《深度学习应用实践》教学大纲.docVIP

《深度学习应用实践》教学大纲

课程英文名

DeepLearningPractice

课程代码

03P0055

学分

2

总学时

64

劳动学时

8

上机学时

56

先修课程

深度学习

课程类别

专业教育课

课程性质

必修

适用专业

人工智能

开课学院

信息工程学院

执笔人

赵登阳

审定人

杨力

制定时间

2025年01月

注：课程类别是指公共基础课/学科基础课/专业教育课；课程性质是指必修/限选/任选。

一、课程地位与课程目标

（一）课程地位

《深度学习应用实践》课程在人工智能教育体系中扮演着至关重要的角色。作为人工智能专业的必修课程，该门课程紧随《深度学习》课程之后，旨在培养学生在实际应用开发中熟练掌握深度学习模型的能力。通过提升学生在模型调试和解决实际问题方面的技能，该课程为后续专业课程的学习打下了重要基础。在实践中培养学生的专业技能，使其能够在人工智能领域中脱颖而出，为未来的职业发展奠定坚实基础。

（二）课程目标

1.培养学生深入了解和应用深度学习模型的能力，包括分析、调试和选择适当的网络架构和损失函数，加强对深度学习框架的理解和应用。

2.提升学生阅读深度学习框架文档和科研论文的能力，培养他们获取新知识、独立思考和解决实际问题的能力。学会并完成对指定问题对数据集标注。

3.强化学生的表达、沟通和团队合作能力，包括撰写报告、设计文稿、参与验收答辩，促进学生的实践能力和创造性思维。同时，引导学生关注伦理、社会责任和团队合作等价值观，培养综合素质和职业操守。

二、课程目标达成的途径与方法

1.教学安排：通过理论授课、实践项目、案例分析等多种教学形式，引导学生全面理解深度学习模型的原理和应用。

2.教学方法设计：采用小组讨论、实验实践、文献阅读等方式，激发学生的学习兴趣，培养他们的问题解决能力和团队合作精神

3.教师指导：提供个性化辅导和指导，帮助学生克服学习难点，引导他们深入思考和探索深度学习领域的前沿问题。

三、课程目标与相关毕业要求的对应关系

本课程支撑的毕业要求如下：

毕业要求1：工程知识：能够将数学、自然科学、人工智能专业知识用于解决人工智能相关的复杂工程问题。

毕业要求1-4：掌握人工智能领域的专业知识、基本理论与主要方法，能够用于解决智能系统相关的复杂工程问题。

毕业要求2：问题分析：能够应用数学、自然科学和工程科学的基本原理，识别、表达、并通过文献研究分析人工智能领域复杂工程问题，以获得有效结论。

毕业要求2-4：能利用文献检索辅助人工智能相关复杂系统的设计和研究，获得有效结论。

毕业要求9：个人和团队：能够在多学科背景下的团队中承担个体、团队成员以及负责人的角色。

毕业要求9-2：能够在团队中独立或合作开展工作。能够组织、协调和指挥团队开展工作。

课程目标对毕业要求的支撑关系如表1所示。

表1课程目标对毕业要求的支撑关系

课程目标

毕业要求

课程目标对毕业要求的支撑程度（H、M、L）

毕业要求1-4

毕业要求2-4

毕业要求9-2

ILO-1

H

ILO-2

H

ILO-3

H

注：1.支撑强度分别填写H、M或L（其中H表示支撑程度高、M为中等、L为低）。

三、设计选题及任务要求

序号

参考选题

任务与要求

对应课程目标

1

深度学习图像分类

1.基于CNN的网络，进行图像分类。

2.数据集可以使用benchmark数据集，并且自行标注不低于1000幅图像。

3.现成模型上进行改进（网络架构或损失函数），或完全自行设计。

4.可以使用数据增强技术。

5.可以使用预训练和精调方式进行训练。

6.对分类模型的精度进行测试。

7.学有余力的同学，可考虑使用不同的网络进行对比。

8.完成课程设计报告。

ILO-1

ILO-2

ILO-3

2

深度学习目标检测

1.基于目标检测网络，进行目标检测。

2.数据集使用benchmark数据集，自行标注不低于1000条数据。

3.查找目标检测相关文献，选择合适的目标检测模型进行实现。

4.学有余力的同学，可考虑对现有模型进行改进。

5.对目标检测结果进行测试。

6.完成课程设计报告。

ILO-1

ILO-2

ILO-3

3

深度学习图像分割

1.基于分割网络，进行图像分割。

2.数据集使用benchmark数据集，自行标注不低于1000条数据。

3.查找图像分割相关文献，选择合适模型进行实现。

4.学有余力的同学，可考虑对现有模型进行改进。

5.对图像分割结果进行测试。

6.完成课程设计报告。

ILO-1

ILO-2

ILO-3

4

深度学习人脸识别

1.基于CNN，进行人脸识别。

2.数据集使用benchmark数据集，此外自行标注不低于1000条数据。

3.查找人脸识别相关文献，选择合适的人脸识别模型进行实现。

4.学有余力的同学，可考虑对现有模型进行改