基于职业院校深度学习课程的教学探讨

摘要：深度学习人才属于人工智能产业中的核心人才，随着社会经济的发展，此类人才的需求量日益增多。因此各大高校开始开设深度学习课程，其中不乏高职院校。但深度学习课程抽象难懂、涉及领域广、技术更新快，对传统教学是一种极大的挑战。本校教学实践证明，文中提出的几点教学措施，能够使学生较好的掌握深度学习中晦涩难懂的理论知识并培养较强的实践动手能力，从而为社会培养高层次的人工智能应用型人才。

关键词：深度学习;教学方法;以研促教

1、前言

深度学习是机器学习最重要的一个分支，近几年发展迅猛，在国内外都引起了广泛的关注。作为机器学习领域最热门的技术，在计算机视觉、生物特征识别、图像检索、自然语言处理、语音识别等众多领域都发挥着重要作用。在应用较多的计算机视觉领域，Le Cun等人设计了LeNet-5网络，并将其应用到手写数字的识别问题中，随后应用到人脸识别和手势识别等领域。Hinton和Alex设计的AlexNet网络模型在ILSVRC竞赛中获得冠军，此后更多的复杂神经网络成为ImageNet大赛中的优胜算法。

随着深度神经网络等复杂又抽象的概念到来，以往老师讲，学生学的教学方式已经不能满足师生需求，很多课堂教学目标无法完成。

2、深度学习课堂教学存在的问题

深度学习是理论与实践相结合的课程，以优化论、概率论、矩阵论、逼近论、统计学、拓扑学为基础，具有深厚的数学背景。因此，需要学生有扎实的数学基础，但这往往是课堂教学中的一个较难解决的问题。根据近年来各高校深度学习课程的教学反馈来看，主要存在以下问题：

2.1 以数学为背景，理论抽象

深度学习课程涉及到的数学知识较多，目前大部分高校使用的教材涵盖了大部分数学推导及核心算法，对于职业院校的学生教学有一定难度。而一些轻理论重实战的教材，往往会提供大量的代码，但是很少有对代码的详细注释，这样也不利于学生理解。

2.2 算法难懂，模型复杂

随着深度学习模型在机器学习领域的大规模兴起，各领域对深度学习算法的研究更加深入，各种模型层出不穷，如卷积神经网络模型、循环神经网络模型、玻尔兹曼机、深度信念网络、对抗生成网络和残差网络都是时下大热的深度学习模型。但由于模型结构复杂、原理难懂的特点，课堂上传统的讲授方式很难让学生理解清楚，这样容易让学生失去学习的动力。

3 教学措施

针对目前大多数教材内容与社会需求、职业技能存在一定的偏差、学生缺乏实战能力、学生畏难情绪严重等问题，我们采取了如下的教学措施：

3.1教学模式设计

利用线上课程资源库平台打造线上线下混合教学环境。通过资源平台发布微课视频，引导学生自主探究学习;教师通过头脑风暴、自画像等教学活动，辅助课堂教学;通过平台发布课堂练习和课后作业，并进行评分。实现每节课课前、课中、课后信息全采集，以便后期作教学分析。

3.2教学方法设计

在教学实施过程中，为了让学生充分发挥主观能动性，释放自己的潜能，突出他们的主体地位，设计多种教学形式。通过分组讨论、小组PK梳理任务思路;利用角色扮演让学生换位思考，激发学生思维;通过小组拼图完成实战任务，攻克教学重难点。采用这些不同的教学方法，合理组织教学形式，并在教学中润物无声的融入思政元素。

3.3 教学内容设计

根据教学大纲，结合人工智能竞赛内容，以及本门课程的课程标准，调整教学内容，进行项目式重构，此类项目吸取了竞赛中应用实战内容，对提高学生的实践动手能力有很好的帮助。另一类课程项目以企业需求和地方经济社会发展需求为导向来设计，并通过企业专家的指导，突出项目的实战性，使学生能够快速上手完成任务。

3.4以研促教，以教促学

通过作业情况，研判学情，结合学生知识基础、技能基础，确定教学重难点;结合学生学习反馈，及时调整教学策略，引导学生自主思考;将教师科研融入教学，“以研促教，以教促学”，通过开展教学和科研活动来优化教学方法，拓宽教学思路，提升教学能力，实现教师与学生的共同成长。

参考文献

[1]        LeCun Y，Bottou L，Bengio Y.Gradient-based learning applied to document recognition[J].IEEE，1998，86（11）：2278-2324.

[2]        Garcia，C and Delakis，M.Convolutional face finder：A neural architecture for fast and robust face detection[J].IEEE Transactions on pattern analysis and machine intelligence，2004，26（11）：1408-1423.

[3]        Nowlan S.A convolutional neural network hand tracker[C].Advances in neural information processing systems，1995：901-908.

[4]        Krizhevsky A，Sutskever I，Hinton G E.Imagenet classification with deep convolutional neural networks[C].IEEE International Conference on Advances in Neural Information Processing Systems，2012：1097-1105.

[5]        Russakovsky O.Imagenet large scale visual recognition challenge[J].International Journal of Computer Vision，2015，115（3）：211-252.

[6]李勇.本科機器学习课程教改实践与探索[J].计算机教育，2015（13）：63-66.

作者简介：吴慧婷（1980-），女，副教授，主要研究方向：机器学习、深度学习。