高職人工智能專業(yè)課程設(shè)置分析和設(shè)計(jì)

秦 宇

（廣東省外語藝術(shù)職業(yè)學(xué)院，廣東 廣州510640）

0 前言

自從“人工智能”這一個概念在1956年被正式提出，至今經(jīng)歷了多個發(fā)展階段。當(dāng)前，人工智能已經(jīng)深深融入人們的日常生活之中。為搶抓人工智能發(fā)展的重大戰(zhàn)略機(jī)遇，國務(wù)院于2017年發(fā)布了“新一代人工智能發(fā)展規(guī)劃”。教育部也在近兩年在本科和高職院校批準(zhǔn)增設(shè)了人工智能相關(guān)專業(yè)。由于人工智能涉及數(shù)學(xué)、計(jì)算機(jī)科學(xué)、邏輯學(xué)、哲學(xué)、神經(jīng)科學(xué)、語言學(xué)等不同領(lǐng)域的知識，是一個交叉學(xué)科，所以人工智能專業(yè)的課程設(shè)置比較復(fù)雜。本文根據(jù)社會對于人工智能的人才需求，結(jié)合高職院校教學(xué)特點(diǎn)，對于如何合理地設(shè)置人工智能專業(yè)的相關(guān)課程進(jìn)行了分析，并且提出了總體的框架。

1 分析和設(shè)計(jì)

近年，由谷歌旗下的DeepMind公司開發(fā)的人工智能圍棋軟件AlphaGo戰(zhàn)勝了世界頂尖的圍棋專業(yè)棋手，其中用到的核心技術(shù)包括了強(qiáng)化學(xué)習(xí)、深度學(xué)習(xí)和蒙特卡洛樹搜索技術(shù)。機(jī)器學(xué)習(xí)分為有監(jiān)督、無監(jiān)督和強(qiáng)化學(xué)習(xí)三大類，其中的強(qiáng)化學(xué)習(xí)強(qiáng)調(diào)的是在一系列的情景之下，選擇最佳決策，通過多步恰當(dāng)?shù)臎Q策，來逼近一個最優(yōu)的目標(biāo)。強(qiáng)化學(xué)習(xí)在理論上依賴于理查德·貝爾曼的動態(tài)規(guī)劃和Lev Pontryagin的控制論。整個強(qiáng)化學(xué)習(xí)由智能體、環(huán)境、獎賞、狀態(tài)、動作5個部分組成。其中的環(huán)境通常被規(guī)范為一個馬爾可夫決策過程，許多強(qiáng)化學(xué)習(xí)算法就是在此基礎(chǔ)上使用動態(tài)規(guī)劃技巧。馬爾可夫決策過程提供了一個數(shù)學(xué)模型，用于面對部分隨機(jī)，部分由決策者控制的狀態(tài)下，如何進(jìn)行最佳決策。由以上分析可以看出，強(qiáng)化學(xué)習(xí)需要掌握如下知識：

（1）動態(tài)規(guī)劃

（2）控制論

（3）隨機(jī)過程

由于高職院校的學(xué)生在理論基礎(chǔ)的學(xué)習(xí)上并不是很強(qiáng)，所以同時開設(shè)這幾門課程會增大學(xué)生學(xué)習(xí)的難度，所以可以由任課教師抽取這幾門課程中和強(qiáng)化學(xué)習(xí)相關(guān)性較大的部分融合到一門課程“強(qiáng)化學(xué)習(xí)”中進(jìn)行授課。課程大綱主要應(yīng)該包括：

（1）強(qiáng)化學(xué)習(xí)基本理論

（2）馬爾可夫決策理論

（3）智能搜索和蒙特卡洛樹搜索

（4）深度Q網(wǎng)絡(luò)算法和應(yīng)用

（5）強(qiáng)化學(xué)習(xí)平臺Gym搭建和算法實(shí)踐

強(qiáng)化學(xué)習(xí)的最大特點(diǎn)就是可以不需要大量的訓(xùn)練樣本來訓(xùn)練，而是通過自己不停地嘗試來學(xué)會某些技能，所以強(qiáng)化學(xué)習(xí)的運(yùn)用也會越來越廣泛。強(qiáng)化學(xué)習(xí)需要具備一定的數(shù)學(xué)基礎(chǔ)和機(jī)器學(xué)習(xí)的基本理論，所以建議此門課程放在第五學(xué)期開設(shè)，學(xué)習(xí)課時建議64個學(xué)時，4個學(xué)分。

AlexNet網(wǎng)絡(luò)在2012年ImageNet競賽獲得冠軍，創(chuàng)造了人工智能技術(shù)在圖像識別領(lǐng)域的又一個里程碑。AlexNet用到的核心技術(shù)是深度卷積神經(jīng)網(wǎng)絡(luò)。AlexNet將LeNet的思想發(fā)揚(yáng)光大，把CNN的基本原理應(yīng)用到了很深的網(wǎng)絡(luò)中。深度學(xué)習(xí)近些年來已經(jīng)成為了人工智能領(lǐng)域的主流技術(shù)。深度學(xué)習(xí)是在人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展起來的。其實(shí)早在20世紀(jì)50～60年代，科學(xué)家羅森布拉特就已經(jīng)提出了擁有輸入層、輸出層和一個隱藏層的神經(jīng)網(wǎng)絡(luò)，并命名為“感知器”。輸入層的特征向量通過隱藏層變換達(dá)到輸出層，在輸出層得到分類結(jié)果。但是，單個隱藏層的感知器面臨一個嚴(yán)重的問題是難以擬合復(fù)雜的函數(shù)，典型的如“異或”計(jì)算，這使得神經(jīng)網(wǎng)絡(luò)的發(fā)展遇到了瓶頸。隨著科技的進(jìn)步，多層感知器被提出，輕松地解決了“異或”問題。然而，隨著網(wǎng)絡(luò)層數(shù)增加，函數(shù)容易陷入局部最優(yōu)解，這是神經(jīng)網(wǎng)絡(luò)遇到的第二個瓶頸。2006年，著名科學(xué)家辛頓教授利用預(yù)訓(xùn)練的方法，緩解了局部最優(yōu)解的問題。這以后，人們又利用ReLU等新激活函數(shù)替代了傳統(tǒng)的sigmoid函數(shù)，才讓深度神經(jīng)網(wǎng)絡(luò)成了人工智能中一個極其重要的研究領(lǐng)域。由以上分析可以看出，“深度學(xué)習(xí)”課程應(yīng)該作為專業(yè)核心課程開設(shè)，由于其重要性，學(xué)時建議96學(xué)時，學(xué)分6學(xué)分，開設(shè)學(xué)期建議在第三學(xué)期開設(shè)，其前導(dǎo)課程包括了一些數(shù)學(xué)基礎(chǔ)課程、網(wǎng)絡(luò)基礎(chǔ)課程、編程基礎(chǔ)課，后續(xù)的課程可以是強(qiáng)化學(xué)習(xí)，或者智能機(jī)器人等課程。深度學(xué)習(xí)的教學(xué)主要內(nèi)容應(yīng)該包括以下內(nèi)容：

（1）深度學(xué)習(xí)發(fā)展概述

（2）人工神經(jīng)網(wǎng)絡(luò)原理和實(shí)踐

（3）深度學(xué)習(xí)的主流結(jié)構(gòu)、激活函數(shù)、正則化技術(shù)，實(shí)用算法細(xì)節(jié)和應(yīng)用案例

（4）前饋神經(jīng)網(wǎng)絡(luò)和應(yīng)用

（5）卷積神經(jīng)網(wǎng)絡(luò)和應(yīng)用

（6）循環(huán)神經(jīng)網(wǎng)絡(luò)和應(yīng)用

（7）深度學(xué)習(xí)實(shí)驗(yàn)平臺的搭建和代碼編寫

人工智能的另外一門核心技術(shù)就是機(jī)器學(xué)習(xí)，其實(shí)早在深度學(xué)習(xí)大量應(yīng)用之前，人們就已經(jīng)采用邏輯推理和機(jī)器演算的方法來模擬了人類的思維。深度學(xué)習(xí)的一個較大弱點(diǎn)是其不可解釋性，即人們發(fā)現(xiàn)深度學(xué)習(xí)經(jīng)過大量的樣本學(xué)習(xí)后，在某些方面可以達(dá)到近似人類的智力水平，但一直對于其運(yùn)行機(jī)制無法做出很好的解釋，這個弊端讓深度學(xué)習(xí)很難用在非常重要的場合，比如醫(yī)療、救治等場合。而機(jī)器學(xué)習(xí)中采用邏輯推理和機(jī)器演算來模擬了人類思維的方法就顯示了其可以解釋的優(yōu)點(diǎn)。所以開設(shè)機(jī)器學(xué)習(xí)這門課程就顯得很有必要。由于機(jī)器學(xué)習(xí)領(lǐng)域涉及較多內(nèi)容，而且也是人工智能的基礎(chǔ)，所以建議作為專業(yè)基礎(chǔ)課，設(shè)置在第二學(xué)期或者第三學(xué)期，其前導(dǎo)課程包括高等數(shù)學(xué)、線性代數(shù)、概率與數(shù)理統(tǒng)計(jì)、高級語言設(shè)計(jì)等，學(xué)時96學(xué)時，6學(xué)分，主要內(nèi)容如下：

（1）機(jī)器學(xué)習(xí)的基本概念

（2）聚類（K均值聚類及其改進(jìn)算法，聚類的任務(wù)等）

（3）回歸（回歸任務(wù)與評價方法等）

（4）分類（全局最優(yōu)、凸優(yōu)化等機(jī)器學(xué)習(xí)中的最優(yōu)化理論，迭代法、梯度下降法、牛頓法等最優(yōu)化方法）

（5）特征工程、降維與超參數(shù)調(diào)優(yōu)

人工智能的專家系統(tǒng)以及人工神經(jīng)網(wǎng)絡(luò)都需要提前收集大量的數(shù)據(jù)，這就用到了大數(shù)據(jù)技術(shù)，所以也有必要開設(shè)一門“人工智能數(shù)據(jù)收集與處理”課程，主要講述如何利用大數(shù)據(jù)技術(shù)和網(wǎng)絡(luò)爬蟲等技術(shù)收集數(shù)據(jù)和處理數(shù)據(jù)，其前導(dǎo)課程包括高級語言程序設(shè)計(jì)，linux操作系統(tǒng)。建議開設(shè)在第三學(xué)期，64個學(xué)時，4個學(xué)分。主要講授內(nèi)容如下：

（1）大數(shù)據(jù)的定義和特征

（2）大數(shù)據(jù)分析的過程、技術(shù)及工具

（3）大數(shù)據(jù)的應(yīng)用

（4）大數(shù)據(jù)的處理流程

人工智能現(xiàn)在已經(jīng)廣泛應(yīng)用于自然語言處理和圖像識別領(lǐng)域，所以可以分別開設(shè)兩門課程:“自然語言處理”“模式識別和圖像處理”。由于自然語言處理課程涉及建模等復(fù)雜的理論，所以可以在制定課程標(biāo)準(zhǔn)時，避開較復(fù)雜的理論，把重點(diǎn)放在運(yùn)用環(huán)節(jié)，“自然語言處理”課程建議設(shè)置在第四或者第五學(xué)期，32學(xué)時，2學(xué)分。“模式識別和圖像處理”課程相對自然語言處理模型較少一些，可以設(shè)置在第四學(xué)期，32學(xué)時，2學(xué)分。

高職院校應(yīng)更注重與技術(shù)運(yùn)用，所以還可以設(shè)置“智能產(chǎn)品營銷與服務(wù)”課程，在第五學(xué)期講授，32學(xué)時。

除了以上專業(yè)核心課程外，還應(yīng)該開設(shè)高等數(shù)學(xué)、線性代數(shù)、概率與數(shù)理統(tǒng)計(jì)、高級語言設(shè)計(jì)、網(wǎng)絡(luò)原理、操作系統(tǒng)等基礎(chǔ)課程，建議在第一和第二學(xué)期進(jìn)行講授，為后面的核心課程打下基礎(chǔ)。

2 結(jié)論

本文對于高職院校人工智能技術(shù)服務(wù)專業(yè)的課程設(shè)置進(jìn)行了研究分析，提出了總體的設(shè)計(jì)框架。人工智能技術(shù)發(fā)展迅速，應(yīng)用廣泛，人工智能專業(yè)在高職院校開展時間較短，所以還需要在不斷的實(shí)踐教學(xué)中優(yōu)化培養(yǎng)方案，細(xì)化課程設(shè)置。