《深度学习》课程教学大纲.docxVIP

《深度学习》教学大纲 课程英文名 Deep Learning 课程代码 J0701Z83 学分 3.5 总学时 56 理论学时 44 实验/实践学时 12 课程类别 专业课 课程性质 选修 先修课程 《高等代数》《数学分析》 适用专业 数学与应用数学、信息与计算科学 开课学院 理学院 一、课程地位与课程目标 （一）课程地位 《深度学习》是信息与计算科学、数学与应用数学专业的数据科学与技术方向的专业选修课程，主要讲述经典的神经网络和目前流行的卷积神经网络的相关理论、算法及应用。通过本课程的学习，使学生系统地掌握深度学习的基本内容与方法，了解神经网络和深度学习的主要应用领域，提高学生的分析问题、解决问题的能力，并用计算机语言编程实现，加强数学与信息科学的交叉，拓展自己的知识结构。 （二）课程目标 1. 掌握深度学习的基本内容与方法，了解神经网络和深度学习的主要应用领域。 2. 加强数学理论与信息科学的交叉。 3. 加强深度学习的实践与锻炼，具备计算机编程实现能力。 4. 拓展知识结构，提升解决问题的能力。 二、课程目标达成的途径与方法 以课堂教学为主，上机实践为辅，结合学生自学、课堂讨论、课外作业、上机设计实验等 三、课程目标与相关毕业要求的对应关系 课程目标 课程目标对毕业要求的支撑程度（H、M、L） 毕业要求1 毕业 要求2 毕业 要求3 毕业 要求4 毕业 要求5 毕业 要求6 毕业 要求7 毕业 要求8 毕业 要求9 毕业 要求10 课程目标1 L H H H H M L M L L 课程目标2 L H H H H M L H L L 课程目标3 L H H H H M L H L H 课程目标4 L H H H H M M H L M 四、课程主要内容与基本要求 第一章 绪论 【教学内容】学习神经网络的目的；神经网络发展历史；神经网络应用。 【基本要求】了解神经网络产生的背景及发展的历史；了解神经网络在各学科中的应用;了解学习本课程的目的和任务。 人工神经网络建模基础 【教学内容】神经元数学模型；神经网络模型与结构。 【基本要求】熟悉神经元数学模型；熟悉神经网络的模型和网络结构。 第三章 感知器神经网络 【教学内容】 单层感知器模型、多层感知器、自适应线性单元、误差反向传播算法。 【基本要求】 熟练掌握单层感知器模型、自适应线性单元、误差反向传播算法;了解多层感知器。 第四章 自组织竞争神经网络 【教学内容】 竞争学习概念与原理、自组织特征映射神经网络 【基本要求】 熟练掌握竞争学习概念与原理，掌握自组织特征映射神经网络，熟悉自组织特征映射神经网络的应用。 第五章 径向基函数神经网络 【教学内容】 径向基函数网络、正则化理论和正则化RBF网络及其应用。 【基本要求】 熟练掌握径向基函数网络、正则化RBF网络，熟悉RBF的应用。 第六章 支持向量机 【教学内容】支持向量机、非线性支持向量机及其应用。 【基本要求】熟练掌握支持向量机、非线性支持向量机，熟悉支持向量机、非线性支持向量机的应用。 第七章 深度学习 【教学内容】深度学习的模型和算法操作。 【基本要求】熟练掌握深度学习的模型和算法操作。 五、课程学时安排 章节号 教学内容 学时数 学生任务 对应课程目标 第1章 绪论 2学时 1.完成习题1中1-3题 课程目标1,4 第2章 人工神经网络建模基础 8学时 1.完成习题2中1,4,5,6,7题 课程目标1,4 第3章 感知器神经网络 10学时 1.完成习题3中4-9题 2.设计感知器网络 课程目标1,2,3,4 第4章 自组织竞争神经网络 8学时 1.完成习题4中5,7题 2.设计自组织竞争网络 课程目标1,2,3,4 第5章 径向基函数神经网络 10学时 完成习题5中1-4题 2. 设计径向基函数网络 课程目标1,2,3,4 第6章 支持向量机 8学时 1.完成习题6中1-3题 2.设计支持向量机网络 课程目标1,2,3,4 第7章 深度学习 10学时 1.完成习题7中1-4题 2.设计卷积神经网络 课程目标1,2,3,4 六、实践环节及基本要求 序号 实验项目名称 学时 基本要求 学生任务 实验性质 实验类别 1 感知器 2 设计单层感知机 设计单层感知机 设计 必做 2 BP算法 2 设计BP算法 设计BP网络 设计 必做 3 自组织竞争神经网络 2 设计自组织竞争神经网络 设计自组织竞争神经网络 设计 必做 4 径向基函数神经网络 2 设计径向基函数神经网络 设计径向基函数神经网络 设计 必做 5 支持向量机 2 设计支持向量机 设计支持向量机 设计 必做 6 卷积神经网络 2 设计卷积神经网络 设计卷积神经网络 设计 必做 七、考核方式