(注：本大纲面向工程教育认证的，是针对计算机专业的人工智能课程编写的，在使用时请根据毕业要求分解结果和具体的课程支撑关系酌情修改)

  4. 学分、学时：3学分，48学时（课堂授课学时）；课外实验学时：8学时

  6. 适用学科专业：人工智能、智能科学与技术、计算机科学与技术、网络工程、信息安全等专业

  7. 教学手段与方法：采用课堂讲授为主，辅以课堂练习、课堂测验、课后作业、课后实验、课下答疑、自主学习等。

  《深度学习理论与应用》是一门介绍深度学习基本理论、原理和应用案例的课程，可用于快速入门和进阶深度学习。该课程旨在帮助学生了解深度学习的基本概念和算法和梯度理论，掌握深度学习框架和深度学习技术的使用方法，并能够应用于解决实际工程问题。该课程的主要内容有：深度学习框架PyTorch的基础知识、感知器、全连接神经网络、卷积神经网络、循环神经网络、自然语言处理技术（如LSTM、Transformer、BERT、GPT等）、深度神经网络可视化方法、多模态学习等。通过这一些内容的学习，学生将了解深度学习在不相同的领域中的应用，例如计算机视觉、自然语言处理、多模态数据挖掘等。

  该课程适合人工智能、智能科学与技术、计算机科学与技术、网络工程、信息安全、数据科学等专业领域的本科生和研究生学习。学生需要具备初步的Python语言基础、线性代数、概率论、编程基础等先修知识。本课程的教育学生的方式包括课堂讲解、案例分析、编程实践等多种形式，使学生能够更好地理解和掌握深度学习的基础原理和应用方法，并具备从事智能技术应用开发所需要的职业素养和较高的个人素质。

  通过本课程的课堂教学、实验教学项目的学习，使学生掌握深度学习的基本理论及基本知识，为在校继续学习专业课，以及毕业后在AI领域中继续学习、从事技术工作、科学研究等提供坚实的基础。课程目标及能力有一定的要求具体如下：

  课程目标1：能够理解深度学习的基本概念和算法，包括神经网络、卷积神经网络、循环神经网络、Transformer架构等；掌握深度学习框架PyTorch的基本操作，包括张量、模型构建、优化器、损失函数等；

  课程目标2：熟悉深度学习在不相同的领域的应用方法，例如计算机视觉（包含图像识别、目标检测、语义分割、图像生成等）、自然语言处理（包含文本理解、文本生成）以及多模态数据处理等；

  课程目标3：具备使用PyTorc框架进行深度学习编程的能力及对深度学习模型进行调优和改进的能力，能够针对实际问题具备设计合适的深度学习模型的能力及评估模型性能的能力；

  课程目标4：具备运用深度学习技术和方法解决实际复杂工程问题的能力及继续学习的能力；

  课程目标5：培养创新意识和计算思维，能够主动思考并处理问题，培养团队协作精神，能够参与团队项目并协作达成目标；培养自我管理能力，能够规划个人时间和进度，按时完成学习任务；提高自我学习和自我更新的能力，能够持续关注并学习深度学习的最新进展。该目标一般伴随其他目标的达成学习而完成。

  本课程总评成绩由平时成绩和期末考试成绩组成，课程总评成绩=平时成绩*50%+期末考试成绩*50%，其中平时成绩=期中考试、测验*0.30+课后作业*0.30+上机实验*0.40，具体构成如下：

  课程目标达成度评价包括课程分目标达成度评价和课程总目标达成度评价，具体计算方式如下：

  为达到上述教学目标，本课程设计了多个教学环节和教学手段。其关键教学环节包括：课堂讲授、实验教学、课堂测验、作业练习、案例分析、课堂讨论、辅导答疑、自主学习等，这部分内容的基础要求如下。

  课堂讲授是知识传授的主要方式，承担达成本课程教学目标1-5的任务。在课堂教学中，一般会用课件展示并讲解的方式来进行教学，有时候也用粉笔进行推导和说明；根据需要还进行专题学习和讨论、课堂即时测验等，就重点、难点问题做多元化的分析和学习；此外，结合实际需要，还通过实时操作等办法来进行演示，还通过视频、动画等方式来进行展示。总之，通过多种方式，积极调动大家的积极性，进行引导，以传授深度学习的知识，同时强调知识点的衔接、知识结构的贯通，在传授知识的同时，注意培育学生的批判性思维。

  实验教学是深度学习编程技能训练的一种主要教学环节，最重要的包含验证性实验和设计性综合实验两种，承担达成本课程教学目标1-4的任务。

  利用中国大学Mooc等知名的公共教学平台和自建的视频课程等资源，适度展开线上线下混合教学，为课堂教学提供良好的教学辅助手段，为学生课外学习和实验提供技术上的支持和帮助。

  教师根据教学需要，实时展开课堂测验，包括线上和线下两种方式，目的实时掌握学生的学习情况，用于形成性评价，并据此改进后面的教育学生的方式和方式。

  作业练习是对知识重复训练的一种能力培养方式，涉及承担达成本课程教学目标1-4的部分任务。任课教师根据教学进度安排适量的作业，此外还安排问题解答时间、安排习题课等，点评普遍性与重要性的问题。

  针对教学重点、难点问题，组织学生进行分组讨论，教师引导学生对问题做多元化的分析，并逐步获得答案，以加深对问题的理解。

  答疑采用线上与线下两种方式相结合。线上主要是通过邮寄、qq等方式来进行，下线每周固定一节做答疑。

  以学生为中心、教师为引导，充分的发挥学生的主观能动性，鼓励学生课前预习、课后复习并拓展，课中组织学生进行案例分析和课堂讨论，重点培育学生良好的学习方法。

  [1] 蒙祖强, 欧元汉. 深度学习理论与应用. 北京: 清华大学出版社, 2023年7月.

  [2] 邱锡鹏. 神经网络与深度学习. 北京: 机械工业出版社, 2020年5月.

  [3] 蔡自兴, 蒙祖强, 陈白帆．人工智能基础（第四版）．北京:高等教育出版社, 2021年.

  本书基于PyTorch框架介绍深度学习的有关理论和应用,以Python为实现语言。全书共分10章，内容有深度学习的概念和发展过程、感知器、全连接神经网络、卷积神经网络、若干经典CNN预训练模型及其迁移方法、深度卷积神经网络应用案例、循环神经网络、基于预训练模型的自然语言处理、面向模型解释的深度神经网络可视化方法、多模态学习与多模态数据分类等。

  本书兼顾理论与应用、原理与方法，集系统性、实用性、便捷性于一体，易于入门，实例丰富，所有代码全部经过调试和运行。此外，每一章后面都配有适量的习题，供教学和学习参考使用。

  本书可作为各类高等学校AI和计算机相关专业的“人工智能”或“机器学习”课程的教材，也可作为人工智能、深度学习爱好者和初学者的自学教材，以及从事人工智能课题研究和应用研发人员的参考用书。