《神经网络与深度学习》课程教学大纲.docx

《神经网络与深度学习》课程教学大纲

一、课程基本信息

英文名称

NeuralNetworkandDeep

Learning

课程代码

ARIN2006

课程性质

专业核心课程

授课对象

人工智能

学分

2.00

学时

36

主讲教师

修订日期

2023年11月4日

指定教材

邱锡鹏等，《神经网络与深度学习》,机械工业出版社，2020

二、课程目标

(一)总体目标：

《神经网络与深度学习》课程旨在让学生全面掌握神经网络和深度学习的基本概念、原理和方法，并能够使用深度学习框架解决实际问题。通过课程的学习，学生将能够了解神经网络和深度学习的基本原理和模型，如多层感知器、卷积神经网络、循环神经网络等，并能够使用Python实现这些模型。此外，学生将能够掌握深度学习框架的使用，如TensorFlow、PyTorch等，熟悉使用框架进行模型的设计、训练和调试。在掌握基本的原理和技能之后，学生将能够使用深度学习技术解决各种实际问题，如图像分类、自然语言处理、语音识别等。为了达到这个目标，课程将提供足够的基础知识和实践训练，以便学生能够充分理解和应用所学内容。

本课程的总体目标是培养学生对神经网络和深度学习的理解和应用能力。通过学习本课程，学生将能够全面了解神经网络和深度学习的基本概念、原理和方法，掌握常见的神经网络模型和深度学习框架的使用，熟悉深度学习技术的各种应用场景。此外，学生将能够掌握常见的深度学习模型的优化方法，并能够根据实际需求设计合适的深度学习模型，并能够对模型进行优化以提高其性能。最后，学生将能够使用深度学习技术解决实际问题，如图像分类、自然语言处理、语音识别等。通过本课程的学习，学生将获得足够的理论知识和实践经验，为后续的研究和工作打下坚实的基础。

(二)课程目标：

(课程目标规定某一阶段的学生通过课程学习以后，在发展德、智、体、美、劳等方面期望实现的程度，它是确定课程内容、教学目标和教学方法的基础。) (五号宋体)

课程目标1:掌握神经网络和深度学习的基本概念和原理

通过本课程的学习，学生将能够深入理解神经网络和深度学习的基本概念和原理，包括前向传播、反向传播、梯度下降等基本算法，以及各种神经网络模型的结构和特点。通过学

习，学生将能够理解神经网络和深度学习在计算机视觉、自然语言处理、语音识别等领域的应用，并能够掌握如何使用Python实现常见的神经网络模型。

课程目标2:掌握深度学习框架的使用并能够进行实践操作

学生将能够熟练掌握使用TensorFlow、PyTorch等主流深度学习框架进行模型的设计、训练和调试。在课程中，学生将通过实践操作来加深对框架的理解和使用。学生将能够熟悉框架的各种功能和工具，如计算图、张量操作、损失函数、优化器等，并能够使用这些工具进行模型的设计和训练。此外，学生还将通过实际案例来学习如何使用深度学习技术解决实际问题，如图像分类、自然语言处理、语音识别等。

课程目标3:熟悉深度学习模型的优化方法并掌握相关工具

学生将能够熟悉常见的深度学习模型优化方法，如正则化、Dropout、批归一化等。通过学习，学生将能够理解这些方法的作用和原理，并能够使用这些方法提高模型的性能。此外，

学生还将学习如何调整模型的超参数以优化模型的性能，并能够了解如何使用不同的优化算法来处理不同的深度学习问题。在课程中，学生将通过实践操作来加深对优化方法和工具的理解和使用。(支撑毕业要求5-3)

课程目标4:跟进深度学习的前沿研究并培养独立解决问题的能力

学生将通过课程的学习了解深度学习在计算机视觉、自然语言处理、语音识别等领域的前沿进展。通过对最新研究动态的跟进，学生将能够熟悉最新的深度学习技术和模型，如Transformer、GPT系列模型、BERT等。此外，学生还将通过实践操作来培养独立解决问题的能力，如根据实际需求设计合适的深度学习模型、对模型进行优化以提高其性能等。通过课程的学习，学生将具备使用深度学习技术解决实际问题的能力，并为后续的研究和工作打下坚实的基础。

(要求参照《普通高等学校本科专业类教学质量国家标准》,对应各类专业认证标准，注意对毕业要求支撑程度强弱的描述，与“课程目标对毕业要求的支撑关系表一致)(五号宋体)

(三)课程目标与毕业要求、课程内容的对应关系

表1:课程目标与课程内容、毕业要求的对应关系表

课程目标

课程子目标

对应课程内容

对应毕业要求

课程目标1

1.1掌握神经网络与深度学习基础概念

第一章绪论

第二章机器学习概述

毕业要求2

1.2了解神经网络基础原理和算法

第三章线性模型

第四章前馈神经网络第五章卷机神经网络

毕业要求2毕业要求3

课程目标2

2.1熟悉深度学习框