深度学习课程标准.docx

《深度学习课程标准.docx》由会员分享，可在线阅读，更多相关《深度学习课程标准.docx（6页珍藏版）》请在第一文库网上搜索。

1、深度学习课程标准一、课程概况课程名称深度学习课程代码20114603适用专业应用统计学开课学期第6或第7学期课程性质专业任选课程学时/学分50/3预修课程Python语言程序设计二、课程目标课程目标1：理解深度学习的数学基础，掌握使用梯度下降算法求解函数最小值。理解神经网络的基本原理，掌握反向转播算法对神经网络进行优化。课程目标2：能够编程实现反向转播算法。掌握种深度学习编程框架，能在该框架下进行数据加载与预处理，构建网络，训练网络，性能评估等。课程目标3：理解卷积神经网络的基本原理，能够设计并编程实现卷积神经网络解决一些实际问题。理解循环神经网络的基本原理，能够设计并编程实现循环神经网络处理

2、自然语言理解中的一些问题。理解生成对抗网络的基本原理，能够设计并编程实现生成对抗网络自动生成目标样本。三、课程目标与毕业要求的关系1、课程目标与毕业要求的对应关系毕业要求指标点课程目标2.数学基础2.2具备运用数学知识解决实际问题的能力，了解数学的历史概况和广泛应用。课程目标14.数据分析4.1掌握统计数学建模和数据挖掘的基本原理和常用方法，具备较强的统计数据分析与处理能力,能综合运用所学知识分析和解决问题，能对所给数据进行处理和分析，能综合运用所学知识建立合适的数学和统计金融模型解决问题。课程目标1课程目标2课程目标34.3掌握PythOn等编程语言，具有一定的编程能力，养成良好的程序设计习

3、惯；掌握数据库系统的基本原理，熟练使用SQ1语言进行数据库操作，掌握数据库设计方法和步骤。掌握大数据分析和管理应用的基本知识，具有一定的大数据处理能力，能够在大数据中挖掘出有用信息。课程目标2课程目标32、课程目标与毕业要求的矩阵关系图思想政治数学基础金融统计数据分析外语体育人文发展1.11.21.32.12.22.33.13.23.34.14.24.35.15.25.36.16.26.3课程目标I11课程目标2HH课程目标3HH注：H表示高支撑，M表示中支撑，1表示低支撑。四、课程教学要求与重难点序号课程内容框架教学要求教学重点教学难点I深度学习简介了解人工智能和神经网络的概念和发展历史，理

4、解人工智能、机器学习和深度学习之间的关系。了解常用的深度学习框架，掌握一种深度学习框架环境的安装方法。神经网络的发展历史；常用的深度学习框架；手写数字识别实例。常用的深度学习框架；手写数字识别实例。2神经网络的基本原理理解深度学习的数学基础，掌握使用梯度下降算法求解函数最小值。理解神经网络的基本原理，掌握反向转播算法对神经网络进行优化。能够编程实现反向转播算法。梯度下降算法求解函数最小值；前馈神经网络的结构；反向传播算法；神经网络的无框架实现,反向传播算法；神经网络的无框架实现。3深度学习框架的通用流程掌握一种深度学习编程框架，能在该框架下进行数据加载与预处理，构建网络，训练网络，性能评估等。

5、数据加载与预处理；利用核心层构建神经网络；设置优化器和损失函数训练网络；对网络进行性能监控和问调检查。利用核心层构建神经网络；4卷积神经网络掌握卷积神经网络中的常用网络层的基本原理与实现方法，能够设计并编程实现卷积神经网络解决一些实际问题。了解1eNet5,A1exNet%VGGNet、Goog1eNet和ResNet等常用的卷积神经网络结构及算法。常用卷积操作、池化层、归一化层和正则化层的原理及实现；基于卷积神经网络的手写数字识别；常用卷积操作、池化层、归一化层和正则化层的原理及实现；5循环神经网络掌握循环神经网络中的常用网络层的基本原理与实现方法，能够设计并编程实现循环神经网络解决一些实际

6、问题。循环神经网络中的常用网络层；注意力机制；基于循环神经网络和注意力机制的新闻摘要分类。循环神经网络中的常用网络层；注意力机制；6生成对抗网络掌握生成对抗网络中的常用网络层的基本原理与实现方法，能够设计并编程实现生成对抗神经网络解决一些实际问题。生成对抗网络的基本原理；卷积生成对抗网络；条件生成对抗网络。生成对抗网络的基本原理；7综合实例能够设计并编程实现卷积神经网络、循环神经网络和生成对抗神经网络解决一些实际问题。基于卷积神经网络的目标检测；基于1STM的唐诗生成；基于GAN的图像风格转换。基于卷积神经网络的目标检测；基于1STM的唐诗生成；基于GAN的图像风格转换。五、课程教学内容、教学

7、方式、学时分配及对课程目标的支撑情况序号课程内容框架教学内容教学方式学时支撑课程目标1深度学习简介(1)人工智能的概念及发展历史；(2)人工智能、机器学习和深度学习之间的关系；(3)神经网络的发展历史；(4)常用的深度学习框架；(5)手写数字识别实例。讲授、PPT辅助、课堂讨论、实验4课程目标12神经网络的基本原理(1)复合函数求导，梯度下降算法求解函数最小值；(2)前馈神经网络的结构；(3)反向传播算法；(4)神经网络的无框架实现。讲授、PPT辅助、课堂讨论、实验8课程目标1课程目标23深度学习框架的通用流程(1)数据加载与预处理；(2)利用核心层构建神经网络；(3)设置优化器和根失函数训练

8、网络；(4)对网络进行性能监控和回调检查。讲授、PPT辅助、课堂讨论、实验8课程目标2课程目标34卷积神经网络(1)常用卷积操作、池化层、归一-化层和正则化层的原理及实现；(2)基于卷积神经网络的手写数字识别；(3)常用卷积神经网络算法及其结构讲授、PPT辅助、课堂讨论、实验10课程目标35循环神经网络(1)循环神经网络中的常用网络I/：(2)注意力机制;(3)基于循环神经网络和注意力机制的新闻摘要分类。讲授、PPT辅助、课堂讨论、实验8课程目标36生成对抗网络(1)生成对抗网络的基本原理；(2)卷积生成对抗网络；(3)条件生成对抗网络。讲授、PPT辅助、课堂讨论、实验6课程目标37综合实例(

9、1)基于卷积神经网络的目标检测；(2)基于1STM的唐诗生成；(3)基于GAN的图像风格转换。讲授、PPT辅助、课堂讨论、实验6课程目标3六、课程目标与考核内容课程目标考核内容评价依据课程目标h理解深度学习的数学基础，掌握使用梯度下降算法求解函数最小值。理解神经网络的基本原理，掌握反向转播算法对神经网络进行优化。（支撑毕业要求指标点224.1）人工智能、机器学习和深度学习之间的关系；神经网络的发展历史；复合函数求导，梯度下降算法求解函数最小值；前馈神经网络的结构；反向传播算法。课堂表现；平时作业；平时测验；期末考试。课程目标2：能够编程实现反向转播算法。掌握一种深度学习编程框架，能在该框架下进

10、行数据加载与预处理，构建网络，训练网络，性能评估等。（支撑毕业要求指标点3.1,4.1,4.2）实现反向转播算法。利用一种深度学习编程框架进行数据加载与预处理，构建网络，训练网络，性能评估等。课堂表现；平时作业；平时测验；期末考试。课程目标3：理解卷积神经网络的基本原理，能够设计并编程实现卷积神经网络解决一些实际问题。理解循环神经网络的基本原理，能够设计并编程实现循环神经网络处理自然语言理解中的一些问题。理解生成对抗网络的基本原理，能够设计并编程实现生成对抗网络自动生成目标样本。（支撑毕业要求指标点33,4.1,4.2）利用一种深度学习编程框架进行数据加载与预处理，构建网络，训练网络，性能评估

11、等。常用卷积操作、池化层、归一化层和正则化层的原理及实现；基于卷积神经网络的手写数字识别；常用卷积神经网络算法及其结构；循环神经网络中的常用网络层；注意力机制；基于循环神经网络和注意力机制的新闻摘要分类。生成对抗网络的基本原理；卷积生成对抗网络；条件生成对抗网络。基于卷积神经网络的目标检测；基于1STM的唐诗生成；基于GAN的图像风格转换。课堂表现；平时作业；平时测验；期末考试。七、考核方式与评价细则考核方式比例考核/评价细则课堂表现10%评价标准：根据学生上课出勤情况和课堂讨论，回答问题等情况。基础分90分；旷课一次扣10分，迟到、早退、事假一次扣5分；有效参与讨论并正确回答问题一次加5分，

12、最高100分。作业20%评价标准：根据学生提交的实验报告和作业情况。一学期一个学生大约上交10次左右作业。如果作业给出A、B、C、D等级，则全部为A计100分；两次及以上为A计90分；一次为A计85分；三次及以上为D计60分；其他80分。如果给出百分制的分值，则计为平均分。在此标准下，少交一次作业扣5分。平时测验10%评价标准：1-2次阶段性检测成绩；如果是2次阶段性测试，则每次成绩各占百分之五十）期末考试60%评价标准：严格按照深度学习期末试题参考答案及评分细则进行阅卷。综合成绩100%课堂表现（10%）+作业（20%）+平时测验（10%）+期末考试（60%）八、课程目标达成度评价参考数学学

13、院课程目标达成度评价方法进行评价。九、本课程各个课程目标的权依据第八部分中的课程目标达成度评价方法，计算得到本课程的各个课程目标的权重如下:课程目标课程目标课程目标-2课程目标3权值Wi0.140.430.43十、持续改进根据学生的课堂表现、作业、平时测验和期末考试情况及教学督导的反馈，检验学生对本课程涉及的学科素养和学会反思的达成情况，及时对教学中的不足之处进行改进，调整教学指导策略；根据学生的课堂表现、作业、平时测验及期末考试成绩，检验本课程所支撑的毕业要求分解指标点的达成度情况;根据本课程所支撑的毕业要求分解指标点的达成度情况，在本学院教学指导委员会指导下，重新修订本课程大纲，实现持续改进。十一、推荐教材及参考书目1 .教材1 .陈屹，神经网络与深度学习实战：PythonKeras+TensorF1owM.北京：机械工业出版社，2019.2.参考书目2 .邱锡鹏，神经网络与深度学习M.北京：机械工业出版社，2023.3 .IanGoOdfenOW等著,赵申剑等译.深度学习M.北京：人民邮电出版社，2017.4 .吴岸城.神经网络与深度学习M.北京：电子工业出版社,2016.