《深度学习技术应用》课程标准.docxVIP

《深度学习技术应用》课程标准 课程概述 课程性质 本课程是高等职业学校人工智能专业的专业基础课之一，是该专业的一门基础课程。 课程任务 本课程主要针对人工智能算法工程师、人工智能实施维护工程师、人工智能系统运维工程师、人工智能技术支持工程师、人工智能训练师、人工智能测试工程师等岗位开设，主要任务是培养学生在人工智能深度学习神经网络模型搭建、模型训练、模型评估、模型部署、模型测试等工作任务的能力。 课程设计思路 本课程以高等职业院校“人工智能技术应用”专业的学生就业为导向，将教学内容与工作岗位对专业人才的知识要求与技能要求结合起来，将项目实践提升到一个较重要的位置，按照“理论—项目构建—项目实施”的组织结构进行课程设计。 本课程共分6个项目，基于Tensorflow的服装图像分类、基于Tensorflow的文本分类、使用迁移学习的方法实现新冠肺炎X光检测、基于Flask的模型应用与部署 - 猫狗识别、基于神经网络的语言处理 - 古诗词生成、使用VGG19迁移学习实现图像风格迁移，通过6个项目系统介绍了深度学习技术应用的实践开发技术。课程在介绍深度学习神经网络后，重点阐述人工智能深度学习模型训练的项目开发，突出了人工智能深度学习模型训练在实际项目中的应用。在内容的编排上淡化了学科性，避免介绍过多偏深的理论，而注重深度学习模型训练在具体运用中的要点、方法和技术操作，逐层分析和应用深度学习技术进行实际项目的开发。 前后续课程 序号 前续课程名称 前续课程为本课程支撑的主要能力 1 人工智能导论 人工智能基础知识能力 2 Python程序设计 Python程序编程和开发能力 序号 后续课程名称 本课程为后续课程支撑的主要能力 1 人工智能前端设备应用 模型训练、优化、评估的能力 课程目标 （一）总体目标 本课程要求学习了解人工智能深度学习应用技术，培养学生具备高职人工智能技术应用专业所需要的深度学习的基本知识和技能，熟悉并能使用Tensorflow深度学习框架对模型进行训练、调参或者维护，具备对人工智能深度学习技术领域出现的新技术、新思想进一步学习的能力。 希望通过本课程的学习，加深对深度学习神经网络的理解，为进一步研究和从事深度学习模型开发和工程实践提供良好的基础和参考。 （二）具体目标 知识目标 了解深度学习与神经网络的概念 了解Tensorflow深度学习框架及Keras模块的相关知识 理解迁移学习的概念及适用场景 理解Flask框架的相关知识 理解RNN循环神经网络、LSTM神经网络的结构与特点 掌握模型训练超参数的配置方法 掌握基础的模型评估指标和模型分析方法 能力目标 具备搭建模型训练所需环境的能力 具备使用Tensorflow中的Keras模块搭建图像识别模型并进行训练的能力 具备使用VGG19模型搭建图像识别模型并进行训练的能力 具备使用LSTM框架搭建文本生成模型并进行训练的能力 具备使用Flask框架进行模型的应用部署的能力 具备使用可视化依赖库对训练模型进行评估和分析的能力 素质目标 培养谦虚、好学、勤于思考、认真做事的良好习惯---严谨的开发流程和正确编程思路； 培养团队协作能力---相互沟通、互相帮助、共同学习、共同达到目标； 提升自我展示能力---讲述、说明、表述和回答问题； 培养自我学习能力---利用书籍或网络上的资料帮助解决实际问题。 课程内容及情境设计 本课程以基于Tensorflow的服装图像分类、基于Tensorflow的文本分类、使用迁移学习的方法实现新冠肺炎X光检测、基于Flask的模型应用与部署 - 猫狗识别、基于神经网络的语言处理 - 古诗词生成、使用VGG19迁移学习实现图像风格迁移6个小项目为载体，设计选取15个工作任务，根据岗位工作任务要求，确定学习任务内容；本课程采取项目驱动教学模式，以学生为主体，以任务为导向组织教学考核。 项目一 基于Tensorflow的服装图像分类 单元序号 第1单元 项目名称 基于Tensorflow的服装图像分类 培养能力 具备搭建Tensorflow模型训练环境的能力 具备使用matplotlib实现数据可视化的能力 具备使用Keras构建神经网络模型的能力 具备使用Keras Tuner完成模型超参数调节的能力 项目任务 知识要求 技能要求 学时 Tensorflow基础操作 了解并熟悉Tensorflow深度学习框架 理解张量（Tensor）的概念 能够使用命令在JupyterLab中安装Tensorflow 能够使用Tensorflow依赖库中的方法创建张量和变量 能够使用Tensorflow依赖库中的方法实现数据类型转换 能够使用Tensorflow依赖库中的方法完成张量运算 4 基于Keras框架的服装图像分类 了解人工智能领域机器学习、深度学