时间：2022-03-11 12:27:29
序论：在您撰写人工智能导论论文时，参考他人的优秀作品可以开阔视野，小编为您整理的7篇范文，希望这些建议能够激发您的创作热情，引导您走向新的创作高度。
关键词：人工智能；教学内容；教学方法
中图分类号：G642 文献标识码：A
1 引言
人工智能(AI)是二十世纪五十年代后期兴起的利用计算机模拟人类智能活动去求解问题的学科，与空间技术、原子能技术一起被誉为二十世纪三大科学技术成就，目前广泛应用于专家系统、机器翻译、语音识别、文字识别、计算机视觉、机器人、电子游戏等方面，已经成为计算机技术发展以及许多高新技术产品中的核心技术。
为了适应人工智能技术日益广泛的需要，国内外高校普遍开设了“人工智能”方面的课程，特别是作为计算机方面专业的核心课程之一。我校自从1993年开始为自动化专业本科生开设“智能控制”选修课，1996年为自动化、计算机、机械等专业本科生开设“人工智能导论”、“人工智能及其应用”课程。目前，我校软件学院、信息学院、机电学院都开设了“人工智能导论”课程，已经成为计算机科学与技术、软件工程、数字媒体技术、自动化、机械制造与自动化等许多专业本科生的一门重要的技术基础课程，也是面向包括人文社科等全校所有专业的公选课之一，其目的是使学生了解人工智能的基本概念和基本原理，初步学习和掌握人工智能的基本技术和前沿内容，拓宽知识面，启发思路，为学生提供最基本的人工智能技术和有关问题的入门性知识，提高学生应用开发软件的能力和水平，为今后在相关领域的研究和应用奠定更为坚实的基础。因此，建设好“人工智能导论”课程具有重要意义和很广的受益面。
由于人工智能是交叉学科，涉及面广、内容抽象、不易理解，学生往往有望而生畏的感觉，在教学过程中，老师教、学生学都比较吃力。为了更好地实现上述教学目标，提高本课程的教学质量，协调好教与学的双边关系，使学生由望而生畏的感觉，变为有用有趣的感觉，根据已有人工智能课程在教学与实践方面的经验和方法，结合“人工智能导论”课程的近几年教学实践，对课程的教学体系、教学内容、教学方法、教学手段、考核方式等方面进行了探索总结。
2 调整与优化教学体系和教学内容
“人工智能导论”是计算机科学与技术、软件工程、数字媒体技术、自动化、机械制造与自动化等许多专业本科生的一门重要的技术基础课程，也是面向包括人文社科等全校所有专业的公选课之一，其研究领域及内容十分丰富，涉及的基础面广。因此如何选好教学内容，既能使学生了解本领域的概貌，又能适合学生的基础，便于他们在有限的时间完成学习任务，是一件重要而又困难的事情。
进入21世纪以来，人工智能学科又有了新的发展。为了及时反映人工智能研究和学科的最新进展，我们修订了“人工智能导论”的教学大纲，对教学内容进一步优化和更新，极大充实了各个系统的内容。我们确定的教学内容主要分为三部分：第1部分为概论，介绍人工智能的基本概念、基本内容、主要研究领域及发展过程；第2部分是知识表示，推理和搜索技术，讨论几种常用的知识表示方法、推理技术(包括确定性推理方法和不确定推理方法)和搜索求解策略；第3部分是人工智能应用研究领域，包括专家系统、自然语言理解、机器学习、人工神经网络、遗传算法等的基本概念和方法等。其中第2部分是基础理论，是人工智能的重要基础，应该循序学习。第3部分是人工智能的应用，由于每个研究内容都相对独立、自成体系且有其专门的学术著作研究、热点，因此针对高等院校的本专科生来说，不必循序学习，而且结合专业特点可以选择其中几个研究领域。例如对自动化专业的学生来说，可以选择专家系统、人工神经网络、遗传算法等，同时可增加在自动控制领域的应用，包括专家控制、神经网络控制和进化控制等热点：而对计算机科学与技术专业来说，可以选择专家系统、自然语言理解、机器学习等，并辅以动物识别系统、语音识别系统、智能机器人等实例。总之就是要把握课程性质和教学目的，调整本课程教学体系，优化教学内容，让学生以有限的时间学到人工智能的基础知识和基本方法。
另外，在选择和确定教学内容时必须兼顾基础知识和新兴技术，注意与相关课程(如离散数学、数据结构、概率论、自动控制原理、Matlab系统仿真、面向对象的编程技术等)的链接，密切理论与实际的关系，通过课堂讲授和课外训练，注意学生能力培养，提高他们的学习效果和整体素质。
3 加强课程立体化建设和系列教材研究
在课程的立体化建设中，教材充当了地基的角色，所有的课程内容安排，无不体现出以教材为基本，以教材为模板。所以本着基础、实用的原则，我们先后编著出版了《人工智能及其应用》课程教材导论部分概括性强，引人入胜；基础部分系统全面，叙述深入浅出，循序渐进；应用部分密切理论与实际关系，典型形象。其中第二版在第一版的基础上，增加了证据理论、模糊推理、神经网络等理论的一些典型应用，使学生能够更深入地理解和应用这些理论；另一方面，又新增了自然语言理解及其应用内容，以适应目前计算机翻译、人机自然语言交互等技术日益广泛应用的需要。系列教材适应了人工智能导论新课程开设的需要，反映了人工智能学科的发展，为人工智能课程确立了基本框架，发挥了重要作用。系列教材的问世不仅解决了本校“人工智能导论”课程教学用书的问题，而且也被各兄弟院校普遍采用，促进了该课程的普遍开设，推动人工智能学科的发展。
为了配合教材第二版的教学和自学，在已有教学经验和教学成果积累的基础上，制作了高质量的教学课件和完整的教学视频录像，并刻录成光盘随书供读者使用；同时又研究与开发了网络课程(http：//)，以更好地调动学生的学习兴趣和主动性，促进本课程的教学改革。
包括主教材、电子教案、教学视频录像、网络课程及教学资料库等在内的课程立体化建设符合二十一世纪高校教学的要求，支持教师提高教学手段现代化的水平，更贴合学生的学习需求。
4 改革与创新教学模式和教学方法
在“人工智能导论”课程教学的过程中，我们积极探索教学新路，经过数年辛勤试验，结合蔡自兴教授等对人工智能课程的建设经验，对课程的教学模式和教学方法进行了如下一些的改革与创新。
(1)通过多种途径激发学生的学习兴趣
“兴趣是最好的老师”，“人工智能导论”课程的学习效果，直接受到学生兴趣和参与意识的影响。由于这是一门导论性前沿课程，一般来说，学生开始学习兴趣很大。但是，当一些学生开始接触到抽象概念和算法时，往往感到不易接受。我们通过各种途径和方法，激发和培养学生的学习兴趣。例如，鼓励学生参与课堂讨 论、布置读书报告和课外实验、以问题为导向的启发式教学、专题讨论／辩论等形式。特别，我们精心组织和准备了模糊控制技术及其应用、智能机器人技术与应用、智能交通、BCI(脑机交互接口)等专题，以及智能调度软件、语音识别系统、动物识别系统、足球机器人比赛、机器人轨迹跟踪、倒立摆的智能控制等课内演示，使学生扩大了眼界，增加了感性知识，达到提高学生学习兴趣的目的与效果。
(2)面向问题的启发式教学
人工智能中的许多问题，有的似是而非，有的引人入胜。在教学中，有意识的提出相关问题，提请学生思考，鼓励学生提出自己的猜想和解决方案。然后逐步进入教材中的解决方案，启发学生求解这些问题，并进行分析和比较，从而强化了学生学习的主动意识和参与意识，提高了学生的学习积极性。例如，在讲到比较抽象的“遗传算法”时，提出“遗传算法如何用于优化计算?”这一问题。针对该问题，先从“达尔文的生物进化论”入手，讨论“遗传”、“变异”和“选择”作用；然后通过一个简单的例子，从特殊到一般地启发学生思考“遗传”、“变异”和“选择”的实现，最终让学生与教师一起导出遗传算法用于优化计算的基本步骤。这样，学生不但从中学习了遗传算法，而且得到一次逻辑思维的训练，取得很好的教学效果。
(3)课堂辩论与交互式教学
组织课堂辩论，讨论的议题包括人工智能的应用前景和其他比较等有争议的问题。学生对这些问题展开了激烈的争论，激发了学习潜能，明确了学习目标。例如，为了加深学生对智能机器人内涵的理解，我们组织了“机器智能能否超过人类智能”的辩论会。会前正反双方结合本课程内容及其相关知识，认真进行准备；辩论会上正反双方唇枪舌战，激烈争辩，气氛热烈。辩论后，学生余意未尽，讨论热情不减。无论是哪一方获胜，都达到了预期的效果。教学中我们还注意采用了多种交互式策略，如课堂上教师提问可鼓励或指定学生提问，也可由学生自由地就某个知识点进行主题发言后老师点评等。
(4)个性化学习与因材施教
在本课程教学过程中注意对学生因材施教和个性化教学。例如，通过组织学生进行读书报告的形式，鼓励学生从多方面、多角度考虑问题，多提新颖思想，有意识地鼓励优秀学生探讨比较深层的内容，并辅导优秀学生将其成果以科技论文和发表文章的形式转化为成果。又如，在教学设计和实验设计中，注意要求学习有余力和兴趣的学生选作部分探索性、创新性的功课和实验(选学内容，如模糊控制器的设计、进化控制等)，从而引导学生发挥个性优势，达到因材施教的目的。同时注意分析学习较差的学生的具体困难，进行有针对性的指导。
(5)多媒体与网络教学的使用
本课程在PPT演示文稿和网络课程上，采用了大量的多媒体表现形式，如视频、动画、声音和图像等。目的在于使得人工智能抽象的知识形象化，便于学生理解。例如，课内让学生在线观看涂晓媛博士的计算机动画“人工鱼”的录像片段、人工生命Floy中生命智能体在环境中不断的适应进化构成演示等，有助于加深学生对所学知识的理解，促进教学水平的提高，激发了学生对课程的兴趣，使学生创新意识得到增强。此外，随教材附赠的教学光盘和开发的网络课程(http：//)提供了学生课外自学用的高质量的电子课件、完整的教学视频录像、丰富的实验和案例资料等，以更好地调动学生的学习兴趣和主动性。
(7)理论与实践结合
在教学内容安排上，注意理论联系实际，适时布置一些人工智能实验给学生进行课外练习。设计的课外实验包括产生式系统实验，归结反演实验，主观Bayes推理网络实验，A搜索实验，以及基于Maltab工具箱的模糊控制位置跟踪系统、两车追赶模糊控制系统、神经网络模式识别仿真、遗传算法优化计算等实验。通过实践和参与，保持学习兴趣，有助于学生对人工智能基本概念和难点的理解，掌握基本方法和技术，为从事智能系统应用开发打下基础，从而达到教学目的。例如，我们组织学生参观我们的研究生综合自动化实验室，观看机器人臂取物、倒立摆控制、语音识别软件、指纹识别软件、智能调度软件等演示，密切理论与实际的关系。
我们在教学改革实践中探索的这些教学方法，有利于充分激励学生的学习积极性和主动性，有利于鼓励学生发挥独立思考和创新思维，有利于多方位培养学生学习发现问题、分析问题和解决问题的能力。
5 运用多样化的教学手段和考核方式
5.1 多样化的教学手段
采用现代信息技术进行教学，构筑“人工智能导论”课程的现代教学模式，是本课程的主要特点之一。教学过程中采用了多媒体教学课件和网络课程相结合的方法，充分利用多媒体的丰富表现形式，利用网络课程的交互性、情景化等，进行教学。采用的方法包括：
(1)抽象知识内容的多媒体表示
通过动画和视频来演示抽象的概念、算法和过程，包括机器人轨迹跟踪、机器人臂取物、足球机器人比赛、倒立摆控制、“人工鱼”等录像片段，以及智能调度软件、语音识别系统、指纹识别系统、动物识别系统等软件演示。
(2)通过PPT撰写教案
精心编制PPT，组织好课件内容，做到图文并茂，提纲挈领，便于学生理解，便于教师讲授。
(3)开发与应用网络课程
“人工智能导论”网络课程较好的实现了交互性、在一定程度上实现了学习过程的情景化。在交互性方面，通过网络课程的课堂练习和章节练习，评价学生的学习情况，并给学生提出学习建议。在情景化方面，采用了在线答疑形式，使得学习过程丰富有趣。
(4)先进实验系统的观摩与演示
利用我们的研究成果等有利条件，有针对性地对学生进行成果演示(包括智能调度软件、语音识别系统、指纹识别系统、动物识别系统等软件)，使学生知道学了有用，而且很有用，很有趣，很有意义，从而进一步诱导学生的学习兴趣，巩固了课堂所学知识，提高了教学质量。
教学效果通过上述先进的现代信息技术的应用，不仅极大地提高了学生的学习兴趣和主动性，而且也取得很好的实际教学效果，提高教学质量。
5.2 作业、考试等教改举措
(1)改革作业方式与方法
改变过去那种单纯的书面习题作业，发展成为必须交给教师评阅的书面家庭作业、不必交给教师的课外思考题目、口头布置的思考题或阅读材料以及大型作业等。其中上交作业通过网络进行，教师批阅后的作业也通过网络返回给学生，实现了作业呈交和返回的网络化。
(2)改革考试方式与方法
如何对本课程的考试方式进行改革一直是我们探索的问题。我们综合考虑课堂出勤情况(10％)、平时正式作业成绩(20％)和期末课程考试(70％)，进行综合评分。期末考试有时采用综合试题考试，出几个大题目让学生选择其中几个进行开卷笔试，当面交卷后评分；有时采用课外开卷论文结合或口试面试。最近，我们还对部分学生结合实验或实际问题提问等进行考核。我们正进一步改革、试验和探索，使考试成为衡量与培养创新能力，促进学生学习主动性和提高课程教学质量的重要环节。
［关键词］人工智能；人才培养；AI技术人才
一国家对于高校人工智能教育的发展的重视
面对AI技术如火如荼地发展，我们国家对AI人才和人才培养都非常重视。2017年3月“人工智能”在政府工作报告中曾提及四次，指出要推动人工智能和实体经济深度融合。2017年7月20日国务院《新一代人工智能发展规划》[4]。《规划》指出完善人工智能领域学科布局，设立人工智能专业，推动人工智能领域一级学科建设，尽快在试点院校建立人工智能学院，增加人工智能相关学科方向的博士、硕士招生名额。鼓励高校在原有基础上拓宽人工智能专业教育内容，形成“人工智能+X”复合专业培养新模式，重视人工智能与数学、计算机科学、物理学、生物学、心理学、社会学、法学等学科专业教育的交叉融合。加强产学研合作，鼓励高校、科研院所与企业等机构合作开展人工智能学科建设。
二企业对于人工智能人才的需求
市场上AI技术人才非常稀缺，据腾讯研究院联合boss直聘的《2017全球人工智能人才白皮书》[5]显示：目前，全球大约有30万人从事AI工作。截止到2017年10月，中国人工智能人才缺口至少在100万以上。2017年头10个月，AI人才需求量是2016年的近两倍，2015年的5.3倍之多，年复合增长率超200%。百度、腾讯、阿里巴巴、京东等互联网巨头都在挖掘AI人才，纷纷开出了高额的薪资。2017年薪资最高的十个职位中AI类岗位占到1/2，其中语音识别、NLP、机器学习等职位平均月薪资超过2.5万元。
三高校AI人才培养的思考
高校具有多学科、高层次人才集中的特点，具备计算机与多学科交叉融合的优越条件；且大部分学校都开设有数学、物理等基础学科，具备夯实数学理论基础的条件；且人员相对固定，便于沟通交流，具备共同开展AI课题，促进发展AI技术的人力条件。但是遗憾的是我国开设人工智能课程的高校较少，2018年只有33所高校设立了智能科学与技术专业[6]。面对AI发展的火爆，国家对于AI人才发展的重视以及企业对于AI人才的严重需求，高校作为人才培养的主要来源，是不是应该思考AI人才的培养呢？AI人才可以分为三类：拔尖人才，研究性人才和应用型人才，呈金字塔性。当下已经有一批名牌大学开展了AI方向拔尖人才的培养，如北京大学图灵班、中国科技大学人工智能技术学院、西安交通大学人工智能拔尖人才培养实验班，南京大学计划成立人工智能学院等。但是金字塔的底层、中层更需要庞大的AI技术人才，如应用开发人员、数据工程师、AI和机器学习工程师、AI系统架构师、AI产品经理等岗位的人才，同样值得重视。很多专家都表示AI人才需要数学基础好、专业理论全面、具备一些工程基础，且有自主学习的能力。本文从夯实数学基础、人工智能方向课程的建设、实践能力的培养、自主学习能力的培养四个方面阐述高校关于AI人才培养的一些思考。
1奠定扎实的数学基础
在学习AI技术时，几乎所有专家学者都提出需要扎实的数学功底，数学功底的厚重程度决定了在AI技术上走多远。高等院校计算机专业都开设有“高等数学”“线性代数”“概率论”等数学课程，但是课时、难易程度不足，学生对于数学不够重视，或者觉得晦涩难懂，学习效果并不十分理想，因此加强数学基础的工作刻不容缓。可以通过必修和选修等方式开设“数据分析”“统计机器学习”“凸优化”等课程；通过微课或者MOOC等方式巩固数学基础的学习；通过优秀科普读物，如《数学之美》《编程之美》等书籍的推荐阅读激发学生兴趣；通过开展校内学术讨论、数学竞赛等方式促进学生学习数据的动力，逐步达到夯实数据功底的目的。
2人工智能方向课程的建设
很多高校计算机专业课程中只开设有《人工智能》导论，有的甚至没有。智能科学与技术专业开设有“人工智能”“计算机视觉”“机器人学导论”“计算智能”这几门课程，但是在编程、算法等方面不足。那么AI技术人才应具备哪些专业能力呢？如何从专业角度培养AI技术人才呢？2018年1月CSDN了“AI技术人才成长路线图”[7]，通过专业路径和实战路径两方面介绍了AI技术人才需要具备的知识。需要具备Python、C++、Linux、CUDA编程知识，需要学习机器学习课程、掌握TensorFlow框架。该路线图中列出了机器学习算法工程师、数据科学家等10个岗位AI人才应具备专业知识和能力。微软公司也推出AI人才培养的10门免费课程，如“AI导论”“数据科学会用到的Python语言-导论”“AI领域运用的数学概要”“数据和分析所需要的道德与法律”“数据科学概要”“机器学习法则”“深度学习”“强化学习”“微软专案项目之人工智能”。同时在“文字和自然语言识别”“语音识别”“计算机视觉和图像识别”中选择其一。Google在人工智能学习网站开设有《MachineLearningCrashCourse（简称MLCC）》的免费课程[8]，由机器学习概念、机器学习工程、机器学习现实世界应用示例三个部分组成。Intel近期也了三门免费的AI课程，分别是“机器学习基础”“深度学习基础”和“TensorFlow基础”[9]。AndrewNg在Coursera上也推出了机器学习的课程，且用比较通俗的语言讲解机器学习中各个算法。最近在Deeplearn-ing.ai和Coursera平台又开设了5门深度学习课程[10]。综上所述，不同的研究机构都着眼于AI编程基础、AI算法、AI框架、AI实践这几个方面。那么高校也可以借鉴这些经验，通过三个阶段分层次的开展相应的课程。
3实践能力的培养
AI技术不能纸上谈兵，必须动手实践才能真正掌握，可以从以下几个方面着手培养学生的实践动手能力。（1）设计教学环节时多从工程应用的角度来介绍，激发学生的兴趣，培养学生解决问题的能力。要求学生新手编程编程实现模型，充分理解算法的含义和原理到实现的过程。（2）在掌握一定的机器学习知识后，鼓励学生尽早走进实验室，接触科研工作。可以从一些AI应用方向作为入手，使学生了解自己的兴趣点、培养科学研究能力。（3）鼓励学生参加算法比赛。目前有很多AI方向的竞赛，如Kaggle上的挑战赛，国内阿里天池大数据竞赛等。通过参加竞赛刺激学生学习AI的动力和热情，使得解决问题的能力和实践动手能力都会大幅度提高。（4）鼓励学生到工业界实习。很多专家都指出AI人才应该具备一定工程基础。确实，学术界往往追求算法的性能，而工业界更重视经济效益和解决问题的有效性。到企业学习可以快速了解行业发展的框架，掌握算法转化到产品的过程。
4自主学习能力的培养
AI技术发展速度很快，要求不断地学习才能跟上节奏。可以从以下几个方面来培养学生的自主学习能力。（1）平时教学中，可以给出一些小型的项目，让学生自己寻求解决的方案，并把它作为考试成绩的依据之一。（2）提供给学生免费的AI慕课资源，让学生更好的学习和巩固相关知识。（3）课外可以开展学术讨论或者通过社团等方式开展AI方向的研讨，交流，给学生一个学习的平台，让学生尝试选择自己感兴趣的方向。也可以介绍一些近期的AI会议内容，开阔学生的眼界，使其了解AI发展的动态。（4）鼓励高年级学生订阅Arxiv，关注机器学习的顶级会议，如ICML/NIPS等。通过研读论文，动手完成论文中的实验发现新问题；或者扩展感兴趣的论文的实验部分；或者尝试寻求论文中有价值的地方，找到自己的研究方向。
>> 引入深度学习的人工智能类课程 中西合璧的人工智能课程双语教学模式 可调戏的人工智能 生活中的人工智能 不断超越的人工智能 逐渐靠近的人工智能 正在落地的人工智能 2035年的人工智能 航天类专业“人工智能”课程的教学探索 林业院校人工智能课程教学的思考 人工智能导论课程的兴趣教学法 人工智能概论课程的教学思考 “人工智能”课程教学的实践与探索 游戏开发应用中的“人工智能”课程教学方法探讨 人工智能的应用研究 人工智能的日常应用 人工智能的应用和发展 浅析电气自动化控制中的人工智能应用 分析继电保护中的人工智能技术及其应用 电气自动化控制中的人工智能应用分析 常见问题解答 当前所在位置：l)。在情境创设时,教师根据学生特点提出了多种应用需求,例如化妆品销售咨询等。学生利用该工具,兴趣盎然地开发了自己的小型专家系统,不仅理解了专家系统的特点、作用、运行方式等,还具有强烈的成就感。
2.2面向研究的情境创设
苏霍姆林斯基认为,研究型教学法应该充分体现学生的主体地位,激励、引导和帮助学生去主动发现问题、分析问题和解决问题,激发学生学习的内在兴趣和成就动机[4]。人工智能课程中包含了大量的前沿问题,研究型课题比比皆是,如何平衡这些研究课题与兴趣、实用的关系,是教学设计中重点考虑的内容。
下面以“规划”中的路径规划内容为例,详细分析以研究为导向的情境创设过程。表2给出了整个教学设计。
综合几次研究课题完成情况,班级中有1/3的学生通过广泛查阅资料和多次与教师讨论,提交了质量尚可的标准格式论文,并因此获得了学院的科研学分。除此之外,教师还组织这部分具备一定科研潜力的学生参加科研项目,进一步磨练科研技能,极大提高了学生的学习兴趣和能力。
3DBR驱动的教学过程
人工智能课程各单元内容相对独立,难以形成统一的联系,怎样验证各单元的学习效果?从提出问题到任务解决,每个单元的学习通常要跨越几节课甚至几周,怎样在此期间保持学生的兴趣和关注?
DBR是情境设计、实施、评价、再设计、理论形成等环节多次迭代循环的过程,柯林斯称之为“不断进步的修正”(Progressive Refinement),以检测设计的价值。因此,评价是教学过程中非常重要的一环。本课程教学主要做好两个环节,以驱动整个教学过程的推进。
1) 实践环节。
通常的实践环节是课程结束后固定时间的实际任务,而本课程的实践却贯穿整个教学过程,是单元教学、教师、学生之间的粘合剂。实践包括应用型实践和研究型实践,一般在每个单元教学开始,提出问题后,实践任务就被布置下去,例如前面所述的“黑白棋”、“路径规划算法研究”等。学生接受任务后,带着问题搜索解决途径,在此期间需要教师提供方法指导及答疑(既可固定时间,也可通过E-mail等形式)。及时地交流,特别是针对实际问题的交流,不仅有效率,而且便于教师及时调整教学设计。
2) 教学评价。
除了课程考核以外,每个教学单元结束时都有反馈和评价环节。评价方式包括单元测试、编写软件测试、研讨会等。具体采用何种形式,要根据前一阶段的反馈信息决定。这些来自学生反馈信息包括前一阶段学习的接受情况、兴趣点、其他课业繁忙情况等。在学期的不同时间点采用合适的评价方式,有助于加强学习刺激,总结和发现教学设计中的问题,及时调整。
通过上述两个环节的推动,精心设计的教学内容得以顺利实施并被学生欣然接受。2/3的学生在整个学期教学中都保持了积极的态度和充分的关注度,确实感受到人工智能的魅力,并能够从技术角度看待人工智能,消除了未学或初学时的神秘感。
4教学实施效果分析
1) 正效果分析。
中原工学院计算机学院作为普通工科院校,以培养实用型人才为主,人工智能并非主干课程,学生重视程度不足。两年来,经过教师与学生的共同努力,教学改革成果逐步体现。人工智能类学生人数从过去的5%上升到15%,科研论文数量从1%上升到20%。有20%的学生接触过或正在从事人工智能类项目的研究与开发,考研选择人工智能科目的学生比例从0上升到15%,考研成功人数占毕业生总人数的20%。
人工智能教学中采用的应用型与研究型情境创设,不仅促进了学生理解接受知识,而且锻炼提高了学生独立分析、解决问题及开发能力。学习也不再局限于课堂,而是拓展到图书馆、互联网等更广阔的空间。学生在学习期间保持了高度的关注,充分发挥了主动性和主体意识,为持续发展奠定了良好的基础。
2) 不足分析。
DBR的方法论能够促使教师在教学过程中不断完善教学设计,融合先进的教学理论及工具,逐步加深学习的理解和设计的提升,切实提高教学效果。然而,仍然存在一些DBR无法解决或完善的问题。具体表现在:
(1) 缺乏合适的教材。目前大多数教材的示例以解答式或推证式为主,设计型或实际项目案例较少。
(2) 投入时间限制。尽管上述教学设计和教学过程都经过精心准备与实施,但是要取得好的成效,还需要教师和学生都投入大量时间交流、研究或开发。而学生课业繁忙造成了实施的瓶颈。
这些不足制约了上述教学方法的实际实施效果,需要今后不断改进。
5小结
本文针对普通工科院校学生特点,将DBR研究成果应用于人工智能课程。教学效果表明,精心设计的应用型与研究型情境有助于维持学生长时间的关注度、主动性和兴趣;强调基于评价的修正使教学过程可调节,学生的学习效果更可靠。希望本文研究能够对人工智能教学及学生培养起到一定的参考作用,下一阶段的主要工作是进行适合的教材建设。
参考文献:
[1] 杨南昌. 基于设计的研究:正在兴起的学习研究新范式[J]. 中国电化教育,2007(5):6-10.
[2] 曾安,余永权,曾碧. 人工智能课程教学模式的探讨[J]. 江西教育学院学报:综合版,2006,27(6):40-43.
[3] 李鸣华. 案例教学法在高中人工智能课程中的运用研究[J]. 中国电化教育,2008(2):99-102.
[4] 杨种学. 研究型教学法在数据结构课程中的应用研究[J]. 计算机教育,2007(1):55-56.
DBR Utilized Teaching Method for Artificial Intelligence
WANG Lu, LU Xiao-xia
(School of Computer, Zhongyuan University of Technology, Zhengzhou 450007, China)
Abstract： In view of the characteristics of artificial intelligence curriculum， including abstract content and complex algorithm， and the actual needs of undergraduate teaching， combined with teaching practice， this paper discusses and sums up the teaching reform and innovation of undergraduate artificial intelligence curriculum from the teaching system， teaching content， teaching methods and assessment methods.
P键词： 人工智能；创新；本科
Key words： artificial intelligence；innovation；undergraduate
中图分类号：G642 文献标识码：A 文章编号：1006-4311（2017）22-0230-02
0 引言
人工智能是计算机科学的一个分支，是当前科学技术中正在迅速发展、新思想、新观点、新理论、新技术不断涌现的一个学科，其属于一门边缘学科，同时也是多个学科交叉而成的一门学科，包括语言学、哲学、心理学、神经生理学、系统论、信息论、控制论、计算机科学、数学等[1]。当前人工智能已经是很多高校计算机相关专业的必修课程，它是计算机科学与技术学科类各专业重要的基础课程，其教学内容主要包括自然语言理解、计算智能技术、问题求解和搜索算法、知识表示和推理机制、专家系统和机器学习等，国内外很多大学都意识到了其重要性，纷纷对其展开了教学和研究。人工智能课程包含多个学科，具有内容抽象、理论性强、知识点多等特点，且算法复杂，但是多数高校采用的教学方式仍是传统的课堂教学方式，即“教师讲、学生听”的教学模式，这种信息单向传输教学模式以教师为主体，学生只是在被动的接收知识；存在过分重视理论教学，忽视实践活动教学的问题，导致教育内容无法和社会接轨；人工智能教材理论性过强，学生在学习过程中常常感到枯燥乏味，进而对学习该课程失去热情[2]，久而久之，不仅人工智能课程的教学质量和效果无法达到预期，甚至学生还会产生厌学心理。针对人工智能课程中现有的各项问题，本文作者结合自身丰富人工智能教学实践经验，参考人工智能课程特点和教学目标，从多个方面探讨和总结了人工智能，包括教学内容、教材选择、教学方法和考核形式等。
1 教学内容优化与更新
人工智能是一门崭新的学科。开设本课程首先是确定教学内容。通常来讲，人工智能学科的内容包括两个部分，具体：一是知识表示和推理；二是人工智能的应用。前者是人工智能的重要基础，后者主要介绍了几种人工智能应用系统，包括自动规划和机器视觉、机器学习、专家系统等。另外，课程内容中还包括了一些人工智能应用的实例，将实践和理论紧密结合起来[3]。
随着时代的发展和科技的进步，人工智能学科也取得了较大发展。基于此，人工智能学科也应该与时俱进，更新人工智能教学大纲，进一步完善其教学内容。修订后的人工智能教学大纲将人工智能分成两个部分，即基础部分和扩展应用部分。前者包括计算智能、搜索原理、知识表示等，后者包括智能机器人、智能控制、多智能体、自然语言理解、自动规划、机器学习、知识工程等。
教学内容的选择和确定应综合考虑多项因素，不仅要重视基础知识，也应注意推陈出新，随着科技的进步做到与时俱进，同时教学内容应符合现实的需求，能够与社会接轨，将理论和实践紧密结合起来，只有这样人工智能课程的教学质量和效果才能事半功倍。
2 教学策略及教学方法的改革创新
由于人工智能课程具有算法复杂、内容抽象、理论性强、 知识点多的特点，传统的教学模式已经无法满足人工智能课程的需求，教师应探索更加有效的教学模式和方法，确保人工智能课程能够取得良好的教学质量和教学效果。具体的改革和创新人工智能课程的手段和方法主要包括以下几个方面：
2.1 激发学生的学习兴趣 无论是经验还是常识都在告诉我们每个人最好的老师就是兴趣，学生只有对某门学科存在兴趣，才会更加主动积极的学习该门课程，从而获得良好的教学效果。比如，作者在课程的一开始先播放了一段著名导演斯蒂文・斯皮尔伯格的《Artificial Intelligence》的相关片段，由这个电影学生知道了世上存在人工智能的机器人，学生们随着电影情节的发展而深深感动，与此同时教师让学生思考和谈论人工智能是什么？研究人工智能的意义在哪里？实践发现，在课堂中加入电影因素，能够大大提升学生们的注意力，让学生更加专注在教学任务中，有效提高了学生探索人工智能的积极性和主动性。此外，在教学中还可以用动画、视频、图片等手段将反映人工智能最新研究和应用的成果展示出来，让学生更直观的感受人工智能的奥妙，从而投入更多热情学习人工智能课程。
2.2 面向问题的案例教学法 案例教学法是一种以案例为基础、以能力培养为核心的一种教学方法[11]。针对学校学生特点，我们采取了以下几种教学形式实施案例教学。①讲解式案例教学：这种案例通过教师的讲解，帮助学生理解抽象的理论知识点。案例的呈现有两种基本形式：一是“案例―理论”，即先给出教学案例，然后再讲解理论知识；二是“理论―案例”，即教师先讲解理论知识，再给出教学案例；通过情境体验与案例剖析激发学生认知的兴趣，引导学生对将要学习的内容产生注意，有利于教师导入新课。②讨论式案例教学：在课程初期将学生分成若干学习小组，每小组3～4人；教师将提前设计好的一题多解的教学案例以及收集的相关资料分配给每个小组，要求学生在课余时间通过自学和组内讨论的方式给出问题的不同解决方案。③辩论式案例教学：在课程后期，采取专题辩论的方式对综合应用案例进行讨论，能有效地启发学生全方位地思考和探索问题的解决方法，加深学生对人工智能的理解。
2.3 个性化学习与因材施教 在开展课程教育过程中应注意对学生进行个性化教学，结合学生特点因材施教。比如，在日常教学中多观察学生情况，鼓励那些应对教学任务后仍存在余力的W生深入探索较深层次的课程及相关知识，同时友善面对学习较差的学生，分析其学习过程中面对的困难，有的放矢地采取应对措施，帮助其不断进步；在教学过程中让学生以读书报告的形式多多思考，鼓励学生发散性思考问题，鼓励优秀学生进行深一步的探讨，并且教师应帮助具有新颖思想或论点的学生将其智慧以科技论文和发表文章的形式转化为成果。
2.4 注重综合能力培养 在研究型教学中任务驱动是一种常用的教学方法，其中心导向是任务，学生在完成任务的同时也在吸收和掌握知识。通常来讲，该教学方法的步骤是：教师提出任务师生共同分析以得出完成任务的方法和步骤适当讲解或自学、协作学习完成任务交流和总结。”[3]该教学模式不仅有利于培养学生的创新能力和创新意识，还能够培养学生解决实际问题的能力，提高其综合实力。不仅如此，由于该教学模式通常是以小组协作的方式进行，教师给出研究范围，学生自愿结组并选择具体的题目，经过分析和讨论后以程序设计或者论文的形式协作完成研究。由此可知，学生是在以团队的力量解决问题，这十分考验学生的团队协作能力，对于学生团队合作精神的培养至关重要，且在完成任务的过程中学生需要查阅大量的资料，久而久之学生收集资料和创新能力势必会得到提升。
2.5 采用启发式教学 人工智能的很多问题都较为抽象，对学生理解力的要求较高，因此，在实际的教学过程中教师应有意识的就课程内容提出相关问题，让学生自己独立思考，鼓励学生提出自己的想法和解决方案。然后回归到课程上，对比分析教材上的解决方案和学生自己的解决方案，如此不仅培养了学生独立思考的能力，也增加了学生参与教学活动的意识，提高了学生的学习热情。比如，在讲到较为抽象的“遗传算法”时，先提出一个问题，即“遗传算法如何用于优化计算？”，然后从“达尔文的生物进化论”入手，讨论“遗传”、“变异”和“选择”作用，之后举例分析，启发学生思考“遗传”、“变异”和“选择”的实现，最后师生一起导出遗传算法用于优化计算的基本步骤。如此既完成了教授遗传算法的目的，也锻炼了学生逻辑思维的能力，教学效果良好[4]。
3 作业和考核方式的改革创新
过去的课程作业都是单一书面习题作业，发展至今，课程作业形式已经发生了变化，更加丰富多样，包括必须交给教师评阅的书面家庭作业和不必交给教师的课外思考题目、口头布置的思考题或阅读材料以及大型作业等。其中通过网络就可以完成上交作业，并且教师批阅作业后也可以通过网络返回给学生，实现了网络化。课程的考核方式较之以前也发生了较大变化，加强了平时思维能力的考核，更加注重学生实验能力和动手能力的培养，不再是绝对的一次考试定成绩，而是在总评成绩中加入30%的平时成绩，如此不仅减轻了学生的期末负担，也迫使学生更加重视平时的学习思考，有利于课程教学质量的提升。
4 结束语
本文是以提高教学质量为目标，结合教学实践，从教学体系、教学内容、教学方法、考核方式等方面对本科人工智能课程的教学改革进行了探讨，总结了该课程在教学和实践方面的一些教改举措。这些举措符合二十一世纪高校教学的要求，可以支持教师提高教学手段现代化的水平，同时更贴合学生的学习需求。作为该课程的授课教师应始终保持对教学内容的不断更新、教学方法的多样化，才能激发学生的学习兴趣，培养他们的思维创新和技术创新的能力，最终提高本课程的教学质量。从学生的反馈来看，作者所总结的教学实践具有明显的教学效果。但仍有许多方面做得不够，今后将继续在教学过程中不断总结成功的经验，吸取失败的教训。
参考文献：
[1]蔡自兴.人工智能及其应用[M].三版.北京：清华大学出版社，2007.
[2]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.
[3]蔡自兴，肖晓明，蒙祖强.树立精品意识搞好人工智能课程建设[J].中国大学教学，2004（1）：28-29.
关键词：智能科学与技术；课程体系；培养管理
1背景
智能科学与技术是当前科学研究和工程实践的理论与技术发展的前沿领域，智能科学与技术专业是一个多学科交叉的跨应用领域专业Ⅲ。智能科学技术的发展将把整个信息科学技术推向“智能化”的高度，这正是当代科学技术发展的大趋势，对于这方面人才的需求也越来越迫切。智能科学与技术培养掌握坚实智能科学与技术基本理论和系统专门知识，具备作为工程师或领导者及公民的良好人文修养，具有从事科学研究、工程设计、教学工作或独立担负本专业技术工作能力，深入了解国内外智能科学与技术领域新技术和发展动向，能结合与本学科有关的实际问题进行创新研究或工程设计的高级专门人才。
高校应稳妥发展与完善智能科学与技术专业的本科生教育，夯实本科教育基础并积极创造条件，大力开展创新教学，努力培养学生的创新意识、创新精神和工程实践能力，使之成为具有系统技术基础理论、专业知识和基本技能，良好科研素质和较强创造能力的智能科学与技术工程师。
2教学计划与教学管理分析
智能科学与技术属于计算机类专业，其必修课程设计原则是使学生具备计算机科学与工程的基础理论知识，尤其是大类专业招生教学的院校，通识课程主要是数学、物理文化基础，强调扎实的自然科学基础。专业教学的特色体现在专业必修和专业选修课程，专业必修课一般分为数学基础和专业课程。计算机类专业数学基础课程一般包括线性代数、微积分、离散数学、微分方程、概率与统计、数值计算等；专业课程一般包括程序设计基础、高等程序设计、数据结构、操作系统、计算机组成与结构、数字电路与逻辑设计等。
2.1学分
本科培养计划的学分中，国内外大学学分总数趋势是逐步减少，追求少而精。国内院校一般在130～190学分之间，如北京大学为150学分，清华大学为1 70学分，东南大学与浙江大学均为160学分，还有16学时为1学分的，也有18学时为1学分的。
中国台湾的大学一般在130学分左右。台湾交通大学最低毕业学分为128学分，其中必修课程须达76学分（共同必修58学分+资工组核心须达分+（资工组副核心课程学分+另2组核心课程学分）），专业选修本系课程须达12学分，其他选修课程须达12学分，通识课程须达28学分（含外语课程必修8学分）。台湾“中央大学”为136学分，台湾“清华大学”为136学分，其中必修和必选学分126，其他与导师商量决定。
美国的大学各校差异较大。美国的学分计算有4学期制、两长一短制及两学期制，其中加州大学伯克利分校为120学分，麻省理工大学为90学分，加州大学洛杉矶分校为186学分，斯坦福大学为180学分。
2.2教学管理
在教学管理上，斯坦福大学给学生提供了非常宽松的自由发展空间。新生入校后不分专业、不分学院。除了医学院和法学院学生需要经过一定的选拔程序外，本科生可以在入学后的前一个学期适当时候随意选择专业，并且选择专业后允许更改，只要毕业时满足专业培养方案即可。
国内的浙江大学是较早实行按大类招生的学校之一，分为大类培养、专业培养和特殊培养3类，前两年不分专业，按学科分类集中培养。
台湾的大学专业也是按大类完成前期的基础课程，再分小专业完成各学程，包括基础课、核心课和进阶课。
教学分组是现在的主流课程架构，也是体现专业方向的主要形式，分组课程是体现专业特色的课程组。国内清华大学采用的是分组教学；台湾的大学基本上采用的是以教学方向分组的方式，台湾的大学教学分为课程与修业、学分学程。
2.3实验与实践教学
计算机类专业各大院校都强调课程实验与实验教学，而目前课程该如何进行教学？这不仅是实验问题，如何以工程教育专业论证为目标，怎样使教学目标达到毕业要求是关键。做中学是主流实验教学方式，尤其是美国的大学，大作业体现的是实验与理论教学的结合，是考查学生是否理解理论知识的重要途径。学生不仅能够学习扎实的数学和计算机专业知识，还进行大量的实践创新训练。麻省理工大学、加州大学伯克利分校、加州大学洛杉矶分校、斯坦福大学都属于实践创新性教学模式。例如，斯坦福大学程序设计范式课程重点比较C、C++、Java的特点和难点，每1～2周有一次大作业，针对不同的任务，要求学生用不同的语言实现，使学生加深理解各类编程语言的应用场合；麻省理工大学的课程计划是必须先修12学分的实验课程，再修3门或4门核心课程，最后选择3门方向学科和1门关于该方向的实验课、2门专业拓展课。
3智能科学与技术课程体系分析
智能科学与技术课程体系在智能基础理论研究的基础上，需要安排基础性、通用性、关键性的智能技术研究，主要包括感知技术和信息融合技术；自然语言处理与理解技术；知识处理（认识）技术，包括知识提炼、知识分类、知识表示技术等；机器学习技术，特别是统计与规则相结合的学习技术；决策技术，即知识演绎技术特别是不确定推理技术等；策略执行技术，即控制与调节技术；智能机器人技术，特别是面向专门领域的智能机器人技术；智能机器人之间的合作技术；基于自然语言理解的智能人机交互与合作技术；智能信息网络技术。
国内最早创办智能科学与技术专业的学校包括北京大学，西安电子科技大学是第2批开始培养智能专业学生的院校。北京大学的本科教学计划中，专业必修课程（2分）包括：①专业数学/理论基础（15学分）：算法分析与设计、集合论与图论、概率统计A、代数结构与组合数学、数理逻辑；②硬件与系统基础（分）：数字逻辑设计、微机原理和信号与系统；③智能基础（5学分）：脑与认知科学与人工智能基础。专业限选课程（15学分）包括信息论基础、计算方法B、数字逻辑设计实验、微机实验、数据结构与算法实习、机器感知和智能处理实验、智能多媒体信息系统实验。选修组合课程（29～32学分）：学生按照自己的兴趣，参考智能的2个专业方向推荐专业课组合，自行选择，至少选修20学分的智能专业课程。公共核心+专业方向+新技术及其他：①公共核心课程（分）：智能科学技术导论、模式识别基础、生物信息处理、智能信息处理；②专业方向课程（11～15学分）：机器感知与智能机器人方向、智能信息处理与机器学习方向、新技术及其他。
西安电子科技大学智能专业主要课程包括电路分析理论、信号与系统、数字信号处理、数字电路及逻辑设计、模拟电子技术基础、微机原理与系统设计、数据结构、软件工程、人工智能概论、算法设计与分析、最优化理论与方法、机器学习、计算智能导论、模式识别、图像理解与计算机视觉、智能传感技术、移动通信与智能技术、智能控制导论、智能数据挖掘、网络信息检索、智能系统平台专业实验等课程及30多门选修课程。
建议各学校可以根据学院教学特色与实际需求，设计专业核心课程。北京大学偏重“信息处理”，湖南大学偏重“智能系统”，但需要强调的一个前提就是智能科学与技术专业属于大计算机类，更需要大EECS专业的基础。编程、电路、数学、数据结构、计算机系统这五大核心基础就是大EECS；其次是专业，计算机以系统结构、操作系统、网络、编译、数据库五大经典专业核心课为主，湖南大学的智能科学与技术专业强调系统，因此信号与系统、操作系统、嵌入式系统、人工智能是最基本的专业核心课，然后再分不同的分支。湖南大学智能科学与技术专业核心课程包括人工智能概论、机器学习、计算智能导论、模式识别、智能控制导论、智能数据挖掘、机器人学等；研究学位课程包括模式识别、人工智能等，主要体现为智能科学与技术基础（人工智能概论、机器学习、计算智能导论、模式识别）、核心（智能控制导论、智能数据挖掘）和应用（机器人学）。
4结语
（1）在课程计划实施过程中，教师需要遵循课程的时序图，即描述课程的进阶关系，从本科直到研究生，同时还可以实行一定的修课限制，如台湾交通大学计算机概论与程式设计和面向对象程式设计两科皆不及格者不得修数据结构与算法概论，若数据结构不及格不能修算法设计课程等。
（2）程序设计类课程用上机程序能力考试来设置合格条件，如台湾交通大学基础程式设计及格条件为通过“程式能力鉴定”，湖南大学则以CCF―CSP软件能力测试作为程序设计课程通过的考核标准。
（3）鼓励学生参与项目、竞赛等课外科技活动，如台湾“清华大学”的综合论文训练是由具有同等水平的项目训练成果或SRT（student research training）计划项目以及其他课外科技活动成果经认定后代替的。
（4）精炼的课程教学。核心课程应该精且必须加强课程实验，只有对方法和理论有正确的认识才能掌握这门课程，而动手完成实验才能真正融会贯通。麻省理工大学、加州大学伯克利分校、加州大学洛杉矶分校的学生具备扎实的数学和计算机专业知识后，都需要进行大量的实践创新训练。
关键词：人工智能；深度学习；教学建议
0 引言
传统的人工智能课程主要包括人工智能导论、模式分析、机器学习、数据挖掘等。这些课程由各个院校根据专业情况不同而选择，课程的内容也有较大差别，但是，基本上都涉及人工神经网络的内容。然而在人工神经网络的教学内容上，一般只讲解经典的多层感知器和反向传播算法，或再加入一些反馈网络的内容，这种教学内容设计的一个不足是忽视了人工智能领域的最新发展——深度学习，它是近几年人工智能领域最具影响力的研究主题，并在大规模语音识别、大规模图像检索等领域取得突破。
北京邮电大学计算机学院开设人工智能科学与技术的本科专业，笔者从事深度学习的研究工作，同时承担了本科生和研究生人工智能类课程的教学工作，因此产生了将深度学习内容引人人工智能类课程的想法。本文先介绍深度学习的背景，说明深度学习在人工智能发展中的地位，之后分析了将深度学习基本内容引入人工智能类课程的必要性和可行性，最后给出了一些实施建议供探讨。
1 深度学习背景
2006年，加拿大多伦多大学的GeoffreyHinton教授与Salakhutdinov博士在美国《科学》杂志发表了题为“Reducing the Dimensionality ofDatawith Neural Networks”的论文，该文提出一种学习多层神经网络的方法，并将这种具有多层结构的学习方法命名为深度学习（Deep Learning），而这成为深度学习研究的一个导火索，从此深度学习的研究与应用蓬勃发展起来。
深度学习在语音识别与生成、计算机视觉等应用领域取得了突出进展。近几年的国际机器学会（International Conference on MachineLearning，ICML）、神经信息处理大会（AnnualConference On Neural Information Processing Systems，NIPS）、计算机视觉大会（InternationalConference on Computer Vision，ICCV）、
声学语音与信号处理大会（International ConferenceOn Acoustics，Speech，and Signal Processing，ICASSP）、计算语言学大会（Annual Meeting of the Association for Computational Linguistics.ACL）、计算机视觉与模式识别（InternationalConference on Computer Vision and P atternRecognition，CVPR）等都有不少相关的研究论文、会议教程和小组研讨会（Workshop）。美国国防高级研究计划（DARPA）也提出了关于深层学习的研究项目。此外，2013年6月《程序员杂志》的封面故事，采访了周志华、李航、朱军3位国内的机器学习专家对于深度学习的看法，他们一致肯定了深度学习在机器学习领域的贡献。
工业界对深度学习也寄予了很高期望。2012年6月，《纽约时报》报道了斯坦福大学计算机科学家AndrewNg和谷歌公司的系统专家JeffDean共同研究深度神经网络的机器学习模型在语音识别和图像识别等领域获得的巨大成功。2012年11月，微软公司在天津公开演示了一个全自动的同声传译系统，其关键技术也是深度学习。2013年1月，百度公司首席执行官李彦宏先生宣布建立深度学习研究院（Institute of Deep Learning）。2013年3月，谷歌公司收购了由深度学习创始人Geoffrey Hinton创立的公司。
从学术界与工业界的研究态势看，深度学习已经成为机器学习与模式识别，乃至人工智能领域的研究热点。正是在这样一个背景下，人工神经网络重新回到人们的视野。此前人工神经网络的发展大致可以分为两个时期，1943年，McCulloch和Pitts提出了最早的人工神经元，这种神经元具有学习能力，这是人工神经网络的发端，也可以被认为是人工智能的发端（当时还没有人工智能这个术语）。1949年，Hebb提出了Hebbian学习算法。1957年，Rosenblatt提出了感知器的神经网络模型。1969年，Minsky和Papert分析了这种感知器神经网络模型的局限性。然而，很多研究者认为，感知器的这种局限性对于所有的神经网络模型都适用，这使人工神经网络的研究很快暗淡下来。1980年代中期，诺贝尔奖得主John Hopfield提出了Hopfield神经网络模型，这种Recurrent神经网络具有的动态性有可能用于解决复杂的问题。同时，多层前向神经网络的后传算法也被重新发现，这两个工作使人工神经网络得到重生。这时，人工神经网络已经成为人工智能的一个重要组成部分。但是，在随后的研究中，人们发现，当学习多层神经网络包含更多的隐藏层时，后传算法并不能学到有效的网络权值，这使得神经网络的研究再次陷入低潮。此次以深层神经网络为代表的深度学习重新回到研究的舞台，其中一个重要因素是Hinton提出的逐层预训练神经网络方法治愈了多层神经网络的一个致命伤。
2 必要性与可行性
深度学习的发展使得从事教学一线的教师也无法忽视这个颇具影响力的研究主题。为此，我们提出将深度学习这个主题引入到人工智能类课程中，将它作为课题教学的一部分。
2.1 必要性
将深度学习这个主题引入到人工智能类课程中的必要性主要包括如下4点。
1）深度学习是人工智能的前沿。
2006年以来，深度学习的研究席卷了整个人工智能，从机器学习、机器视觉、语音识别到语言处理，都不断涌现出新的研究工作和突破性进展。深度学习不仅在机器学习领域成为研究热点，同时在多个应用领域也成为有力工具，而且，在工业界的系统应用中，深度学习成为其中的关键解决技术。
2）深度学习是人工智能的突破。
深度学习的发端是神经网络。关于神经网络的论述，在人工智能类常见教科书中还停留在多层神经网络，即神经网络的第二阶段，它们大部分描述多层结构无法训练的现象。但是，从深度学习的角度看，深层神经网络不仅可学习，而且有必要，这与第二代神经网络的观点是完全不同的。深度学习突破了原有人工神经网络的认识，超越了人工智能神经网络教科书中的原有内容，因此，有必要将多层神经网络结构的可学习性告知学生，从新的视角纠正原有的观点。
3）深度学习是人工智能的延伸。
深度学习不仅提供了一种可以在深层神经结构下训练网络的方法，也包含了不少新的内容，是人工智能的新发展，为人工智能补充了新的内容。到目前为止，深度学习至少包括：从生物神经网络与人类认知的角度认识深层神经网络的必要性；如何构建和学习深层学习网络；如何将深层结构用于解决视觉、语音、语言的应用问题；如何看待深度学习与原有的机器学习方法，如流形学习、概率图模型、能量模型的直接关系；深度学习与其他学科的关系等。
4）深度学习是学生的潜在兴趣点。
大学生对知识有着强烈的好奇心，加之当前信息技术的发达，部分对智能感兴趣的学生可以从其他途径了解到这个学科发展的前沿。因此，顺势而为，将深度学习这个主题做具体讲解，满足学生的好奇心，培养他们对学科前沿与发展的认识，是十分必要的。对高年级的学生而言，了解深度学习的基本知识，是他们全面认识人工智能与发展前沿的一个途径，而对于研究生，较多地了解和掌握深度学习的基本知识有助于他们研究工作的开展。
基于以上几点，笔者认为，将深度学习这个主题引入到人工智能类课程中非常有必要。深度学习作为人工智能的前沿，既是对人工智能原有理论和技术的一个突破和补充。
2.2 可行性
将深度学习引入到人工智能类课程中的可行性主要包括如下3点。
1）深度学习与现有人工智能联系密切。
深度学习并不像突兀的山峰拔地而起。而是深深植根于原有的人工智能理论与技术。深度学习是以神经网络为出发点，这正是深度学习教与学的切入点。比如，可以通过对多层感知器隐藏层的增加和后传算法的失效来讲解深度学习是如何解决这个问题的。再者，深度学习的一个核心构建“受限波尔兹曼机（Restricted Boltzmann Machine）”，可以被认为是一种能量模型，而这种模型与Hopfield网络都可以从物理学的能量模型角度分析，RBM可以认为是Hopfield网络的随机扩展。总之，深度学习与现有人工智能的联系，使学习深度学习变得容易。
2）深度学习的基本内容并不深。
深度学习有个很好的名字，这个名字恰当地描述了特定的学习结构。比如，深度学习的核心部件受限于波尔兹曼机RBM，其结构非常简单。从神经网络的角度，受限波尔兹曼机是一种随机的双向连接神经网络，信号可以从可见层传递到隐藏层，也可以从隐藏层传递到可见层。网络中每个节点是具有特定结构的神经元，其中的神经元具有典型的包含自身偏置的Logistic函数的随机单元，能够依Logistic函数计算得到的概率输出0状态或1状态。概括地说，深度学习的基本内容在高年级阶段较易掌握。
3）深度学习的资料容易获得。
当前的信息资讯非常发达，有相当多的资料可以通过互联网等多种途径获得，这使学习深度学习成为可能。近期，中国计算机学会主办了多个技术讲座均涉及深度学习的部分；深度学习的创始人Hinton教授的主页也有很多资料；Coursera网站有免费的Hinton教授的神经网络课程；斯坦福大学的Ng教授提供了很多的在线教程；蒙特利尔大学Bengio教授发表的题为“Learning Deep Architectures for AI”的论文也是这领域的优质资料。
3 实施建议
在具体的教学过程中，笔者建议适当安排深度学习的最基本内容，内容不宜过多，也不宜占用过多的学时，可以根据教学对象的不同进行调整。比如，本科生的高年级专业课可以安排1学时的教学量，介绍层次训练的基本算法；也可以在高年级前沿讲座中安排2学时，内容覆盖面尽可能广泛。在研究生的教学中，可以根据教学的课程主题安排内容与学时。比如，神经网络主题的课程可以安排4-6学时的教学内容，包括波尔兹曼机及学习算法、深层信念网络与学习算法、深层波尔兹曼机与学习算法卷、积神经网络、自动编码器等。结合应用，课程还可以包含MNIST数字识别的应用、人脸识别的应用、图像检索的应用、语音识别中的应用等。另外，深度学习是一个实践性很强的研究，随机性：大规模（意味着数据不宜可视化，程序运行时间长）等多种因素混合，使深度学习在学习中不容易理解。为此，可以在条件允许的前提下，增加小规模的实验，辅助理解。最后，课件可以通过对优质资料做修改得到。
有的题目太大，例如《中国化妆品行业现状与发展研究》《中国邮政物流发展战略研究》《我国餐饮企业成本控制分析》等；有的题目没有针对性，泛泛而谈，例如《中小型零售企业物流模式的管理与策略》《中小企业会计信息失真的原因及对策分析》《上市公司会计信息披露失真的成因及其治理对策》等；有的题目是纯理论研究。
过多地借助网络影响了学生社会实践能力的培养。调查发现毕业生过多地借助互联网收集实际数据，只有半数的学生通过实习或问卷调查获得实际数据。虽然通过互联网获得论文所需数据省时省力，但是毕业生不接触社会、不深入生产实践、不与人沟通，无法实现通过毕业论文提高毕业生的实践能力、分析判断能力、沟通能力的目的。
（三）就业压力大影响了毕业论文质量。毕业论文一般安排在大学的第8学期，这个时候毕业生往往为就业参加各种考试和面试。尽管绝大多数毕业生回答撰写论文的时间充裕或比较充裕，但这些事情牵扯了毕业生的很多精力，势必对毕业论文质量产生影响。调查中3.1%的毕业生持心有余而力不足的态度，就是就业压力大造成的。
（四）毕业论文的写作与指导难度大。调查中发现，超过半数的毕业生认为毕业论文难度较大。毕业生乍一接触毕业论文，对查阅文献资料、分析整理资料、选题、写开题报告等无从下手，不知道如何写选题背景、研究现状、研究方法、摘要等，感觉把心中的想法表达出来很困难。对教师而言，在指导毕业论文的过程中要教会毕业生做这些工作，在时间紧任务重的情况下，教师普遍感觉压力很大。这种状况的根本原因是，目前硕士日常教学中没有对科研能力和撰写论文能力的培养，依然采用传统教学方法，教师讲学生听，注重知识的传授，忽视知识运用能力的培养。在传统教学中，学生缺乏收集整理资料、运用知识分析解决问题等方面的训练，学生很少有社会实践的机会，学生缺乏思辨能力、写作能力的培养等。而国外许多一流大学非常重视硕士生科研能力的培养，设立科研学分，例如美国麻省理工学院在1969年就有“硕士研究机会计划”、加州大学洛杉矶分校在20世纪80年代设立了“硕士生研究中心”、伯克利分校于1997年成立了“硕士生研究办公室”、耶鲁大学为一年级的硕士新生设立了“指导研究”项目等。对我国的硕士教育现状而言，在大学三年多的时间里没有培养学生做科研写论文的能力，在短短半年的时间里指导学生完成毕业论文，难度大、压力大是可想而知的。
（五）少數学生不重视毕业论文。调查结果显示，有0.3%的毕业生对毕业论文持不认真的态度。教师普遍反映，每年指导毕业论文的过程中，总有一两个同学写论文拖拖拉拉，不积极想办法收集实际数据资料，不下功夫写论文，不认真修改论文，论文质量不高，教师三番五次督促也没有效果。而在论文评定成绩时，指导教师往往心软，不忍心由于毕业论文的缘故影响学生的毕业和就业，只要学生提交了论文，尽管论文质量不高也往往给予通过。
