《深度学习课程设计》教学大纲.docVIP

《深度学习课程设计》教学大纲 课程名称（汉）：《深度学习课程设计》 课程名称（英）：Design of Neural Network and Deep Learning 课程代码：264102091 课程类型：实践教学平台专业实践课程模块 适用对象：人工智能专业本科大三 学时/学分：24学时/1学分 先修课程：《神经网络与深度学习》 方案版本：2021版 一、课程简介 《神经网络与深度学习课程设计》是人工智能专业一门以实践为主的必修课程，是核心专业课《神经网络与深度学习》的后续课程。主要教学内容是巩固理论知识，熟悉各平台神经网络工具箱的使用，加深理论知识在实际应用中的运用，包括实际应用中数据的输入和转换、数据的规范化处理、神经网络模型的选择、训练的样本数和迭代次数、误差目标确定等，培养学生掌握科学方法，提高动手能力，具备根据实际问题科学设计神经网络系统的基本能力。 二、课程的教学目标 课程目标1：使学生加深对神经网络基础知识的理解和掌握，夯实基本的编程技能和调试技巧。 课程目标2：使学生能按预定题目选择科学的神经网络模型，科学确定数据的输入和转换、数据的规范化处理、确定训练的样本数和迭代次数、误差目标等要素。 课程目标3：熟练使用流行编程工具进行小型神经网络系统开发，具有基本的神经网络编程能力。 课程目标4：培养学生基本的编码规范及软件工程师基本职业素养，具备良好的沟通能力和团队合作意识。 三、课程目标对人工智能专业毕业要求的支撑关系 毕业要求 毕业要求指标点 课程目标 支撑权重 设计/开发解决方案 1,2,3,4 0.04 使用现代化工具 3 0.04 四、教学内容及其基本要求 序号 教学内容 教学要求（包括重点难点、教学方法、学生掌握的程度等） 对应课程目标 1 神经网络在CET主观题阅卷中空白题识别 一、教学要求 1、给定试卷，建立一个二维数组，提取出图像像素灰度值作为矩阵行向量、列向量标准差的标准差作为区分空白题和非空白题的特征参数； 2、选取神经网络模型，设定隐藏层神经元数量，对其进行训练优化，识别出空白题 二、教学重点和难点 教学重点：动态前馈神经网络模型的选择，神经网络训练函数、学习函数以及隐藏层和输出层的传递函数的选取； 教学难点： 如何通过调整神经网络隐藏层神经元数目来优化神经网络，使得网络能够以较少的运算消耗获得较好的识别效果。 三、教学方法 教学方法：采用讲解、编程实践和答疑相结合。 1，2，3，4 2 基于BP神经网络的英文字母识别 一、教学要求 1、建立识别英文字母的BP神经网络模型，调整学习速度，迭代次数，误差大小，实现对BP网络的性能优化 2、系统应实现的主要功能 对输入的英文字母（每个字母由30个元素的向量表示）进行识别。 二、教学重点和难点 教学重点：BP神经网络结构、学习算法，优化方法。 教学难点：如何选定学习速度、误差标准和迭代次数，使得识别效果和识别效率达到最佳平衡。 三、教学方法 教学方法：采用讲解、编程实践和答疑相结合。 1，2，3，4 3 构建基于神经网络的学生成绩评价系统 一、教学要求 1、构建基于神经网络的学生成绩评价系统。 2、系统应实现的主要功能 通过给定的学生成绩及等级数据对神经网络进行训练，使得神经网络能根据学生的成绩对学生的等级作出判断。 二、教学重点和难点 教学重点：熟悉神经网络工具箱；数据的输入和转换、数据的规范化处理、神经网络分类器建立、前馈反向传播网络建立，对神经网络的训练，分类器检验及表现分析 教学难点： 包括一个隐层共30个神经元，一个输出层共4个神经元的前馈反向传播神经网络创建和训练 三、教学方法 教学方法：采用讲解、编程实践和答疑相结合。 1，2，3，4 4 基于神经网络的车牌识别 一、教学要求 1、构建基于神经网络的车牌识别系统。 2、系统应实现的主要功能 通过给定的学成绩及等级数据对神经网络进行训练，使得神经网络能根据学生的成绩对学生的等级作出判断。 二、教学重点和难点 教学重点：熟悉神经网络工具箱；数据的输入和转换、数据的规范化处理、神经网络分类器建立、前馈反向传播网络建立，对神经网络的训练，分类器检验及表现分析 教学难点： 包括一个隐层共30个神经元，一个输出层共4个神经元的前馈反向传播神经网络创建和训练 三、教学方法 教学方法：采用讲解、编程实践和答疑相结合。 1，2，3，4 5 基于神经网络的课堂教学质量评价模型设计 一、教学要求 1、构建基于神经网络的课堂教学质量评价系统。 2、系统应实现的主要功能 对给定的教师课程教学质量评价数据（包括督导专家评教数据、同行教师评教数据和学生评教数据）进行归一化处理，设定权重。通过输入训练的样本集对神经网络进行训练，使得神经网络能较为准确地对教师课堂教学质量进行评价。 二、教学重点和难点 教学重点：熟