人才培养|校企共同开展教学研究情况

1

人工智能专业

人工智能导论

人工智能系列实验

这门课程介绍人工智能的基本知识及应用领域。在AI大模型应用方面，可以重点关注课程中关于机器学习和深度学习的部分，了解它们如何为大模型提供支持。

2

机器学习

机器学习

这门课程是深入了解机器学习算法和原理的关键。对于AI大模型应用，你将需要掌握各种机器学习算法，如监督学习、无监督学习、强化学习等，以及它们如何应用于大模型。

3

深度学习

神经网络与深度学习

深度学习是大模型应用的核心。这门课程将涵盖神经网络的原理、结构和训练方法，以及深度学习在各个领域的应用案例。通过这门课程，你可以了解如何设计和训练大模型，以及如何处理大模型的复杂性和计算需求。

4

自然语言处理（NLP）

人工智能系列实验

NLP是AI大模型应用的一个重要领域。这门课程将介绍NLP的基本技术和应用，包括文本处理、语义理解、机器翻译、AIGC项目实践课程等。通过这门课程，学生可以了解如何将大模型应用于NLP任务，并提升模型的性能。

5

计算机视觉

计算机视觉系列实验、基于opencv的计算机视觉

计算机视觉是AI大模型应用的另一重要领域。这门课程将介绍计算机视觉的基本技术和应用，包括图像识别、目标检测、图像生成等。通过这门课程，学生可以了解如何将大模型应用于计算机视觉任务，并提升模型的性能。

6

数据科学与大数据技术

数据挖掘

交通数据整合分析系统（2023更新版）、外卖订单数据分析项目、云平台数据分析、大数据系列实验、大数据数据管理系统、数据建模与应用

通过本课程的学习使学生掌握数据挖掘的基本原理、主要步骤和具体实现方法，初步掌握数据挖掘的算法。使学生在学习本课程后，能实现简单的数据挖掘算法编程，了解实现数据挖掘的具体操作。

7

数据可视化技术

交通数据整合分析系统（2023更新版）、外卖订单数据分析项目、云平台数据分析

可视化的基础教程，主要介绍了数据可视化的理论知识与可视化库matplot1ib的核心用法， 并在每章穿插了相关知识点的实例，将理论与实践完美结合，帮助学生更快地进入数据可视化领域。

8

Spark大数据技术

外卖订单数据分析项目、云平台数据分析、大数据系列实验

学习基于Spark的内存计算技术。Spark 是立足于内存计算，是大数据系统领域的全栈式数据计算与分析平台，在大数据分析与处理中被广泛应用。本课程主要介绍Spark大数据处理框架、Spark RDD 编程、Spark SQL结构化数据处理、HBase分布式数据库、Spark Streaming流计算、Spark MLlib机器学习和 数据可视化等。通过本课程的学习，学生能够深入理解 Spark 大数据处理技术框架的运行机制、针对不同类型数据的处理技巧和分析方法，提高大数据分析与处理能力。

9

Hadoop大数据开发

交通数据整合分析系统（2023更新版）、外卖订单数据分析项目、云平台数据分析、大数据系列实验

介绍Hadoop及其生态体系中常用大数据开源项目的安装和使用。主要包括Hadoop基础知识、Hadoop集群部署、HDFS、MapReduce、YARN、Hive、ZooKeeper、Flume、Azkaban和Sqoop，并在最后完整开发了一个网站流量日志分析系统，帮助大家巩固前面所学的内容。

1

人工智能

AI大模型原理与实践

这门课程将深入剖析AI大模型的原理、架构和训练方法。学生将学习如何设计和构建大规模神经网络，包括模型的选择、超参数调整、优化器选择等。同时，课程还将介绍大模型的训练技巧、分布式训练以及如何处理大规模数据集。学生将通过实践项目来应用所学知识，包括使用大模型进行图像分类、目标检测、语音识别等任务。

2

AI大模型在自然语言处理中的应用

这门课程将重点探讨AI大模型在自然语言处理（NLP）领域的应用。学生将学习如何使用预训练的大模型（如BERT、GPT等）进行文本分类、情感分析、问答系统、机器翻译等NLP任务。课程还将介绍如何对大模型进行微调以适应特定的NLP任务，并探索如何在大模型上进行创新和改进。

3

AI大模型在计算机视觉中的应用

这门课程将专注于AI大模型在计算机视觉领域的应用。学生将学习如何使用大规模卷积神经网络（CNN）进行图像分类、目标检测、图像分割等任务。课程还将探讨如何使用大模型进行图像生成、图像翻译、视频分析等高级任务。学生将通过实践项目来应用所学知识，并了解如何在大规模数据集上进行模型的训练和评估。

4

AI大模型的优化与部署

这门课程将介绍如何优化和部署AI大模型。学生将学习如何对大模型进行性能优化，包括模型压缩、剪枝、量化等技术，以减少模型的计算量和存储需求。同时，课程还将介绍如何将大模型部署到实际应用中，包括模型的集成、推理加速、实时推理等技术。学生将通过实践项目来应用所学知识，将大模型部署到实际应用场景中。

6

大数据技术

数据仓库技术应用

采用模块化的编写思路，内容包括Hive概述、环境准备、Hadoop搭建和配置、安装Hive的基础操作、HiveQL的数据定义、HiveQL语句、Hive综合应用7个单元和25个教学任务。每个单元通过学习目标引出单元的教学核心内容，明确教学任务。每个任务的编写分为任务目标、知识学习、任务实施、同步训练4个环节

7

基于Flink的实时数据处理与分析

主要介绍实时大数据计算领域的相关技巧和经验，包括Flink、Spark和Storm等流处理框架技术。全书从搭建开发环境开始，逐步实现流处理，循序渐进地引导读者学习如何利用Rabbit MQ、Kafka和NiFi以及Storm、Spark、Flink和Beam等组件协同应用来解决实际问题

8

大数据平台技术

内容包括大数据技术概述、数据采集和大数据、大数据框架的安装和配置；大数据管理篇包括HDFS、Hadoop分布式计算模型、分布式协调服务ZooKeeper、Hadoop的集群资源管理系统YARN；大数据分析篇包括数据库MySQL和数据仓库Hive、NoSQL数据库HBase、基于内存的分布式计算框架Spark；大数据应用篇包括数据可视化、大数据应用综合案例

专家姓名

陈颖

学科/专业

人工智能

职称/职务

中级

联系电话

工作单位

武汉中软卓越科技有限公司

评审内容

人工智能专业人才培养方案及教学大纲修订

评

审

意

见

专家评审意见：

1.本专业定位于植根武汉，面向湖北省战略性新兴产业和中小型企业，服务于区域经济，人才培养方案凸显了人工智能技术，注重人工智能技术开发、应用和神经网络，契合市场需求。

2.本专业人才培养规格中，对知识、能力、素质的要求符合高等学校本科专业教学质量国家标准，专业课程模块划分和知识体系结构合理，方向特色明显。

3.本专业依据应用型本科教育特征，构建了基本技能训练、专业综合训练、企业实战训练“三层次”实践教学体系，推行了项目化教学，形成学用创相融的实践载体，分别采用了线上线下混合式和校企联合的教学方法模式，创新了教学手段和方法。

4.本专业方向人才培养方案基于成果导向OBE教育理念，建立了培养目标与毕业要求之间的对应关系，体现了“一体化设计”的教学改革基本思想，专业教学进程安排合理，周学时安排均衡，考核方法科学，符合教学规律。

评审总结：本专业人才培养方案定位准确，目标明确，课程体系设置合理，实践教学体系层次清晰，表述规范确切，符合人工智能专业教学质量国家标准，体现了“应用型人才”的培养特征。同意通过论证。

建议：

人培建议：

必修课：Python程序设计（第2学期）--》人工智能（第3学期）--》计算机视觉（第4学期）+ 自然语言处理（第4学期）--》深度学习（第5学期）--》机器学习（第6学期）

修订意见如：

1、把《语音信息处理》换成《深度学习》课程（2.5学分），放在第5学期，主要是讲述神经网络等技术，为后续机器学习课程做铺垫。

2、把所有选修课替换成AI大模型方向，主要目标是基于AI大模型的场景化应用。

AI大模型原理与实践（第4学期）【3学分】--》AI大模型在自然语言处理中的应用（第5学期）【3学分】+AI大模型在计算机视觉中的应用（第5学期）【3学分】--》AI大模型的优化与部署（第6学期）【2学分】

3、在专业实践上，把《智能语音处理综合实践》换成《深度学习综合实战》，从第6学期换成第5学期。

教学大纲建议：

所有课程的教学大纲目标明确，主次分明，基本涵盖了所用到所有知识点。

新增AI大模型课程方向课程描述：

1.《AI大模型原理与实践》：这门课程将深入剖析AI大模型的原理、架构和训练方法。学生将学习如何设计和构建大规模神经网络，包括模型的选择、超参数调整、优化器选择等。同时，课程还将介绍大模型的训练技巧、分布式训练以及如何处理大规模数据集。学生将通过实践项目来应用所学知识，包括使用大模型进行图像分类、目标检测、语音识别等任务。

2.《AI大模型在自然语言处理中的应用》：这门课程将重点探讨AI大模型在自然语言处理（NLP）领域的应用。学生将学习如何使用预训练的大模型（如BERT、GPT等）进行文本分类、情感分析、问答系统、机器翻译等NLP任务。课程还将介绍如何对大模型进行微调以适应特定的NLP任务，并探索如何在大模型上进行创新和改进。

3.《AI大模型在计算机视觉中的应用》：这门课程将专注于AI大模型在计算机视觉领域的应用。学生将学习如何使用大规模卷积神经网络（CNN）进行图像分类、目标检测、图像分割等任务。课程还将探讨如何使用大模型进行图像生成、图像翻译、视频分析等高级任务。学生将通过实践项目来应用所学知识，并了解如何在大规模数据集上进行模型的训练和评估。

4.《AI大模型的优化与部署》：这门课程将介绍如何优化和部署AI大模型。学生将学习如何对大模型进行性能优化，包括模型压缩、剪枝、量化等技术，以减少模型的计算量和存储需求。同时，课程还将介绍如何将大模型部署到实际应用中，包括模型的集成、推理加速、实时推理等技术。学生将通过实践项目来应用所学知识，将大模型部署到实际应用场景中。

这些课程将提供对AI大模型应用的深入理解和实践经验，帮助学生掌握大模型在各个领域的应用技巧和方法。通过实践项目和案例分析，学生将能够更好地理解AI大模型的应用价值和发展趋势。

专家签名：

2024 年 10 月 27 日