應用型本科新工科專業人工智能模塊課程建設

應 毅， 任 凱， 李曉明

（1 三江學院 計算機科學與工程學院， 南京 210012； 2 南京工業大學 浦江學院， 南京 211200）

0 引 言

21 世紀初期，伴隨著物聯網、云計算／大數據、深度學習為主導的第三次信息化浪潮在全球的興起，計算機視覺、自然語言處理等領域也相繼取得突破，并逐漸在真實的商業應用中扮演起重要角色［1］。 研究可知，人工智能起源于1956 年8 月召開的達特茅斯會議。 人工智能是新一輪科技革命和產業變革的核心驅動力，給經濟社會帶來了極其深遠的影響，既為促進經濟建設注入了新動能，又為服務社會發展帶來了新機遇。

當前，中國政府高度重視人工智能領域，并從國家戰略高度全面推進人工智能相關產業的發展。 作為推進新技術新產業的重要陣地，高校擔負著人才培養、科技創新和社會服務的職責。 2018 年4 月，教育部在《高等學校人工智能創新行動計劃》［2］中強調，要加強人工智能領域專業建設，推進“新工科”建設，形成“人工智能+X”復合專業培養新模式。

1 人工智能人才培養現狀

人工智能技術與各行各業的融合帶動大批新興產業的出現，國家政策的扶持使人工智能產業未來的發展具有很高的可期性，同時也給高校的人工智能專業教育方面提出時代性的挑戰。

2018 年之前，國內的人工智能教育以高層次人才培養為主，沒有一所高校開設人工智能本科專業，經過2019 年、2020 年這兩年的專業備案和審批，逐步形成了人工智能領域“本-碩-博”一體化人才培養梯隊。 盡管這種人才培養梯隊的形成，有助于人工智能源頭創新層面的研發和突破，但對于技術層和應用層所需的各類人才以及普通大眾而言，仍然是不完善的。

以上問題已嚴重制約國內人工智能產業的發展，也阻礙了高校人才培養面對市場需求的應變能力及學生個人素質的進一步提高。 雖然不一定每所高校都適合設立人工智能專業或建立人工智能學院，但在新工科專業設立人工智能模塊課程還是很有必要的，對于打造復合交叉的“人工智能+X”人才培養體系也具有重要意義。

2 人工智能模塊課程的設計

根據“知識夠用、技術實用、面向應用”的人才培養定位，設置具有承接關系的4 門人工智能模塊課程：Python 程序設計語言、人工智能概論、神經網絡與深度學習、深度學習綜合項目訓練。 4 門課程的總體設計見表1。

表1 人工智能模塊課程的總體設計Tab.1 Overall design of Artificial Intelligence module curriculum

“Python 程序設計語言”是人工智能模塊的基礎課程，既是企業級AI 和數據分析的首選編程語言，也是新工科專業必須掌握的軟件工具。 “人工智能概論”介紹人工智能的發展歷史和現狀；回顧傳統的線性數學模型和機器學習技術；幫助學生形成對人工智能知識體系及其應用領域的輪廓性認識。 “神經網絡與深度學習”是人工智能模塊的核心課程，主要介紹神經網絡的基本知識和成熟的深度學習模型， 教授人工智能通用計算框架TensorFlow 的搭建、使用和二次開發。 “深度學習綜合項目訓練”是人工智能模塊的綜合性實驗課程，鑒于就業崗位需求的考慮，對于應用型本科高校的學生，在進行人工智能開發時，并不要求學生設計模型，只要能根據項目特定的應用場景，在目前主流的模型中選擇適合實際項目的模型即可。

2.1 課程“Python 程序設計語言”的設計

主要教學內容：

（1）基本語法知識：變量、標識符、注釋、基本運算、語句與縮進。

（2）常用序列結構：列表、元組、字典、集合。

（3）流程控制：選擇結構、循環結構。

（4）字符串、正則表達式。

（5）函數、面向對象和類、異常。

（6）輸入輸出、文件讀寫、文件／目錄操作。

（7）第三方庫簡介與應用。

實驗軟件工具：Python 開發工具Anaconda；Python 數據處理及分析庫NumPy、Pandas、SciPy、Matplotlib。

2.2 課程“人工智能概論”的設計

主要教學內容：

（1）人工智能發展簡史。

（2）人工智能、機器學習、深度學習的區別和聯系。

（3）線性模型、統計分析、回歸。

（4）機器學習方法：監督學習（決策樹、回歸分析、分類、SVM、Bayes 方法）、無監督學習（聚類）、半監督學習、強化學習。

（5）演化計算（遺傳算法）、群體智能算法（粒子群優化、蟻群優化）、模擬退火算法。

（6）人工神經網絡簡介。

（7）當前主流應用：自然語言處理（機器翻譯）、計算機視覺（圖像識別、人臉識別）、語音處理。

實驗軟件工具：Python 機器學習庫Scikit-Learn；TensorFlow。

2.3 課程“神經網絡與深度學習”的設計

主要教學內容：

（1）神經網絡基礎：感知機、神經元、激活函數、損失函數、學習率、過擬合。

（2）神經網絡模型：前饋神經網絡、反饋神經網絡、全連接網絡、卷積神經網絡、循環神經網絡、遞歸神經網絡、反向傳播神經網絡、LSTM 神經網絡。

（3）TensorFlow 編程基礎：符號式編程；張量、變量、常量；計算圖、Session、占位符、Variable 對象；操作運算、累加、累積；基本數學函數、矩陣函數、張量函數。

（4）TensorFlow 編程模式：tf.data 模塊、tf.nn 模塊、tf.train 模塊、tf.layers 模塊、tf.estimarot 模塊。

（5）TensorFlow 模型搭建與訓練。

（6）TensorFlow 模型持久化與加載。

（7）分布式模型訓練、GPU 加速模型訓練。

實驗軟件工具：TensorFlow；Python 神經網絡庫PyBrain。

2.4 課程“深度學習綜合項目訓練”的設計

主要教學內容：

（1）主流數據集簡介：MNIST 手寫體數字識別數據集、CIFAR-10 彩色圖像數據集、ImageNet 圖像分類數據集。

（2）編寫全連接神經網絡。

（3）經典卷積神經網絡應用：AlexNet、Inceptionv3、VGG Net-16、ResNet-50。

實驗軟件工具：TensorFlow；Keras。

3 課程思政的設計思路

在新一輪科技革命的時代背景下，科學設定理工科專業的課程思政培養目標對于人才培養和行業發展建設具有重要意義。 在知識傳授、能力培養和價值塑造的過程中，充分挖掘理工科專業的優勢和特色，有效融入愛國主義情懷、專業倫理意識、職業道德教育、科學道德素養、人文素養元素等最為核心的思政元素［3］，提高學生的創新精神和實踐能力，培養德智體美勞全面發展的高素質人才，培育擔當民族復興重任的時代新人。 4 門人工智能模塊課程的主要課程思政內容詳見表2。

表2 人工智能模塊課程的主要課程思政內容Tab.2 Primary content of courses for ideological and political education

4 結束語

在新工科背景下，培養具有智能思維和應用開發能力的“人工智能+”人才具有重要意義。 人工智能模塊課程的建設不以培養理論創新和算法發明的研究型人才為目標，而是面向對人工智能應用有需求的新工科專業，以典型場景應用落地為目標，強調實踐，秉承“知識夠用、技術實用、面向應用”的宗旨來組織課程的教學內容，以期為科技和產業發展提供更加充分的人才支撐。