高职人工智能专业课程设置分析和设计

秦 宇

（广东省外语艺术职业学院，广东 广州510640）

0 前言

自从“人工智能”这一个概念在1956年被正式提出，至今经历了多个发展阶段。当前，人工智能已经深深融入人们的日常生活之中。为抢抓人工智能发展的重大战略机遇，国务院于2017年发布了“新一代人工智能发展规划”。教育部也在近两年在本科和高职院校批准增设了人工智能相关专业。由于人工智能涉及数学、计算机科学、逻辑学、哲学、神经科学、语言学等不同领域的知识，是一个交叉学科，所以人工智能专业的课程设置比较复杂。本文根据社会对于人工智能的人才需求，结合高职院校教学特点，对于如何合理地设置人工智能专业的相关课程进行了分析，并且提出了总体的框架。

1 分析和设计

近年，由谷歌旗下的DeepMind公司开发的人工智能围棋软件AlphaGo战胜了世界顶尖的围棋专业棋手，其中用到的核心技术包括了强化学习、深度学习和蒙特卡洛树搜索技术。机器学习分为有监督、无监督和强化学习三大类，其中的强化学习强调的是在一系列的情景之下，选择最佳决策，通过多步恰当的决策，来逼近一个最优的目标。强化学习在理论上依赖于理查德·贝尔曼的动态规划和Lev Pontryagin的控制论。整个强化学习由智能体、环境、奖赏、状态、动作5个部分组成。其中的环境通常被规范为一个马尔可夫决策过程，许多强化学习算法就是在此基础上使用动态规划技巧。马尔可夫决策过程提供了一个数学模型，用于面对部分随机，部分由决策者控制的状态下，如何进行最佳决策。由以上分析可以看出，强化学习需要掌握如下知识：

（1）动态规划

（2）控制论

（3）随机过程

由于高职院校的学生在理论基础的学习上并不是很强，所以同时开设这几门课程会增大学生学习的难度，所以可以由任课教师抽取这几门课程中和强化学习相关性较大的部分融合到一门课程“强化学习”中进行授课。课程大纲主要应该包括：

（1）强化学习基本理论

（2）马尔可夫决策理论

（3）智能搜索和蒙特卡洛树搜索

（4）深度Q网络算法和应用

（5）强化学习平台Gym搭建和算法实践

强化学习的最大特点就是可以不需要大量的训练样本来训练，而是通过自己不停地尝试来学会某些技能，所以强化学习的运用也会越来越广泛。强化学习需要具备一定的数学基础和机器学习的基本理论，所以建议此门课程放在第五学期开设，学习课时建议64个学时，4个学分。

AlexNet网络在2012年ImageNet竞赛获得冠军，创造了人工智能技术在图像识别领域的又一个里程碑。AlexNet用到的核心技术是深度卷积神经网络。AlexNet将LeNet的思想发扬光大，把CNN的基本原理应用到了很深的网络中。深度学习近些年来已经成为了人工智能领域的主流技术。深度学习是在人工神经网络的基础上发展起来的。其实早在20世纪50～60年代，科学家罗森布拉特就已经提出了拥有输入层、输出层和一个隐藏层的神经网络，并命名为“感知器”。输入层的特征向量通过隐藏层变换达到输出层，在输出层得到分类结果。但是，单个隐藏层的感知器面临一个严重的问题是难以拟合复杂的函数，典型的如“异或”计算，这使得神经网络的发展遇到了瓶颈。随着科技的进步，多层感知器被提出，轻松地解决了“异或”问题。然而，随着网络层数增加，函数容易陷入局部最优解，这是神经网络遇到的第二个瓶颈。2006年，著名科学家辛顿教授利用预训练的方法，缓解了局部最优解的问题。这以后，人们又利用ReLU等新激活函数替代了传统的sigmoid函数，才让深度神经网络成了人工智能中一个极其重要的研究领域。由以上分析可以看出，“深度学习”课程应该作为专业核心课程开设，由于其重要性，学时建议96学时，学分6学分，开设学期建议在第三学期开设，其前导课程包括了一些数学基础课程、网络基础课程、编程基础课，后续的课程可以是强化学习，或者智能机器人等课程。深度学习的教学主要内容应该包括以下内容：

（1）深度学习发展概述

（2）人工神经网络原理和实践

（3）深度学习的主流结构、激活函数、正则化技术，实用算法细节和应用案例

（4）前馈神经网络和应用

（5）卷积神经网络和应用

（6）循环神经网络和应用

（7）深度学习实验平台的搭建和代码编写

人工智能的另外一门核心技术就是机器学习，其实早在深度学习大量应用之前，人们就已经采用逻辑推理和机器演算的方法来模拟了人类的思维。深度学习的一个较大弱点是其不可解释性，即人们发现深度学习经过大量的样本学习后，在某些方面可以达到近似人类的智力水平，但一直对于其运行机制无法做出很好的解释，这个弊端让深度学习很难用在非常重要的场合，比如医疗、救治等场合。而机器学习中采用逻辑推理和机器演算来模拟了人类思维的方法就显示了其可以解释的优点。所以开设机器学习这门课程就显得很有必要。由于机器学习领域涉及较多内容，而且也是人工智能的基础，所以建议作为专业基础课，设置在第二学期或者第三学期，其前导课程包括高等数学、线性代数、概率与数理统计、高级语言设计等，学时96学时，6学分，主要内容如下：

（1）机器学习的基本概念

（2）聚类（K均值聚类及其改进算法，聚类的任务等）

（3）回归（回归任务与评价方法等）

（4）分类（全局最优、凸优化等机器学习中的最优化理论，迭代法、梯度下降法、牛顿法等最优化方法）

（5）特征工程、降维与超参数调优

人工智能的专家系统以及人工神经网络都需要提前收集大量的数据，这就用到了大数据技术，所以也有必要开设一门“人工智能数据收集与处理”课程，主要讲述如何利用大数据技术和网络爬虫等技术收集数据和处理数据，其前导课程包括高级语言程序设计，linux操作系统。建议开设在第三学期，64个学时，4个学分。主要讲授内容如下：

（1）大数据的定义和特征

（2）大数据分析的过程、技术及工具

（3）大数据的应用

（4）大数据的处理流程

人工智能现在已经广泛应用于自然语言处理和图像识别领域，所以可以分别开设两门课程:“自然语言处理”“模式识别和图像处理”。由于自然语言处理课程涉及建模等复杂的理论，所以可以在制定课程标准时，避开较复杂的理论，把重点放在运用环节，“自然语言处理”课程建议设置在第四或者第五学期，32学时，2学分。“模式识别和图像处理”课程相对自然语言处理模型较少一些，可以设置在第四学期，32学时，2学分。

高职院校应更注重与技术运用，所以还可以设置“智能产品营销与服务”课程，在第五学期讲授，32学时。

除了以上专业核心课程外，还应该开设高等数学、线性代数、概率与数理统计、高级语言设计、网络原理、操作系统等基础课程，建议在第一和第二学期进行讲授，为后面的核心课程打下基础。

2 结论

本文对于高职院校人工智能技术服务专业的课程设置进行了研究分析，提出了总体的设计框架。人工智能技术发展迅速，应用广泛，人工智能专业在高职院校开展时间较短，所以还需要在不断的实践教学中优化培养方案，细化课程设置。