《深度学习》课程大纲一、课程信息课程名称：深度学习（DeepLearning）课程代码：CST0261选修课程性质：学时学分：32学时/2学分5开课学期：适用专业：智能科学与技术、图灵班先修课程：微积分、概率论与数理统计、线性代数后续课程：自然语言处理、图神经网络导论、强化学习、智能机器人概论二、课程简介本课程是深度学习的基础性综合课程，旨在为学生提供深度学习领域的核心知识和技术基础。课程内容涵盖从基础理论到实际应用的厂泛主题，包括神经网络的基本结构、学习算法和常见的深度学习模型。在课程中，学生将学习如何建立和训练基本的深度神经网络，包括前馈神经网络、卷积神经网络（CNN）和循环神经网络（RNN）。同时，课程也会介绍更先进的模型和技术，如自注意力机制和变换器模型（Transformers），以及它们在图像处理、语音识别和自然语言处理等领域的应用。此外，课程还将涉及深度学习的实践操作，包括数据预处理、模型训练技巧、超参数调整和模型评估。学生将通过使用流行的深度学习框架，如TensorFlow或PyTorch，来实现和优化深度学习模型。另外，课堂还将介绍深度学习的前沿应用，如生成式模、强化学习、神经渣染、物理启发的神经网络、神经符号人工智能、具身智能等。通过课堂讲解、实验操作和项目案例的综合教学方式，本课程不仅帮助学生构建扎实的理论基础，也强调实际操作能力的培养，使学生能够在未来的研究或职业生涯中有效地运用深度学习技术解决实际问题。本课程的目标是培养学生在深度学习领域的专业能力，使其能够在未来的学习或职业生涯中，有效地应用深度学习技术解决复杂的工程问题。通过对深度学习模型的深入理解和实践操作，学生将能够独立设计和优化用于各种应用场1
1 《深度学习》课程大纲 一、课程信息 课程名称： 深度学习（Deep Learning） 课程代码： CST0261 课程性质： 选修 学时学分： 32 学时/2 学分 开课学期： 5 适用专业： 智能科学与技术、图灵班 先修课程： 微积分、概率论与数理统计、线性代数 后续课程： 自然语言处理、图神经网络导论、强化学习、智能机器人概论 二、课程简介 本课程是深度学习的基础性综合课程，旨在为学生提供深度学习领域的核心 知识和技术基础。课程内容涵盖从基础理论到实际应用的广泛主题，包括神经网 络的基本结构、学习算法和常见的深度学习模型。在课程中，学生将学习如何建 立和训练基本的深度神经网络，包括前馈神经网络、卷积神经网络（CNN）和 循环神经网络（RNN）。同时，课程也会介绍更先进的模型和技术，如自注意 力机制和变换器模型（Transformers），以及它们在图像处理、语音识别和自然 语言处理等领域的应用。此外，课程还将涉及深度学习的实践操作，包括数据预 处理、模型训练技巧、超参数调整和模型评估。学生将通过使用流行的深度学习 框架，如 TensorFlow 或 PyTorch，来实现和优化深度学习模型。另外，课堂还将 介绍深度学习的前沿应用，如生成式模、强化学习、神经渲染、物理启发的神经 网络、神经符号人工智能、具身智能等。通过课堂讲解、实验操作和项目案例的 综合教学方式，本课程不仅帮助学生构建扎实的理论基础，也强调实际操作能力 的培养，使学生能够在未来的研究或职业生涯中有效地运用深度学习技术解决实 际问题。本课程的目标是培养学生在深度学习领域的专业能力，使其能够在未来 的学习或职业生涯中，有效地应用深度学习技术解决复杂的工程问题。通过对深 度学习模型的深入理解和实践操作，学生将能够独立设计和优化用于各种应用场
景的人工智能系统。三、课程标通过相关教学活动，帮助学生掌握对深度学习技术的基本原理、应用、发展和前沿进展的全局认识和理解；通过讲座促进学生建立智能时代积极探索学习的兴趣；通过总结感悟和课外阅读，提升学生自主学习能力，为进一步学习和掌握后续专业课程铺垫基础。1.具体目标目标1：通过分组报告、研讨、交流讨论、头脑风暴等活动，培养学生与专业相关的沟通与表达能力。目标2：理解并应用深度学习的基础理论，鼓励学生探索深度学习的最新发展，如神经符号人工智能、神经染以及受生物启发的神经网络，拓宽其在人工智能领域的视野和创新能力；四、课程目标对毕业要求的支撑关系课程目标支撑的毕业要求二级指标点10.1能就专业问题，以口头、文稿、图表等方式，准确表达自课程目标1已的观点，回应质疑，理解与同行和社会公众等不同对象及不同方式交流的差异性12.1能认识到信息技术快速发展的特点，认同自主学习和终身课程目标2学习的必要性五、学时分配序号主要内容学时分配1第一章深度学习导论2第二章 CNN、RNN、LSTM与24Transformer网络34第三章生成模型44第四章强化学习53第五章自然语言处理2
2 景的人工智能系统。 三、课程目标 通过相关教学活动，帮助学生掌握对深度学习技术的基本原理、应用、发展 和前沿进展的全局认识和理解；通过讲座促进学生建立智能时代积极探索学习的 兴趣；通过总结感悟和课外阅读，提升学生自主学习能力，为进一步学习和掌握 后续专业课程铺垫基础。 1. 具体目标 目标 1：通过分组报告、研讨、交流讨论、头脑风暴等活动，培养学生与专 业相关的沟通与表达能力。 目标 2：理解并应用深度学习的基础理论，鼓励学生探索深度学习的最新发 展，如神经符号人工智能、神经渲染以及受生物启发的神经网络，拓宽其在人工 智能领域的视野和创新能力； 四、课程目标对毕业要求的支撑关系 课程目标 支撑的毕业要求二级指标点 课程目标 1 10.1 能就专业问题，以口头、文稿、图表等方式，准确表达自 己的观点，回应质疑，理解与同行和社会公众等不同对象及不同方 式交流的差异性 课程目标 2 12.1 能认识到信息技术快速发展的特点，认同自主学习和终身 学习的必要性 五、学时分配 序号 主要内容 学时分配 1 第一章 深度学习导论 2 2 第二章 CNN、RNN、LSTM 与 Transformer 网络 4 3 第三章 生成模型 4 4 第四章 强化学习 4 5 第五章 自然语言处理 3
63第六章信息抽取73第七章神经符号人工智能83第八章神经染93第九章机器人操作的通用自主性103第十章深度学习最新前沿总计32六、教与学教学环节主要包括课堂授课、互动讨论、课后作业、课外阅读等环节。本课程的教学设计特色主要体现在如下方面：1.教学方法1)历史与现代技术的整合教学：通过梳理深度学习从早期发展到现代应用的历史线索，本课程帮助学生全面理解技术演进的背景和关键转折点。这种教学方式不仅涵盖了核心理论，还包括技术如何从概念验证走向实际应用的案例分析，强化了理论与实践的联系，使学生能够更好地把握技术发展的脉络和未来方向。2)前沿知识的探讨与互动讨论：课程每个单元都会介绍相关领域的最新研究和技术进展，鼓励学生参与到最前沿的科技话题中。结合互动讨论和小组协作，这种教学模式不仅更新学生的知识库，还激发了他们的创新思维和批判性分析能力，为未来的研究或职业生涯奠定坚实的基础。3）这些教学特点旨在培养学生深入的理论认识与实际操作能力，使他们能够在深度学习领域中有效应对未来的挑战。2.学习方法“深度学习”是一门集理论性、技术性及实践性于一体的核心专业基础课程。在学习过程中，首先需要重视对深度学习理论的深入钻研，引导学生积极参与课堂讨论，深刻理解算法原理和技术本质；其次，本课程的学习依托于概率论、线性代数、计算机科学基础等前导课程的知识支撑，因此需要学生站在整个学科系3
3 6 第六章 信息抽取 3 7 第七章 神经符号人工智能 3 8 第八章 神经渲染 3 9 第九章 机器人操作的通用自主性 3 10 第十章 深度学习最新前沿 3 总计 32 六、教与学 教学环节主要包括课堂授课、互动讨论、课后作业、课外阅读等环节。本课 程的教学设计特色主要体现在如下方面： 1. 教学方法 1) 历史与现代技术的整合教学：通过梳理深度学习从早期发展到现代应用的 历史线索，本课程帮助学生全面理解技术演进的背景和关键转折点。这种教学方 式不仅涵盖了核心理论，还包括技术如何从概念验证走向实际应用的案例分析， 强化了理论与实践的联系，使学生能够更好地把握技术发展的脉络和未来方向。 2) 前沿知识的探讨与互动讨论：课程每个单元都会介绍相关领域的最新研究 和技术进展，鼓励学生参与到最前沿的科技话题中。结合互动讨论和小组协作， 这种教学模式不仅更新学生的知识库，还激发了他们的创新思维和批判性分析能 力，为未来的研究或职业生涯奠定坚实的基础。 3) 这些教学特点旨在培养学生深入的理论认识与实际操作能力，使他们能 够在深度学习领域中有效应对未来的挑战。 2. 学习方法 “深度学习”是一门集理论性、技术性及实践性于一体的核心专业基础课程。 在学习过程中，首先需要重视对深度学习理论的深入钻研，引导学生积极参与课 堂讨论，深刻理解算法原理和技术本质；其次，本课程的学习依托于概率论、线 性代数、计算机科学基础等前导课程的知识支撑，因此需要学生站在整个学科系
列课程的角度来系统学习；第三，除了理论学习和讨论外，学生还需亲自参与实验操作，完成课程设计的独立实验项目，通过实际操作加深对理论的理解，并锻炼其发现问题、分析问题和解决问题的能力：第四，鼓励学生利用网络资源和共享资源平台，从多种视角理解和拓展知识，同时吸收其他学习者的经验和见解，以丰富自身的学习过程。七、课程评价1.课程成绩构成课程最终成绩由基于课堂出勤和表现的平时成绩、以及每次作业成绩综合而成，各部分成绩的比例如下：1）作业成绩：80%（共4次作业，其中每次作业成绩占20%）。作业将引导学生复习和巩固讲授的内容，主要考察作业完成率和完成质量：2）基于课堂出勤和表现的平时成绩：20%。主要考察学生的学习态度、出勤率、参与课堂发言和互动讨论的活跃程度。2．考核与评价标准表1作业成绩考核与成绩评定评价标准优秀良好及格不及格按时提交作业，概按时提交作业，概按时提交作业，概未按时交作业，概念准确，总结充分，念准确，总结较充念基本准确，总结念欠准确，总结和论述清晰，层次分分，论述较清晰，不充分，论述基本论述不清晰。明。清晰。层次分明。八、教材与参考文献1】【美］伊恩·古德费洛／[加】约书亚·本吉奥／［加】亚伦·库维尔.深度学习．北京：人民邮电出版社，2017.4
4 列课程的角度来系统学习；第三，除了理论学习和讨论外，学生还需亲自参与实 验操作，完成课程设计的独立实验项目，通过实际操作加深对理论的理解，并锻 炼其发现问题、分析问题和解决问题的能力；第四，鼓励学生利用网络资源和共 享资源平台，从多种视角理解和拓展知识，同时吸收其他学习者的经验和见解， 以丰富自身的学习过程。 七、课程评价 1. 课程成绩构成 课程最终成绩由基于课堂出勤和表现的平时成绩、以及每次作业成绩综合而 成，各部分成绩的比例如下： 1）作业成绩：80%（共 4 次作业，其中每次作业成绩占 20%）。作业将引 导学生复习和巩固讲授的内容，主要考察作业完成率和完成质量； 2）基于课堂出勤和表现的平时成绩：20%。主要考察学生的学习态度、出 勤率、参与课堂发言和互动讨论的活跃程度。 2. 考核与评价标准 表 1 作业成绩考核与成绩评定 评价标准 优 优秀 良 良好 中 及格 不 不及格 按 按时提交作业，概 念准确，总结充分， 论述清晰，层次分 明。 按 按时提交作业，概 念准确，总结较充 分，论述较清晰， 层次分明。 按 按时提交作业，概 念基本准确，总结 不充分，论述基本 清晰。 未 未按时交作业，概 念欠准确，总结和 论述不清晰。 八、教材与参考文献 1) [美] 伊恩·古德费洛 / [加] 约书亚·本吉奥 / [加] 亚伦·库维尔. 深 度学习. 北京：人民邮电出版社，2017