“案例教学+项目驱动”模式在人工智能课程教学中的应用探索

梁志勋 易云飞 范源源 施运应 赵家祺

关键词：人工智能教学；教学模式；多学科融合；案例教学；项目驱动教学

0 引言

距离2013年德国在汉诺威工业博览会上正式推出“工业4.0”至今已经有10个年头，国务院也于2015 年5月正式印发了《中国制造2025》，部署全面推进实施智能制造强国战略[1-2]。以大数据和人工智能技术为核心代表的信息技术产业，正在掀起第四次工业革命浪潮。在工业互联网将万物互联的当下，智慧城市、智能农业、智能家居以及智能穿戴产品的广泛应用，产生了用存储阵列存储的海量数据。面对庞大的数据量，除了需要大量具备高性能计算能力的计算机和服务器机群之外，还必须采用高效的智能算法和人工智能处理技术进行分析和处理。利用大数据建立相应的模型，才能使用这些数据和模型进行进一步预测分析和决策[3]。OpenAI公司于2022年11月份发布了自然语言处理工具——ChatGPT的初级版本，其强大的文字对话、文本撰写能力，在全球范围内掀起了新的AI浪潮[4]。在大量的数据驱动下，大模型不断学习和自我更新，催生了新的应用领域。与此同时，在信息技术革命的浪潮下，高等学校纷纷开设了人工智能专业或者智能科学与技术专业，同时对传统计算机类专业的人才培养方案开展了课程体系重新修订工作[5-6]，加入了大量的人工智能系列课程，例如人工智能导论、机器学习和深度学习等。上述课程以概率论与数理统计、矩阵论与线性代数以及离散数学为基础，具有很强理论性，同时又要求学生掌握熟练的编程技巧，掌握以Python等为代表的编程语言模块接口进行应用的技能。

1 人工智能课程教学不足和“案例教学+项目驱动”教学模式特点

传统的授课方式，以讲授深奥的理论内容为主，缺乏有效的实践技能训练。主要是因为教师没有在企业一线进行软件开发的经历，缺乏实践经验。人工智能是一门实践性很强的学科[8-9]，但传统的课堂教学往往偏重理论知识；另一方面，高校内部的人工智能课程内容更新速度慢，由于人工智能领域日新月异，高校课程无法及时跟上最新的发展和技术进展[7]。课程内容需要及时更新，以确保学生学到最新的知识和技能。并且高校需要更多地提供实践机会，例如实验课和项目实训，以帮助学生将理论知识应用于实际问题。目前的人工智能课程内容缺乏跨学科融合，人工智能是一门涉及多个学科的交叉学科，包括计算机科学、数学、统计学等。部分高校的人工智能课程可能过于专注于某个学科，缺乏整体性和跨学科的教学方法。更好地整合不同学科的知识，可以帮助学生更全面地理解和应用人工智能。另外，与企业和行业合作，可以让学生接触到真实的人工智能应用场景，了解实际问题的解决方法，人工智能技术在各个行业都有广泛应用，但有些高校课程可能缺乏与产业合作的机会，并且课程实训案例的引入，缺乏与产业合作的实际案例。人工智能领域的专业知识和技能更新迅速，需要具备丰富经验和专业背景的教师来教授相关课程，然而，某些高校可能因为师资力量不足，从而导致教学水平无法满足课程实际需求。

“案例教学+项目驱动”模式是具有很强的实践导向、跨学科整合、团队合作、问题导向、自主学习和实际应用等特点[10]。该教学模式注重将理论知识与实际应用相结合，通过案例分析和项目实施，学生能够亲身体验和掌握运用人工智能技术解决实际问题的能力[11]。学生通过实践项目，将理论知识应用于实际问题解决中，从而提升他们的实践能力和技术应用技能[12]。项目驱动模式鼓励学科间的融合和交叉，“案例教学+项目驱动”模式鼓励学科间的融合。人工智能领域涉及计算机科学、数学、统计学等多个学科，该教学模式能够整合相关学科的知识。在项目实践中，学生需要综合运用不同学科的知识和技能来解决相关实际问题，例如计算机科学、数学、工程等，从而培养学生的综合素养和跨学科知识综合应用能力。项目驱动模式通常以小组合作为主要形式，学生在团队合作中解决问题，分工协作，共同完成项目，从而培养了他们的团队合作能力、沟通能力和领导能力。项目驱动模式注重培养学生的问题意识和解决问题的能力，项目中的任务和挑战能够激发学生的思考能力和创新能力，使他们能够独立思考问题、提出解决方案并加以实施。项目驱动模式鼓励学生的主动学习和自主发现，学生在项目中需要积极主动地学习相关知识和技能，主动寻找解决问题的方法和资源，从中培养了他们的自学能力和自主学习意识。项目驱动模式强调学生在实际场景中应用所学知识和技能，通过实际项目的实施，学生能够接触到真实的应用场景，了解技术在实际中的应用和价值，并为未来的职业发展做好准备。

综上所述，“案例教学+项目驱动”模式通过实践导向、跨学科整合、问题导向、团队合作、自主学习、实际应用等特点，培养学生的实践能力和综合素养，提高解决问题的能力和创新思维。这种教学模式符合人工智能领域的特点和实际需求，是培养应用型人工智能人才的有效途径。

2“ 案例教学+项目驱动”教学模式在人工智能课程中的应用

要在人工智能课程中实施“案例教学+项目”教学模式，首先要通过各种方式建立丰富的教学案例和项目库；其次是在实施过程中，将这些教学案例在教学过程中理论联系实际地将深奥的理论剖析呈现给学生。通过学生组建团队，让学生项目团队选择项目库中的项目案例，按照项目开发的模式完成项目任务。

2.1 建立完善的人工智能教学案例和项目库

人工智能教学团队逐步建立一个丰富多样的人工智能教学案例和项目库，为学生提供实践机会，促进他们在人工智能领域的学习和发展。同时，项目库的建立也有助于高校与行业合作伙伴的合作，加强人工智能教育与实际应用的联系。建立人工智能教学案例和项目库，首先是项目收集与整理，教师教学团队可以建立一个团队负责收集和整理各类与人工智能相关的项目案例，这些案例可以来自学生、教师、行业合作伙伴和开源社区等渠道。同时，寻求与企业和行业合作伙伴的合作，将真实的人工智能应用案例引入项目库中。与行业合作伙伴合作可以给学生提供接触实际问题和解决方案的机会，并为学生就业和实践奠定基础。确保项目案例的质量和多样性，涵盖不同领域的应用，如自然语言处理、计算机视觉、机器学习等。另外，需要将项目库与相关课程整合，确保学生可以将所学理论知识应用于项目开发中。项目可以作为课程的一部分，或者作为课程的实践补充；其次是建立一个平台或系统，用于学生和教师提交、开发和归档项目。学生可以根据自己的兴趣选择项目，并与指导教师合作进行开发。所有项目都应有清晰的文档、代码和相关数据，用于案例和项目的归档，以便日后学习和参考。下面以人工智能导论和机器学习两门课程的教学案例和项目库示例。

1） 利用人工智能导论课程中遗传优化算法知识，并采用Python编程求解TSP问题遗传算法解决TSP的流程是以下几部分：初始化种群、计算适应度函数、选择、交叉、变异然后不断迭代直到满足停止迭代条件，输出最优解。

①模型设定

种群初始化：需要设定的参数是随机生成的初始解的数量，该数量过少会导致种群多样性不足，数量过多会降低算法的效率，设定合适的种群规模。

适应度函数：根据数据集说明，其最优解采用的边权重类型，即两城市之间的距离通过欧式距离计算

得到所有路径的距离进行求和，即可得到dis?tance，令f=1/distance，即为适应度函数。

选择：即在上一代生存的个体中，通过优胜劣汰，保适应性更强的解，具体而言首先将上一代种群中适应性最强的10%物种保留，然后通过轮盘转赌法，以选择概率为权重，挑出剩下的90%物种。其中对于每个物种计算选择概率p （s ） i 公式为：

采用上述设定是为了尽量让适应度更强的物种活下来，同时防止适应性最强的物种因随机性而被轮盘转赌法淘汰。

交叉：通过选择幸存下的物种进行交叉的概率为70%，交叉的方式为单点交叉，即随机选取一个节点，将交叉双方该节点后的部分进行交换。在交换后，单物种可能会出现有重复城市的情况，因此需要进行去重操作，即记录下重复的位置，使交叉双方重复的节点进行交换。

变异：变异是遗传算法跳出局部最优解的重要操作。在TSP问题中，变异操作是随机选取物种的两个节点，将节点中的城市顺序颠倒。变异的概率大于0.5之后，遗传算法将退化为随机搜索。但考虑到跳出局部最优解的重要性，因此设定变异的概率为20%左右。

②案例项目提交要求

a.建议采用Python语言编程实现，提交时提供编译好的可执行文件和源码。

b.画出遗传算法求解TSP问题的流程图。

c.分析遗传算法求解不同规模的TSP问题的算法性能。

d.分析对于同一个TSP问题，分析种群规模、交叉概率和变异概率对算法结果的影响。

2） 利用机器学习课程卷积神经网络知识，基于TensorFlow的车牌号识别

①基于TensorFlow的车牌号识别主要步骤

生成训练数据集：用PIL的库函数生成包含31省区直辖市的车牌样本集，生成的数据样本集用于测试和训练构建的神经网络模型系统。

构建神经网络模型：利用TensorFlow和numpy构建包含输入层、卷积层、池化层、全连接层和输出层的车牌号识别神经网络模型系统。

数据读取，开始训练模型：读取之前生成的数据样本集，利用OpenCV进行分割和二值化操作，接着训练搭建好的车牌号识别神经网络模型系统。

测试模型准确度：利用生成的数据样本测试集对训练过的车牌号识别神经网络模型系统进行测试，评估测试模型准确度。

②案例项目提交要求

a.采用Python语言编程实现，提交时提供编译好的可执行文件和源码。

b.画出基于TensorFlow实现车牌号识别的系统流程图。

c.分析卷积、全连接层、池化层等各个参数对车牌号识别性能的影响情况。

d.评估测试数据集的规模对测试模型准确度的影响。

上述是两门课程的教学案例和项目库示例，规模和难度为中上，为综合性的项目，一般需要学生组成团队来完成，而一些小的知识点则不需要规模太大的案例，例如，通过Python实现最小二乘法做线性回归，可以通过某个地区女生的身高和体重数据集，给出某些女生的体重，进而预测她们的身高。这样的案例既简单又可以激起同学们的学习兴趣。项目案例库需要不断积累，并在教学实践中反复修正，选择一套难度适中的案例和项目。

2.2“ 案例教学+项目驱动”的人工智能课程教学过程

实施“案例教学+项目驱动”的人工智能课程教学可以有效地将理论知识与实践应用相结合，给学生提供实践机会提升解决实际问题的能力。通过设计具有挑战性的案例，选择与人工智能领域相关的真实案例，涵盖不同应用领域和技术方向。这些案例应有一定的挑战性，能够激发学生的探索欲望和解决问题的动力。再引导学生对案例进行深入分析，理解案例中的问题和需求。通过讨论和思考，学生可以形成对案例的全面理解，并提出解决方案的初步构想，充分调动学生的主观能动性。教学过程中，需要进行项目规划和团队组建，将案例转化为具体的项目，要求学生以小组形式组建团队，并进行项目规划。学生需要明确项目目标、任务分工、时间安排和资源需求。项目规划阶段可以培养学生的团队合作和项目管理能力。另外，在项目实施之前，教师要进行相关的理论知识授课。教师应着重介绍与项目相关的概念、技术和方法，帮助学生掌握解决问题所需的理论基础。

同时需要教学团队的教师支持和参与，以确保项目库的成功运作。教师可以根据项目的复杂程度和学生的学术水平进行合适的分配和指导，并提供项目的指导和评估，以确保项目的质量和学习效果。他们还可以监督学生在项目开发过程中的进展，并提供反馈和建议。在实践项目开发过程中，学生根据项目规划开始实践性的项目开发工作。教师应提供指导和支持，回答学生在项目实施过程中遇到的问题，并定期检查项目进展情况。

3“ 案例教学+项目”人工智能课程教学方法效果与分析

在“案例教学+项目”驱动教学中，教师可以及时提供反馈和评估，指导学生的学习和项目进展。学生也能通过展示和分享获得同学和教师的评价，提升自我认识和改进能力。中期评估和反馈，在项目执行的中期，教师可以进行评估和反馈。评估可以包括项目进展、团队合作、技术实现等方面，帮助学生及时调整和改进项目。学生团队在项目完成后，对完成的项目进行最终成果的展示和演示，可以是口头报告、演示文稿、产品原型或实际应用等形式。通过展示，学生可以分享他们的学习成果，并接受同学和教师的评价和反馈。经验总结和分享，在项目实施结束后，可以组织学生进行经验总结和分享。学生可以归纳项目中的成功经验和教训，分享他们在解决问题过程中的心得体会。

4 结束语

本论文提出了一种通过案例+项目驱动式的人工智能课程教学方法，并列举了两个项目案例进行说明。采用这种教学方法，学生可以在实践中掌握和应用人工智能技术，提高问题解决能力和团队合作能力。教师的角色是引导者和指导者，起到组织和支持的作用，激发学生的学习兴趣和动力。这种教学方法不仅培养了学生的实践能力，还提升了他们的创新思维和综合素养。该教学方法符合教育部倡导的培养具有创新思维的高水平应用型人才要求。