下降算法、过拟合、正则化、逻辑回归理论及实战。教学方法：采用讲解和实战相结合。教学目的：通过对线性回归模型的基本原理、优化方法以及相关评估指标讲解，便于学生深入理解线性模型，培养学生的实战应用能力。通过对过拟合和正则化的讲解，可以帮助学生理解机器学习中常见的过拟合问题及其解决方案，以及如何使用正则化方法来改善模型的泛化能力和预测性能。通过对逻辑回归的介绍和应用可以帮助学生理解分类问题的基本原理。24神经网络基础教学重点：感知器、全连接神经网络、bp神经网络、dropout机制和批标准化。教学方法：采用讲解和答疑相结合教学目的：掌握神经网络基本模型和常见种类，了解BP网络的原理。思政元素：通过对神经网络的介绍，可以帮助学生深入理解神经网络的基础概念、结构、功能以及应用领域。通过学习这些内容，学生可以掌握神经网络的工作原理，并能够将其应用于解决实际的问题。25卷积神经网络教学重点：卷积神经网络理论、AlexNet模型、VGGNet模型、ResNet模型、DenseNet模型。教学方法：采用讲解和实战相结合。教学目的：掌握卷积神将网络的原理和基本结构，熟练运用包括AlexNet模型、VGGNet模型、ResNet模型、DenseNet模型在内的卷积神经网络的典型算法。思政元素：以卷积神经网络简介为起点，帮助学生理解和掌握当今先进的人工智能技术，培养学生的编程思维和解决实际问题的能力。以AlexNet模型、VGGNet模型、ResNet模型、DenseNet模型为例，通过对模型结构的介绍和实战，帮助学生更深层次的理解卷积神经网络，有助于学生的思维开阔，提高学生的创新能力，为他们未来的研究和创新奠定坚实基础。36循环神经网络教学重点：循环神经网络介绍、LSTM模型、循环神经网络网络实战。教学方法：采用讲解和实战相结合。教学目的：掌握循环神经网络、LSTM模型。思政元素：循环神经网络通过记忆先前的信息来影响后续的输出，可以帮助学生理解和利用时间依赖关系。帮助学生理解和应用自然语言模型。37ransformer模型教学重点：Transformer模型、自注意力机制、自编码器教学方法：采用讲解和实战相结合。教学目的：掌握Transformer架构，理解自注意力机制。思政元素：Transformer模型的提出颠覆了传统的循环神经网络和卷积神经网络的范式，引入了自注意力机制，可以帮助学生理解Transformer模型架构如何实现，通过对自注意力机制的讲解，帮助学生在其它任务模型中应用自注意力机制，提高模型性能。通过讲解Transformer模型，让学生不仅能够掌握先进的人工智能技术，还能够理解其背后的关键思想和技术突破。38生成对抗网络教学重点：GAN网络模型、DCGAN网络、CGAN网络。教学方法：采用讲解和实战相结合。教学目的：理解生成与判别模型的对抗性质，掌握生成对抗网络模型。思政元素：生成对抗网络由生成器和判别器组成，通过对抗训练的方式使生成器能够生成逼真的数据样本，判别器则试图区分真实数据和生成数据。通过教学帮助学生能够深入理解这种对抗性质的工作原理。通过实战案例，帮助学生设计和实现各种类型的生成模型，并探索其在不同任务中的实际应用。39迁移学习教学重点：迁移学习理论、迁移学习分类、迁移学习应用。教学方法：采用讲解和实战相结合。教学目的：理解迁移学习的核心思想与方法并应用迁移学习。思政元素：通过迁移学习，能够帮助学生认识到可以将一个任务上学到的知识迁移到另一个相关任务中，从而节省大量的时间和成本。有助于培养他们的创新思维和问题解决能力。210综合实战——电影评论情感分析教学重点：文本分类的概念、项目实现过程。教学方法：采用讲解和实战相结合。教学目的：熟悉循环神经网络RNN和LSTM原理以及实践。思政元素：可以作为学习NLP和文本分类方法的基础。它涵盖了从数据处理到模型选择的整个流程，帮助学生理解如何利用深度学习技术解决实际问题。411综合实战——图像分类教学重点：项目要求分析、项目实现过程、TensorFlow框架搭建神经网络。教学方法：采用讲解和实战相结合。教学目的：完成数据读取、网络构建、模型训练和模型测试等过程，实现一个可以进行猫狗图像分类的分类器。思政元素：通过实际项目猫狗分类，可以帮助学生深入理解图像分类的基本概念、技术挑战和解决方案。这种实践性的学习能够帮助学生更好地理解理论知识如何应用于真实世界的问题解决中。4五、各教学环节及学时分配知识模块教学内容教学环节及学时讲授课习题课讨论课实验（实践）合计人工智能基础人工智能的简介、人工智能的特征、人工智能的参考框架、人工智能的研究内容22机器学习与深度学习入门机器学习的简介、机器学习的基础理论22深度学习简介、TensorFlow开发框架、人工智能、机器学习、深度学习的关系22线性模型线性回归、梯度下降、过拟合224逻辑回归、SVM224神经网络基础神经网络的简介、感知器的介绍与实现、全连接神经网络、BP神经网络、Dropout正则化、批标准化224卷积神经网络卷积神经网络的介绍，卷积操作、卷积模型的开发流程22AlexNet模型、VGGNet模型、ResNet模型、DenseNet模型224循环神经网络循环神经网络简介、循环神经网络的结构22LSTM模型、LSTM的实现224Transformer模型自注意力机制的原理、自编码器的原理22Transformer的原理，Transformer的实现224生成对抗网络对抗生成网络的原理、DCGAN网络、CGAN网络224迁移学习迁移学习的简介、迁移学习的应用224综合实战——电影评论情感分析文本分类的概念、数据集的介绍、文本分类的实现流程、词嵌入层的原理与应用、RNN实现、LSTM实现2810综合实战——图像分类图像分类的概念、数据集的介绍、神经网络的搭建、神经网模型的断点续训、参数保存、项目打包2810合计64六、成绩考核及其基本要求考核环节建议分值考核/评价细则对应课程目标平时表现及考勤情况10主要包括平时作业完成情况和出勤情况。在本考核环节中，作业和出勤各占50%，其中旷课达到一定数量按学院规定处理阶段实验完成情况30课程不同阶段设置对应的上机操作案例，根据每个实验的实际完成情况及实验报告完成情况进行综合评分。（1）很好的完成了所承担的设计任务，设计有新意，程序调试顺利，结果正确，回答提问准确，90～100分。（2）较好地完成了所承担的设计任务，设计完全，程序调试较顺利，结果正确，回答问题准确，80～89分。（3）能够完成所承担的设计任务，经提示程序调试通过，结果正确，回答问题基本准确，70～79分。（4）设计没有严重错误，经老师指导调试成功，结果正确，能够回答基本问题，60～69分。（5）不能独立完成设计任务，不及格处理。1,2,3,4期末考试成绩60包括期末卷面成绩（占60%）和上机考试成绩（占40%），是对学生所学本课程知识的掌握程度和基本技能的运用程度而进行的考核。1,2,3,4七、主要教学参考资源教材：《人工神经网络理论及应用》韩力群著，机械工业出版社，2017.07推荐参考资料：（1）《人工神经网络教程》韩力群著，北京邮电大学出版社，2006.12（2）《神经网络与深度学习》邱锡鹏著,机械工业出版社，2020.04（3）《\o"神经网络与深度学习——基于TensorFl