高校人工智能类课程体系的建设方法研究

李凌 张硕

摘要：随着人工智能技术的不断发展，高校里相关专业课程也在不断地建设中。本文从多个不同方面对人工智能的课程建设进行分析和研究，明确了把握人工智能的发展趋势和内涵、依托人工智能实验平台进行教与学共建、進行人工智能专业课的课程内容建设和依托实验平台建立学生的长效学习机制等教学体系构建的方法和途径。

关键词：高校教学;人工智能;教学体系;计算机

文章编号：1009-3044（2020）34-0092-02

随着深度学习算法的出现和不断发展，人工智能已经逐渐成为一门独立的学科。国内外很多高校开始陆续开设人工智能的专业课程，甚至建设独立的人工智能院系和专业。但是由于该学科还比较新，发展还不完善，对于课程体系的构建还没有统一的标准和规范。

根据笔者多年高校的教育经验，结合当前高校的发展趋势与人工智能的学科背景和内涵，在构建人工智能教学体系的过程中可以从以下几个方面进行考量和实施。

1 充分了解人工智能的发展趋势和学科背景

人工智能是研究使计算机来模拟人的思维过程和智能行为的学科，它以计算机为基础，包含了心理学、语言学、生理学甚至哲学等各大学科领域的知识。近些年随着深度学习相关算法的不断发展，人工智能技术逐步成为最炙手可热的科学研究方向之一。

美国在2019年2月发布了启动美国人工智能计划的13859号行政令，紧接着2019年6月又发布最新版的“国家人工智能研发战略规划”，修订了相关的发展战略，具体包括：对人工智能研究进行长期投资、建立标准和基准评估人工智能技术、更好地把握国家人工智能研发人才需求等。可见，美国已经把人工智能的教育和人才培养提高到了国家战略层面。在我国，人工智能的发展建设也一直得到了社会各界和政府的极大关注。人工智能在2017年、2018年连续两年被写入政府工作报告，同时也发布了《新一代人工智能发展规划》的政府文件，工业和信息化部随后发布《促进新一代人工智能产业发展三年行动计划》，逐步确立了人工智能技术在我国经济科学发展中的重要地位，明确了人工智能发展的方向和路线。

人工智能的发展离不开高校人工智能教学体系的构建，目前我国在人工智能的高等教学过程中还存在以下问题：缺乏学科和专业层面的建设导致教学分散，教材、教学大纲等教学资源还不统一，师资缺口较大，教学实验平台的建设依赖进一步的校企合作等，需要在课程体系建设的过程中充分考虑以上问题并着手进行解决。

2 基于人工智能实验平台的教与学共建

人工智能的概念提出较早，但是在卷积神经网络CNN的相关算法提出以前，人工智能相关技术本身并无实质性发展。在近几年基于卷积神经网络CNN的算法概念提出以后，人工智能相关技术才得到了飞速发展，也拉动了相关专业领域人才的需求。因此，由于相关技术的发展时间并不长，导致人工智能相关专业的人才紧缺不仅仅体现在学生和相关课程的缺失，更重要的是体现在教师资源的缺失上。

此外，人工智能相关技术的学习门槛也较高，其一是因为软件算法原理既需要良好的数学微积分、统计概率学等基础理论知识，也需要计算机视觉、数字语音信号处理、自然语言处理等进阶知识储备作为扩展;其二是因为人工智能的学习高度依赖第三方的框架和平台，包括以tensorflow和pytorch为代表的软件算法框架和以Nvidia Geforce系列GPU为代表的硬件平台，想要学好人工智能相关技术，就要求学习者对于相应的框架和平台有着较好的理解。

考虑到以上学科特性，在具体实施的时候可以以教学选用的人工智能教学实验平台为依托，同时建设教师的师资培训和学生的课堂学习两条路线，最后以构建完备的课程体系和学习生态为目标，完成人工智能在高校内相关教学工作的任务。其中，人工智能教与学实验平台的选用是体系构建的重点，也是体系构建的基础所在。在充分平衡课程建设的时效性和经济性的前提下，可以考虑引入第三方企业，进行校企“轻合作”，以高校充分发挥课程建设的自主性、充分利用高校现有软硬件资源为考量，与企业一起搭建和定制人工智能教与学实验平台;也可以考虑引入第三方开源实验平台配合完成相关工作。

教师、学生和实验平台三者通过广泛的教学活动紧密联系在一起，这里包括：教师基于实验平台做教学设计、对自有教师做人工智能相关的师资培训、以平台为基础进行科研工作，学生基于实验平台做课堂学习、利用平台资源做课外实践、根据所学知识积极参加人工智能相关学科竞赛，最后是教师和学生互相之间可以进行教学指导和学习反馈。

3 开展人工智能专业课的课程内容建设

在高校计算机专业领域，人工智能课程的学习应该更加注重实践编程能力，适当弱化算法相关的理论知识，尤其是生物学相关的神经网络知识和数学相关的算法推导流程。在教学过程中，将课程重点放在基于开源框架的算法编码流程、算法调试和实验数据运行等与计算机专业相关的知识点上，引导学生关注基于人工智能的实际应用场景和工程实现，为将后来在学科竞赛或出校后的工作上用到人工智能相关知识做好充分准备。

人工智能的专业课程一般首先在计算机相关专业开设，基本的教学目标是：通过课程的教学，让学生了解人工智能的发展历史和趋势，掌握人工智能的基础概念、研究内容和重要算法，掌握基础的机器学习和深度学习的算法原理，掌握人工智能在计算机视觉、数字语音和自然语言处理等应用领域的经典算法，掌握基于python和keras的人工智能编程基础等。

根据以上教学目标，可以对课程内容进行以下几个方面的详细设计：

（1）充分开展课堂互动的理论教学

人工智能学科相关的理论知识相对比较艰深难懂，尤其对于基础相对薄弱的本科学生来说，要在短时间内消化所有的理论知识，尤其是算法原理和推导，这是存在一定困难的。这就要求教师在进行教学设计的时候，充分考虑学科知识的特性，考虑学生对所学知识的承受能力，以课堂互动为核心开展理论教学。

在python编程知识方面，可以引导学生回顾既往python基础编程课程的相关内容，以典型语句编码来进行示例讲解相关知识点;在算法原理方面，可以通过图片形式展示经典机器学习的不同算法示意图，通过图片对比不同算法的区别，引导学生总结不同算法的优缺点;在算法模型搭建方面，可以通过视频形式演示深度学习网络在算法运行不同阶段时的内部变化，尤其是数据的收敛随着迭代次数的变化特性，引导学生通过动态影像来记忆模型算法特点;在人工智能应用场景方面，可以依托人工智能实验教学平台，根据已有的经典数据集，演示算法运行的结果，引导学生在算法结果准确度、算法复杂度、算法时间特性等方面进行总结和对比记忆。

（2）依托人工智能实验平台的阶段式上机环节

上机实验环节是课程教学的重要一环，在学生初步熟悉了人工智能学科的理论知识之后，适当的编程上机可以提高学生的动手能力，强化相关知识点的记忆，让学生对知识点的掌握真正达到所学可以致用的程度。

根据课程课时设置和教学班安排，可以适当安排合理的上机次数，在上机环节中设置以下内容：基于python数据科学的进阶编程，内容包括以numpy、scipy、pandas、matplot.lib等数据处理，尤其是高维数据处理为主的python编程;基于keras的卷积神经网络CNN算法模型搭建及实现，内容以keras的编程，卷积神经网络CNN的经典模型搭建为主;基于人工智能的目标检测算法演示及实现，内容涉及经典的人工智能目标检测算法YOLO或SDD的算法实现，经典数据集例如COCO数据集的讲解和使用，模型参数更新的实现及算法原理，算法最终效果展示等。此外还包括人工智能在数字语音和自然语言处理等应用领域的算法研究及实现。

（3）以知识应用为导向的课程考核

人工智能课程的考核方式应重点考虑基础理论知识和实践应用的合理占比，适当减少需要硬背的知识点的考察，提高知识应用和思维发散为特点的知识考核比重。

在课程考核的设置过程中，既要考虑课程目标对于人才培养计划的支撑作用，也要考虑课程教学过程中知识点讲解的拆分情况，根据课程的学习目标和学习内容，结合上机环节和平时课堂考察来设计完备的课程考核方案

4 依托人工智能實验平台的学生长效学习机制建立

人工智能相关学科的知识内容基础要求比较高，仅靠课堂内的学习是不足以完全满足整个学科方向的知识学习的，还需要适当的课外实践来做补充。具体来说，课堂内的学习是基础，是引导学生进入人工智能学科殿堂的一张门票，它的重要性是毋庸置疑的。这就要求学生必须专心学习课程知识，掌握扎实的理论基础，掌握实践上机的方法和编码流程，充分熟悉并了解人工智能的应用方向和前景，并将所学知识可以用于自己就业和读研深造等实际领域。

课堂外的实践活动是延伸，也是课堂内学习活动的补足。例如，有些人工智能的算法比较复杂，同时算法运算需要消耗大量的时间和硬件算力，这些过程学生很难在课堂内完成;这就可以利用课外实践，借助人工智能学习实验平台，远程对算法进行调用和监控，从而完成整个的学习流程。再例如，随着人工智能的飞速发展，有些算法是处于不断更新迭代和完善的状态;课堂内的教学内容尤其是上机环节无法做到和算法的迭代做到完全同步，这就要求学生可以通过课外时间，在教师的指导下阅读相关论文和github上相关的开源代码，借助实验平台来完成最新算法的效果演示，从而对课堂内的学习做补足。

综上所述，在高校进行人工智能相关课程的教学体系建设时，需要充分了解人工智能的发展趋势和学科背景、基于人工智能的教与学共建、开展人工智能专业课的课程内容建设并依托人工智能实验平台建立学生的长效学习机制。高校的人工智能教学还有待从多方面进行探索和研究，这就需要高校教育者们在探索过程中不断发现问题并寻找问题的解决办法，最终完成相关教学体系的完善和建立。

参考文献：

[1] 纪莉莉. 人工智能教学系统的探讨[J]. 福建电脑， 2005（7）：156-157.

[2] 王甲海， 印鉴， 凌应标. 创新型人工智能教学改革与实践[J]. 计算机教育， 2010（15）：140-142+152.

[3] 孙沛. 人工智能在教学中应用的探讨[J]. 内蒙古师范大学学报：自然科学版， 2003.

[4] 邵雪冰. 基于问题解决的"中学人工智能"教学实践的研究[D]. 东北师范大学.

[5] 谢榕， 李霞. 人工智能课程教学案例库建设及案例教学实践[J]. 计算机教育， 2014（19）：92-97.

【通联编辑：王力】