《神经网络与深度学习》课程标准.docx

《神经网络与深度学习》课程标准 【课程名称】神经网络与深度学习 【适用专业】高等职业教育智能产品开发专业 一、课程定位 1．课程性质 本课程为智能产品开发专业职业技能核心课程。 2．课程任务 通过本课程学习培养学生智能产品设计与开发的综合能力，包括机器学习、深度学习相关概念，介绍TensorFlow的变量、矩阵和各种数据源等基本概念，深度剖析线性回归、支持向量机、*近邻域、神经网络和自然语言处理等算法，并结合丰富的实例详细讲解情感分析、回归分析、聚类分析、神经网络和深度学习实战等应用等。 3．课程衔接 本课程的前序课程为《Python程序设计》、《人工智能导论》，后续课程为《顶岗实习》。 二、课程目标 通过本课程学习，理解智能产品开发过程中涉及到的诸多AI技术，能够根据实际要求完成人工智能项目的设计、制作、调试，培养学生基本专业技能、积极参与意识、责任意识、协作意识和自信心，使教学过程更有目的性和针对性。养成良好的沟通能力与团队协作精神，具有安全文明的工作习惯、良好的职业道德、较强的质量意识和创新精神。具体应具备以下能力： 1．理解人工智能产品结构设计与生产过程的基本概念； 2．理解人工智能产品的基本算法、机器学习概念； 3．理解深度学习概念，了解其应用领域； 4．TensorFlow的变量、矩阵和各种数据源等基本概念 5．理解线性回归概念； 6．支持向量机； 7．聚类分析； 8．神经网络和自然语言处理等算法； 9．人工智能产品控制程序编写与调试； 10．智能产品使用说明书的编写。 【教学内容】 学习情境 职业能力目标 学习子情境 教学内容 课时分配 一、安装TensorFlow 1、安装前的环境准备 2、能够使用Linux系统和Python语言 3、能够独立安装Anaconda 4、能够安装CUDA和cuDNN 5、掌握TensorFlow测试方法 （一）安装CUDA和cuDNN 1、CUDA的安装 2、cuDNN的安装 3、Protocol Buffer 4、Bazel 5、从源代码编译并安装 4 （二）安装和测试TensorFlow 1、安装TensorFlow 2、运行向量相加的例子 3、加载过程存在的一些问题 4 二、TensorFlow编程策略 1、掌握计算图与张量 2、熟练使用TensorFlow的运行模型 3、正确创建变量并管理变量空间 4、掌握variable_scope()与name_scope()及其使用方法 （一）TensorFlow的数据模型 1、分析并演示分析TensorFlow的数据模型 2、会使用计算图描述TensorFlow计算模型 3、张量的使用 6 （二）TensorFlow的运行模型 1、TensorFlow系统结构概述 2、简单使用会话 3、使用with/as环境上下文管理器 4、Session的参数配置 5、placeholder机制 6 三、深度前馈神经网络 1、掌握网络的前馈方式 2、全连接的概念 3、神经元与全连接结构 4、前向传播算法 5、线性模型的局限性 6、激活函数 （一）网络的前馈方式及全连接的概念 1、前馈网络 2、全连接的概念 3、神经元与全连接结构 4 （二）激活函数 1、常用激活函数 2、激活函数实现去线性化 3、激活函数调用栈的查看 6 （三）多层网络解决异或运算 1、损失函数 2、经典损失函数 3、自定义损失函数 4 四、优化网络的方法 1、基于梯度的优化 2、反向传播 3、学习率的独立设置 4、拟合 （一）基于梯度的优化 1、梯度下降算法的概念 2、随机梯度下降 4 （二）反向传播 1、简要解释反向传播算法 2、自适应学习率算法 3、TensorFlow提供的优化器 6 （三）学习率的独立设置 1、指数衰减的学习率 2、其他优化学习率的方法 6 合 计 50 三、考核与评价 本学习领域的课程宜考核采用过程考核和期末上机随即抽题方式。 考核内容 平时考核（70%） 期末考核（30%） 备注 学生出勤 项目考核 上机考核 学生旷课1次扣10 分，迟到早退1次扣2分，事假1次扣2分。 所占比重 平时考核 里扣除 70% 30% 其中过程考核包括4个项目，总分为100分，乘以权值0.7。第一个项目占20%，第二个项目占25%，第三个项目占30%，第四个占25%，过程考核涵盖项目任务的全过程，主要包括项目实施等几个方面，见表3。 表3 过程考核方式与考核标准 项目名称 考核点及占项目分值比 考核内容 考核要求 扣分标准 TensorFlow环境的安装与配置（20%） 框架的安装（60%） 操作+记录 1.操作正确。 2.安装过程规范、准确。 3.记录结果规范正确。 1.操作不正确扣20分。 2.安装过程不规范、准确扣20分。 3.记录结果不规范正确扣