机器学习（赵卫东第2版） 教学大纲.pdf

教学大纲

院系:日期:年月日

课程代码

课程名称深度学习及其应用

英文名称DeepLearning:theoryandapplications

学分数3周学时3授课语言中文

课程性质□通识教育专项□核心课程□通识教育选修□大类基础专业必修□专业选修□其他

深度学习及其应用课程的教学目标旨在为学生提供一个基础而深入的

学习体验，使他们能够熟练掌握深度学习领域的关键知识和实践技能。通过

本课程的学习，学生将深刻理解卷积、池化等基本概念，并能够运用这些概

念构建高效的卷积神经网络模型。同时，学生还将应用这些算法解决常见的

图像识别问题。

课程还将深入解析目标检测和语义分割算法的原理和应用案例，帮助学

教学目的生理解这些高级算法的工作原理，并能够在实际问题中灵活运用。同时，学

生还将了解生成对抗网络的基本原理和基本算法，探索其在图像生成、数据

增强等领域的应用潜力。

为了让学生能够更好地将理论知识转化为实践能力，课程还将引入深度

学习低代码开发平台摩搭，帮助学生实现深度学习典型算法的开发过程。通

过实际操作，学生将熟悉平台的各项功能，掌握模型构建、训练、调优和部

署等各个环节的技巧，从而全面提升自己的深度学习应用能力。

本课程旨在全面介绍深度学习计算机图像处理的基本原理，并重点讲解

卷积神经网络、目标检测以及图像语义分割等关键领域的基本方法及其典型

应用。

首先，课程将详细阐述深度学习的基本原理，通过理论讲解和实例分析，

学生将深入理解深度学习模型的结构和工作原理。其中，课程将重点介绍卷

基本内容

积神经网络（ConvolutionalNeuralNetworks，CNN）的原理和应用，详细解析

简介

CNN的卷积层、池化层等关键组件，并通过实例展示CNN在图像分类、人脸

识别等任务中的优异性能。

课程还将介绍目标检测、图像语义分割等高级技术，讲解这些技术的基

本原理和实现方法，并通过实际案例展示它们在车道和车道线检测、影像分

析等领域的应用。

1

为了使学生能够更好地将理论知识应用于实践，课程将借助深度学习智

能平台阿里摩搭实现深度学习在人脸识别、电动车头盔检测、车道线检测以

及图像生成等典型应用领域的应用过程。学生将有机会亲自动手操作，通过

实践掌握深度学习技术的实际应用技巧。

通过本课程的学习，学生将掌握深度学习的基本原理和关键技术，并具

备将其应用于实际问题的能力。这将为他们在人工智能领域的进一步研究和

职业发展提供有力的支持。

基本要求:

通过本课程的学习，学生应能够全面掌握图像分类、目标检测、图像语义分割以及

生成对抗网络等深度学习领域的典型算法。

在图像分类方面，学生需要掌握卷积神经网络（CNN）的基本原理和构建方法，理

解不同网络结构的特点和适用场景，并能够应用相关算法对图像进行分类和识别。对于

目标检测，学生应了解并掌握基于卷积神经网络的目标检测算法，如FasterRCNN、YOLO

v1-v5等。通过学习和实践，学生能够运用这些算法准确检测图像中的目标物体，并提

取其位置信息。在图像语义分割方面，学生需要学习并掌握全卷积网络（FCN）、U-Net

等经典的语义分割算法。通过学习和实践，学生能够实现对图像的像素级分类，为自动

驾驶、医学影像分析等领域的应用提供技术支持。此外，学生应了解生成对抗网络

(GenerativeAdversarialNe