人工智能时代下面向本科生的深度学习课程建设与探析

王浩，贺钰昕，何志权，曹文明

(1.深圳大学广东省多媒体信息服务工程技术中心，广东深圳 518060；2.深圳技术大学城市交通与物流学院，广东深圳 518000)

0 引言

人工智能技术已经深入到人们的生产和生活的方方面面，为人们带来了许多便利。在生产方面，人工智能已被广泛应用于制造业、金融、医疗等多个领域。例如，制造业中的智能制造系统可以实现生产流程的自动化，极大提高生产效率和产品质量。在金融领域，人工智能可以被用于风险管理、投资决策等方面。在医疗领域，人工智能可以被用于医学影像分析、疾病诊断和辅助治疗等场景中。在生活方面，人工智能也已经深入人们的家庭、娱乐和教育等各个领域。例如，智能家居系统可以实现家庭设备的自动化和智能化控制。在娱乐领域，人工智能可以用于游戏开发和虚拟现实技术等方面。在教育领域，人工智能也可以用于个性化教育和辅助教学[1-2]。

由于人工智能技术的高速发展和广泛应用，人工智能相关人才的需求也呈现出爆发式增长[3]。人工智能的人才培养涉及多个学科和专业，需要具备跨学科的综合素养和专业知识。反之，加强人工智能相关人才的培养，提高其专业技能水平和综合素质，对于推动我国人工智能技术产业发展，促进经济社会的创新具有重要意义。

我国在人工智能人才教育培养方面也采取了多种措施，包括在高校中逐步开设人工智能专业，建设相关实验室、设立开展人工智能相关课程，举办各种人工智能竞赛和活动等[4]。目前，许多为研究生制定的人工智能课程，也已逐步面向低年级本科学生开放[5]。

深度学习是目前人工智能技术的研究核心之一，它利用多层神经网络模型实现对大量数据的高效处理和分析，相关技术已在图像识别、语音识别、自然语言处理等领域已经取得了显著成果。在企业中，深度学习领域的专业人才也备受追捧，能够快速处理和分析大数据的深度学习工程师和研究人员已成为企业中的热门岗位[6]。因此，在高校人才培养上深度学习也是人工智能方向的重点课程。现在越来越多的大学开设了深度学习相关的课程和专业，培养学生对于深度学习算法、模型的理解和应用能力。总而言之，目前深度学习已成为人工智能技术的研究核心，也是人工智能方向人才培养的重点学科。

1 课程特点和问题分析

深度学习是一门涉及基础数学、统计学、机器学习算法、优化理论、高性能计算、数据处理等多个方向的交叉学科。深度学习课程的特点主要体现在以下几个方面：

1)数学基础要求高：深度学习需要使用大量的数学知识，如线性代数、概率论和微积分等，因此，学生需要具备较高的数学基础。而较高的数学基础也会导致直接推进该项课程在本科学生中的开展存在一定的困难。

2)理论与实践相结合：深度学习课程通常会涉及大量的理论知识，如神经网络结构、训练算法等，同时该课程的学习也需要大量的实践操作，如基于计算图结构搭建深度学习平台，使用TensorFlow、Pytorch 等框架搭建模型并进行训练等。这些特点要求我们在教学过程中必须理论与实践相结合。

3)数据驱动：深度学习是一种数据驱动的方法，因此深度学习课程会涉及大量的数据处理和分析技术，如数据清洗、数据预处理和数据可视化等。此外，深度学习算法的改进和部署也要求同学们要能够更好地认识数据、理解数据。

4) 多学科交叉：深度学习涉及了多个学科的知识，如统计学、传统机器学习算法、优化理论、高性能计算、数据处理等，因此深度学习课程的教学过程也需要将多个学科的知识相互交叉融合，这样才能够让学生更全面地理解深度学习的算法和理论。但以课程形式系统化地学习上述学科知识，就需要开设大量相关课程，对本科生教学而言存在一定的困难。若完全交由学生在课前查找自学相关知识，有可能导致由于学生对于相关知识的理解不够，因此无法充分理解授课内容。

5)知识更新迭代快：和其他传统课程不同，深度学习的相关理论体系还不完善，且相关方法仍在快速的发展迭代中。因此，深度学习的教育大纲必须紧跟技术发展前沿，进行快速的更新和迭代。而且一些传统的课堂教学方式并不适用于这种知识快速更新迭代的场景之中。

6)技术规范和思政内容必不可少：深度学习相关技术的进步无疑会带来巨大的生产力提升，但该项技术也是一把双刃剑。以ChatGPT 为例，该项技术不仅会为人们带来智能客服、智能搜索、编程辅助等便利，与此同时也使得虚假新闻、虚假课业的成本极大降低。谣言和虚假新闻创作成本的降低将会给人们的生产生活带来巨大的冲击，例如真实新闻极容易被虚假信息淹没，资本将利用算法重新在信息高地上起到决定性作用。因此，在人工智能的人才培养阶段，必须要对学生进行技术规范和引导，需要在课程中添加一定的思政内容，借此减少未来人工智能产业人员利用技术手段实施违背伦理、道德、法律的行为。

深度学习课程的人才培养目标主要包括以下几个方面：

1)理论基础：深度学习课程旨在加强学生对深度学习的理论基础的理解和掌握，培养学生对于知识理论框架的构建能力，快速高效地进行知识查找和分析的能力、跨学科的知识融合能力。具体而言，相关理论知识主要包括神经网络构建，神经网络训练算法，模型调优方法，卷积神经网络、循环神经网络、注意力机制、生成对抗模型构建等。

2) 实践能力：深度学习课程重视学生的实践能力，希望能够培养学生在实际生产生活中应用深度学习算法解决问题的能力，具体来说包括基于深度学习的编程能力、数据预处理能力、模型构建与训练能力、模型优化改进能力等。

3)创新思维：深度学习课程应着力于培养学生的创新思维。深度学习相关技术的发展日新月异，在人才培养上不仅要求学生能够充分掌握现有的深度学习算法，还应在此基础上进行创新和探索，在算法落地上不断发现新的应用场景和解决方案，并在算法和模型提升上进行改进和创新。

4)团队协作：随着深度学习在各种交叉学科和其他行业中的应用，相关算法的开发和落地基本是一个团队合作的过程。在这个过程中，必然会涉及多个方面的知识和技能。因此，深度学习课程的教学和实践中应注重培养学生的团队协作和沟通能力，以便使得他们在未来的工作中能够更好地与他人合作。

5)专业素养：深度学习课程还要求学生具备较高的专业素养，包括对相关法律、伦理和社会责任的认知和理解，以及良好的职业道德和责任感。因此，深度学习课程的开设须融入行业规范和思政内容。

2 课程设计与改革方案

2.1 课程设计要点

结合深度学习课程的特点和具体的人才培养目标，本课程的规划与设计应遵循如下几个要点：

针对本科生教学需要确立清晰的学习目标和教学大纲：深度学习是一门涉及多个学科的综合性课程，需要确立明确的学习目标和教学大纲，使学生能够系统性地掌握深度学习的核心理论和技术。针对本科学生的自身特点，教学大纲应清晰标注基础知识和进阶知识，在教学过程中注重基础知识的学习。此外，深度学习理论的快速发展又要求课程大纲具有可扩展性，我们采用树状结构来构建动态的课程知识体系。具体而言，课程知识树按照如下原则进行构建：①知识树应覆盖本课程的所有知识点以及其他学科的相关必要知识；②尽可能地将相关知识点进行细分，将无法再分的知识点作为树的叶子节点，若叶子节点为授课所需的先验知识应做成线上短视频，要求学生在课前进行观看，并对相关知识的掌握情况进行考核；③知识树整体结构务必清晰，能够引导学生按照从根到叶，由浅入深地展开学习。知识树样例如图1 所示。这样构建的知识树不仅能够帮助学生建立整体的知识架构，而且可以很好地适应深度学习的跨学科知识体系。此外知识树中的叶子节点以线上短视频的形式辅助课堂教学，使学生可以利用碎片化的时间完成学习，并依据自身情况和利用知识树结构有侧重地学习知识，提高学习效率。

图1 深度学习课程的知识体系结构样例

提供多样化的教学资源：深度学习的课程教授应为学生提供多样化的教学资源，如板书、讲义、实验指导、案例分析、编程实践等，让学生能够通过不同的教学方式深入理解深度学习的理论知识和相关应用。另外，应当充分利用相关技术产品辅助教学工作：人工智能的发展和应用衍生出了大量的相关技术产品可以用于辅助教学，特别是在深度学习相关知识的学习和培养过程中，针对本课程的特点适当使用这些辅助教学工具可以极大地提升教学效果。例如Google的TensorFlow、FaceBook 的Torch 等人工智能平台，可以为学生提供强大的计算资源和机器学习工具，帮助学生快速构建、训练和部署深度学习模型，让学生能够轻松地开展深度学习实践。再比如Coursera 和Udacity 等平台的在线课程和视频教程可以提供丰富的学习资源和教学内容，帮助学生在课下进一步深入理解深度学习的理论知识。

提供实时的指导和反馈：深度学习的学习需要学生掌握复杂的数学理论并具有一定的算法编程能力，因此需要提供实时的指导和反馈，帮助学生解决学习过程中遇到的实际问题和困难。为达到这个目的，学生可以利用ChatGPT 等自助问答与代码修正平台实现高效的代码自纠错，而且可以对课业中遇到非系统性问题进行快速问答。

提供实践机会和实战项目：深度学习需要实践和实战的支持，因此需要提供实践机会和实战项目，让学生能够深入了解深度学习的应用场景和实践技巧。针对项目实践，除了在线下提供包含深度学习平台的实验机房外，还可以充分利用Google的Colaboratory等虚拟实验室平台，让学生可以通过在线编辑器和云端GPU 资源，进行深度学习实验，并基于计算机来模拟实验结果。本课程会依据学习进程开设相关实验，这样做的不仅能够加深学生的动手实践能力，而且可以帮助学生更好地理解课程知识。

培养学生的创新和团队合作能力：深度学习是一门涉及多个学科的综合性课程，课程教育应该注重培养学生的创新思维和团队合作精神，让学生在实践中不断提升自己的能力。因此，本课程的期末课程设计项目和部分实验项目以团队形式展开，充分激发学生进行团队协作。

2.2 具体授课流程

具体来说，针对深度学习课程本文提出的授课流程如下：

1)课程准备期

教师依据课程内容构建知识树，并基于最新发展前沿修改、完善知识树。对当前课程所需的相关基础知识进行准备，并基于各个细分知识点进行网课短视频录制。

设计线上考核试题对所需先验知识的掌握情况进行检测，检测不合格学生可再次学习网课重新进行检测，检测结果以一定比例记入期末总成绩。

2)授课初期

首次课程，教师从项目实践和行业应用前沿出发引入深度学习课程，发布课程知识树带领同学了解课程知识全景，也可邀请业内专家举行讲座，激发学生对课程的学习热情。随后，利用一到两节课时间对深度学习所需的数学基础进行快速回顾。确保学生掌握必要的知识基础，若学生在学习过程中若遇到基础不牢的问题，可基于知识回顾相关内容进行快速地查找和学习。

授课教师针对特征分类、图像处理、时序预测、自然语言处理、注意力机制应用、生成对抗网络应用这六大任务设计构建项目库，并依据学生专业特点选择课程实践项目。

3)每节课上课前

上节课结束后发布下次课程对应的线上课堂，要求同学们需要依据课程内容进行基础知识的网课学习，并完成线上测试。这可以帮助授课教师确定学生的数学基础和对上节课程知识的掌握情况，在课前依据学生的具体情况调整课程重点和课程难度。

4)每节课上课时

授课教师依据课程知识树，将本节课所涉及的主要知识点依据课程自身层次结构进行讲解。在知识讲解过程中依据相关技术的实际落地情况分析利弊，引导学生遵守行业规范，正确使用相关技术。

主要知识讲解后，将学生结成小组，对学习过程中遇到的问题进行小组讨论。各小组需要将讨论后仍无法解答的问题进行总结提炼。

教师对各小组的问题进行作答。课堂教学结束前，授课教师需要总结课程知识点，并依据学习进度发布实践项目，阐述这些知识点如何在具体项目中落地使用。

5)每节课课后

学生将本节课所学内容融入项目实践中，实操检测不同算法模型的具体效果。

6)学期末

要求同学在学期末完成课程设计项目，将解决方案上传至kaggle上进行排名，并撰写项目报告。

7)考核

依据学生课前内容学习成绩、日常项目的完成情况、课程设计得分综合评定学生成绩。

3 结束语

人工智能技术的发展和普及使得相关人才的培养成为当代高校新工科人才培养的重要方向。而深度学习课程是人工智能技术的关键核心之一。为应当人才培养需求，越来越多的高校开始在本科学生中开始深度学习课程。本文针对深度学习的课程特点和本科学生的知识基础，对本科生的深度学习课程建设展开讨论。具体而言，我们利用线上网课的教学方式来解决课程内容广、知识点多、基础要求高的问题，以翻转课堂混合教学来提升学生学习兴趣，以项目实战来提升学生的实践动手能力，以课前测试、项目实践的形式综合评定学生成绩。课堂实践表明，本方案可以很好地激发同学们的学习兴趣、加强学生对知识的理解，并提升学生的实践动手能力。本项目对其他交叉融合学科的教学改革具有重要的参考意义。