《深度学习》教学大纲

《深度学习》教学大纲课程基本信息课程中文名称：深度学习课程英文名称：DeepLearning课程类别：专业必修课适用专业：计算机科学与技术、人工智能、数据科学与大数据技术等计算机及相关工科专业先修课程：Python程序设计、高等数学、线性代数、概率论与数理统计建议开课学期：第5或第6学期建议学时：48学时建议学分：3.0学分课程性质、目标及任务《深度学习》是计算机科学与技术、人工智能等专业的核心课程，也是计算机及相关工科专业的选修课程。本课程以学生掌握深度学习的基本理论、模型与算法为知识目标，以能够使用主流深度学习框架解决实际问题为能力目标，以培养学生的人工智能思维与创新能力为素质目标。课程内容涵盖深度学习基础、神经网络基础、卷积神经网络、循环神经网络、生成模型、强化学习基础等核心内容，结合典型应用案例，系统介绍深度学习的理论与方法。课程注重理论与实践相结合，每个知识点均设计了典型性的综合案例，引导学生在掌握理论知识的基础上，循序渐进地培养学生深度学习编程实践的能力。通过实验与项目训练，提升学生的模型构建、调优与应用能力，为将来从事深度学习相关领域的工作打下坚实的基础。教学方法1.采用线上线下混合教学模式，利用学习平台提供课件、视频、代码示例、习题与实验指导等资源。2.采用理论结合实践的教学方式。理论教学以教师课堂讲授为主，可结合案例讲解、课堂演示与互动讨论等多种形式，加强互动，促进学生对知识点的理解。实验教学以项目驱动，鼓励学生自主设计与实现模型，提高学生的实践应用能力。实验教学中，教师还可启发学生自己思考并设计实验内容，以培养学生自主学习和解决问题的能力。3.推行案例式与项目式教学，每章配备典型应用案例。通过案例式教学，可实现知识的综合运用，帮助学生更好地理解理论知识并强化知识整合与工程实践能力。教学内容及学时安排序号名称主要内容教学目标学时1绪论1.深度学习简介2.深度学习分类3.常用度量指标4.深度学习应用现状与趋势1.理解深度学习的基本概念与发展脉络

2.掌握深度学习主要任务类型与常用模型分类

3.熟悉不同任务下的评估指标4.了解深度学习在产业中的应用方向22深度学习基础1.数学基础2.距离与相似度计算

3.激活函数与多层感知机

4.反向传播算法原理1.掌握深度学习所需的数学工具

2.理解激活函数的作用与常见类型

3.掌握多层感知机的结构4.理解反向传播算法的原理与实现23卷积神经网络CNN基础模块典型CNN架构卷积类型CNN在图像分类、目标检测中的应用5.案例：交通标志识别1.理解CNN的基本结构与工作原理

2.掌握典型CNN模型的演进与特点

3.熟悉不同卷积方式的应用场景

4.能够使用CNN解决图像相关任务64循环神经网络RNN结构与训练方法

2.LSTM与GRU机制

3.双向RNN与深度RNN

4.RNN在时序数据建模中的应用5.案例：文本情感分类1.理解RNN的结构与时间反向传播算法

2.掌握LSTM与GRU的机制

3.熟悉RNN在文本、语音等序列任务中的应用

4.能够构建RNN模型进行序列预测65深度序列模型1.编码器-解码器架构

2.注意力机制原理

3.Transformer架构4.Transformer在NLP与CV中的应用5.案例：基于Seq2Seq架构的表格到文本生成1.理解序列建模的基本框架

2.掌握注意力机制的工作原理

3.熟悉Transformer的结构4.能够使用Transformer进行文本或图像任务66深度生成网络1.生成模型概述2.大语言模型基础3.生成模型在图像生成和文本生成中的应用4.案例：图像问答1.理解生成模型的基本原理与分类

2.掌握VAE、GAN、扩散模型的核心思想

3.了解大语言模型的基本架构与训练方式

4.能够使用生成模型进行内容生成任务87图神经网络1.图神经网络基础2.GNN在节点分类、图分类中的应用

3.图表示学习与图生成4.案例：Cora数据节点分类1.理解图数据结构与图神经网络的基本概念

2.掌握图卷积网络与图注意力网络的工作原理

3.能够使用GNN处理图结构数据任务48注意力机制注意力机制的基本形式2.注意力在CV与NLP中的应用3.注意力可视化与解释4.案例：基于注意力机制的手写数字识别1.理解注意力机制的基本原理与分类

2.掌握注意力在各类模型中的应用方式

3.能够实现并可视化注意力权重49深度强化学习1.强化学习基础2.深度Q网络及其变体

3.策略梯度方法4.强化学习在游戏控制与机器人领域中的应用5.案例：基于深度Q网络的CartPole小车平衡杆1.理解强化学习的基本框架与核心概念

2.掌握DQN与策略梯度的基本原理

3.能够使用深度强化学习解决简单控制问题410深度迁移学习1.迁移学习概述

2.基于微调的方法

3.基于冻结CNN层的方法

4.渐进式学习方法

5.基于对抗思想的方法6.案例：基于深度迁移学习的验证码识别1.掌握迁移学习的基本概念2.理解基于微调、冻结CNN层、渐进式学习和对抗思想等方法的原理与应用3.能够使用深度迁移学习实现典型应用211无监督深度学习1.基于掩码的任务

2.基于语言模型的任务

3.基于时序的任务

4.基于对比学习的任务

5.经典的无监督深度学习模型6.案例：手写数字生成1.掌握基于掩码、语言模型、时序和对比学习的任务特点2.理解经典无监督深度学习模型的基本原理与应用场景212综合案例1.天文数据挖掘2.淘宝商品识别掌握天文数据挖掘和淘宝商品识别的综合案例分析方法，提升运用所学知识解决实际问题的能力。2学时合计48SUM(above)考核方式加强过程性考核，课程考核成绩可采用如下比例：课程成绩构成=平时作业（10%）+课堂参与（10%）+实验报告与项目（30%）+期末考核（50%），期末考试建议采用闭卷或半开卷形式，注重对深度学习模型原理、算法理解与实际应用能力的考核。教材及参考资料教材李侃，孙新．深度学习[M]．北京：机械工业出版社，2025．参考资料[1]阿斯顿·张（AstonZhang），李