《智能应用综合实习》课程教学大纲.docx

《《智能应用综合实习》课程教学大纲.docx》由会员分享，可在线阅读，更多相关《《智能应用综合实习》课程教学大纲.docx（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、智能应用综合实习教学大纲一、课程基本信息课程名称智能应用综合实习Intelligence Application Comprehensive Practice课程编码CST510611040开课院部计算机科学与技术学院课程团队机器学习教学团队学分4.0课内学时 4周讲授0实验0上机0实践4周课外学时0适用专业智能科学与技术授课语言中文先修课程程序设计（C/C+）、程序设计实习、计算机图形学、人工智能导论、机器学习、计算机视觉、深度学习基础课程简介（必修）智能应用综合实习是智能科学与技术专业教学计划中一门综合性和实践性很强的核心课程，主要内容包括深度学习基础、深度学 习计算、卷积神经网络、循环神

2、经网络、神经网络优化算法、性能评价等，这些内容是通过一个深度神经网络课题的设计来掌握的，这样 使学生通过本课程的学习、实践，了解用深度神经网络解决一个实际问题的一般过程，掌握神经网络技术的从基础到深入的各种方法，为 更深入地学习和应用人工智能等相关工作打下良好的基础。通过本课程的学习、实践，要求学生掌握深度学习中的基本概念和数学模型， 深度学习计算中的开发方法和技术；理解卷积神经网络、循环神经网络的概念，以及神经网络中的各种经典优化算法；并能够掌握设计的 神经网络的计算性能评价方法。并能能够通过计算机视觉、自然语言处理等领域题目的设计，掌握神经网络从理论到实际、从设计到实施 的流程，并能够解决

3、遇到的常见问题，具备一定现场工程的能力。通过多个环节的小组分工合作，让学生学习交流、合作，引入一些学生 身边的励志人物案例，激发其爱国情怀等隐性思政教育内容，提高学生思想认识，有助于其树立正确人生观、世界观和价值观。Comprehensive Practice of intelligent application is a comprehensive and practical core course in the teaching plan of intelligent science and technology specialty. Its main contents include D

4、eep Learning Foundation, deep learning calculation, Convolution Neural Network, cyclic neural network, neural network optimization algorithm, performance evaluation, etc., these contents are mastered through the design of a deep neural network topic, so that students can learn and practice through t

5、his course, understand the general process of solving a practical problem with deep neural network, master various methods of neural network technology from foundation to depth, it lays a good foundation for further study and application of artificial intelligence and other related work. Through the

6、 study and practice of this course, students are required to master the basic concepts and mathematical models in deep learning and the development methods and techniques in deep learning calculation. Understand the concepts of convolution neural network and cyclic neural network, and various classi

7、cal optimization algorithms in neural networks; And can master the calculation performance evaluation method of the designed neural network. And be able to master the process of neural network fromtheory to practice, from design to implementation through the design of problems in computer vision, na

8、tural language processing and other fields, and be able to solve common problems encountered, have the ability of site engineering. Through the Group division of labor and cooperation in multiple 1 inks, students can learn to communicate and cooperate, introduce some inspirational figures around stu

9、dents, and stimulate their patriotic feelings and other hidden ideological and political education contents, improving students ideological understanding wi11 help them establish a correct outlook on life, world outlook and values.负责人大纲执笔人审核人二、课程目标序号代号课程目标0BE毕业要求指标点任务自选1Ml目标1 ：掌握经典的深度学习的理论基础、计算模型构造，

10、能够运用已学习python语言知识，熟悉 pytorch、tensorflow等编程环境的运行方法，并能够验证经典理论模型的正确性。是3. 4, 6.32M2目标2：具备分析问题，并能通过自主学习，文献查阅工具找到问题的解决方法。能够运用pytorch 模块实现提出的方案，并具备软件程序的调试能力；掌握系统模型的性能分析方法，能够用GPU、异 步计算等方法提高模型的计算性能。是5.2, 6. 1, 11.23M3目标3 ：能够根据任务进行分组，理解团队内每个角色的含义与职责，合理分析问题拆分任务，有效 组织团队成员开展工作，并具备能在公开场合进行报告陈述的能力。是9. 1, 9.2,9. 3,

11、 10. 1三、课程内容序号章节号标题课程内容/重难点支撑课 程目标课内学时教学方式课外 学时课外环节11实践一：实践环境 准备能够掌握目前主流的神经网络开发环境pytorch. tensorflow 等模块，并能在环境中掌握代码调试、程序运行等能力。Ml20讲授2作业22实践二：视野拓 展、基础知识、计 算模型调研与准备调研领域内的最新模型、技术，知名研究学者及其研究成果， 树立正确的人生观、世界观。在此指引下复习深度学习基础知 识，例如：线性回归、多层感知机、正向传播、反向传播等， 并能够在搭好的环境中运用上述模型解决问题。M220讲授2作业33实践三：深度神经要求理解需求阶段的任务，熟悉

12、卷积神经网络的相关模型，掌M324讲授2作业网络实践握网络模型的搭建方法、熟练掌握模型计算能力优化方法。熟 练掌握运用AlexNet、VGG、GoogleNet等深度神经网络的方 法，并具备实现提出模型的能力。四、考核方式序号考核环节操作细节总评占比1答辩课堂答辩100%五、评分细则序号课程目标考核环节大致占比评分等级1Ml答辩100%ABCDE作品完成度高，有一定创新性，答辩过程回答问题流利、组内分工明确，小组成员参与度高。 作品完成度较高，答辩过程回答问题流利、组内分工明确，小组成员参与度高。作品完成度较高，答辩过程回答问题较为流利、组内分工较为明确，小组成员参与度较高。较好的完成作品，答

13、辩过程能够回答大部分问题流利、小组成员均参与了作品完成。未能完成作品。2M2答辩100%ABCDE作品完成度图，有一定创新性，答辩过程回答问题流利、组内分工明确，小组成员参与度高。作品完成度较高，答辩过程回答问题流利、组内分工明确，小组成员参与度高。作品完成度较高，答辩过程回答问题较为流利、组内分工较为明确，小组成员参与度较高。较好的完成作品，答辩过程能够回答大部分问题流利、小组成员均参与了作品完成。 未能完成作品。3M3答辩100%ABCDE作品完成度高，有一定创新性，答辩过程回答问题流利、组内分工明确，小组成员参与度高。作品完成度较高，答辩过程回答问题流利、组内分工明确，小组成员参与度高。作品完成度较高，答辩过程回答问题较为流利、组内分工较为明确，小组成员参与度较高。较好的完成作品，答辩过程能够回答大部分问题流利、小组成员均参与了作品完成。未能完成作品。评分等级说明：A, B, C, D, E = 90-100, 80-89, 70-79, 60-69, 0-59六、教材与参考资料（无）