2023S04011-深度学习实验-2023版人才培养方案课程教学大纲.docxVIP

PAGE5

附件5-2

ADDINCNKISM.UserStyle《深度学习实验》课程教学大纲

（实验课程·2023版）

一、课程基本信息

课程号

2023S04011

开课单位

网络空间安全与计算机学院

课程名称

（中文）深度学习实验

（英文）DeepLearningExperiments

课程性质

必修

考核类型

考查

课程学分

1

课程学时

34

课程类别

专业发展课程（专业核心课）

适用专业（类）

人工智能

二、课程描述及目标

（一）课程简介

《深度学习实验》是人工智能专业的一门专业核心课程，是配合《深度学习》课程而开设的重要实践环节，旨在培养学生理论联系实际、使用神经网络方法解决实际问题的能力。本实验课程基于《深度学习》理论课程的主要知识点，针对性的开展实验教学。主要内容包括：线性模型的应用-波士顿房价预测、基于Softmax回归算法的鸢尾花分类，前馈神经网络的应用-基于前馈神经网络的鸢尾花分类，卷积神经网络的应用-手写数字识别、基于残差网络ResNet18的CIFAR-10图像分类，循环神经网络的应用-基于双向长短期记忆网络实现文本分类，神经网络的优化、正则化，注意力机制的应用-基于Transformer模型的文本语义匹配。

（二）教学目标

通过实验课程的学习，使学生在《深度学习》理论学习的基础上，能够利用当今较先进的工具，运用经典的神经网络与深度学习算法解决人工智能领域的实际问题，从而加深对《深度学习》理论与算法的理解。通过实验环节，训练学生的实践技能和掌握科学实验的方法，使学生具备针对具体问题进行分析、建模并选用适宜方法解决问题的能力。该课程与《深度学习》课程同时开设。

课程目标1：掌握深度学习的基本概念和算法；

课程目标2：利用深度学习模型解决实际问题；

课程目标3：培养学生的动手能力、工程实践能力和综合应用能力。

三、课程目标对毕业要求的支撑关系

毕业要求指标点

课程目标

1-4能够利用系统思维的能力，将工程知识用于专业工程问题解决方案的比较与综合，并体现人工智能领域先进的技术

课程目标1

2-1能运用相关科学原理，识别和判断人工智能领域中复杂工程问题的关键环节

课程目标2

2-3能认识到解决问题有多种方案可选择，会通过文献研究寻求可替代的解决方案

课程目标2

3-3能够在解决人工智能领域复杂工程问题时，综合运用先进技术进行系统设计，并在设计中体现创新意识

课程目标2

课程目标3

4-4能对实验结果进行分析和解释，并通过信息综合得到合理有效的结论

课程目标3

5-2能够选择与使用恰当的技术、资源、现代工程工具、现代信息技术工具和相关辅助软件对人工智能领域的复杂工程问题进行分析、计算与设计

课程目标2

课程目标3

四、教学方式与方法

（一）教学方式

采用目标驱动教学方式，课堂讲授实验内容为辅、学生动手实验为主。

（二）教学方法

以设计性实验、综合性实验为主，鼓励学生创新。学生应独立完成所布置的实验内容，要求学生课前事先做好问题的分析与设计；实验过程中要求学生认真分析并做好记录；课后对实验结果做出分析与评价，完成规范化的实验报告。

五、教学重点与难点

（一）教学重点

线性模型的应用，前馈神经网络的应用，卷积神经网络的应用，循环神经网络的应用，神经网络的优化、正则化，注意力机制的应用。

（二）教学难点

循环神经网络的应用，神经网络的优化、正则化，注意力机制的应用。

六、实验内容、基本要求与学时分配

序号

实验项目名称

实验内容与要求

学时

类型

对应课程目标

1

第1章实践基础

熟悉深度学习框架pytorch、paddlepaddle；掌握张量、算子等基本概念。

4

验证性

课程目标1

2

第2章机器学习概述-波士顿房价预测

了解机器学习实践五要素（数据、模型、学习准则、优化算法、评估指标）的原理剖析和相应的代码实现。通过理论和代码的结合，加深对机器学习的理解；基于机器学习线性回归方法，通过数据处理、模型构建、训练配置、组装训练框架Runner、模型训练和模型预测等过程完成波士顿房价预测任务。

4

综合性

课程目标2

课程目标3

3

第3章线性分类-基于Softmax回归算法的鸢尾花分类

了解两个最常用的线性分类模型Logistic回归和Softmax回归的原理剖析和相应的代码实现。通过理论和代码的结合，加深对线性模型的理解。

4

综合性

课程目标2

课程目标3

4

第4章：前馈神经网络-基于前馈神经网络的鸢尾花分类

了解前馈神经网络的基本概念、网络结构及代码实现，利用前馈神经网络完成一个分类任务，并通过两个简单的实验，观察前馈神经网络的梯度消失问题和死亡ReLU问题，以及对应的优化策略。

4

综合性

课程目标2

课程目标3

5

第5章卷积神经网络-基于残差网络ResNet1