0923S06013-神经网络与深度学习实验.docxVIP

PAGE3

附件5-2

ADDINCNKISM.UserStyle《神经网络与深度学习》课程教学大纲

（实验课程·2023版）

一、课程基本信息

课程号

0923S06013

开课单位

数学与信息科学学院

课程名称

（中文）神经网络与深度学习实验

（英文）ExperimentsofNeuralNetworksandDeepLearning

课程性质

选修

考核类型

考查

课程学分

1

课程学时

34

课程类别

专业发展课程（专业拓展课）

适用专业（类）

数据科学与大数据技术专业

二、课程描述及目标

（一）课程简介

《神经网络与深度学习实验》课程是《神经网络与深度学习》课程的配套实验课程，旨在训练学生对神经网络和深度学习在图像处理和自然语言处理等领域的实践能力，熟悉常用神经网络模型和深度学习框架，了解深度学习常用平台。本课程主要基于《神经网络与深度学习》课程中的相关理论，开展对应的实验项目。本课程主要包括全连接网络、卷积神经网络、注意力网络等实验项目。

（二）教学目标

课程目标1：通过教师课堂讲授，学生课后预复习和上机编程，掌握有关（深度）神经网络实现数据挖掘和模式识别的基本概念、主要特征、应用领域、关键技术、计算模式和编程基础；

课程目标2：具有一定的基础科学研究素质与创新意识，能灵活运用数学、计算机及深度学习技术等专业知识解决具体行业中的数据处理、数据挖掘、数据分析等任务；

课程目标3：具有一定的软件开发能力，能在深度学习平台下根据特定行业的需求设计、开发相应的软件系统，具备团体合作开发软件的基本素质；

三、课程目标对毕业要求的支撑关系

毕业要求指标点

课程目标

1-2：计算机软件开发基础知识

掌握计算机科学与软件开发的基本理论和基础专业知识，具备常用软件及数据分析软件使用的相关知识，掌握常用软件开发语言，具备大数据环境下数据分析算法与软件系统的设计、开发与分析等相关知识。

课程目标1

2-6：能熟练使用计算机（包括常用语言、工具以及一些专用软件），具有基本算法分析、设计能力和较强的编程能力，能够将数据分析方法编程实现、进行大数据分析实验能力，具有一定的数据科学研究和大数据软件开发的能力。

课程目标2

3-2：终身学习意识及创新意识

具有团队协作精神，能够在多学科背景下的团队中承担个体、团队成员以及负责人的角色，具有终身学习意识；能用批判性思维去看待已有问题、观念、技术和方法，并勇于创新。

课程目标3

四、教学方式与方法

教学方式：小组讨论，教师指导，上机实验。

教学方法：与理论课程内容相对应，分类型构造适当的实验，学习相关软件包的基本使用以及各个实验项目的基本概念、主要特征、关键技术、计算模式和编程实现等，帮助学生加深对理论部分的理解，并能加以运用。

五、教学重点与难点

（一）教学重点

理解神经网络模型在数据科学和大数据技术专业中的地位和重要性；熟练使用PYTHON关于神经网络的各种工具包，并理解其中参数含义和数学模型；理解神经网络和机器学习其他模型的联系与区别；掌握一些基本常见的深度学习模型：全连接网络、卷积神经网络、注意力网络等，将以上模型熟练的应用到图像处理，自然语言处理等领域中。

（二）教学难点

本课程的实验教学难点在于深度学习平台众多，只能让同学熟悉一种常见平台，如在实际开发过程中涉及不同平台，需要学生有举一反三、触类旁通的能力。深度模型的参数设置，同深度模型的数学理论基础直接相关，因此在实验过程中，尽量让学生理解背后数学原理，是重要而困难的过程。深度学习实验是一项参数量超多的任务，调参是一项非常耗时耗力的工程，直接决定实验结果的呈现，而这需要教师和学生足够的经验和能力。

六、实验内容、基本要求与学时分配

序号

实验项目名称

实验内容与要求

学时

类型

对应课程目标

1

实现一个简单的线性回归模型-波士顿房价预测

数据集读取、模型构建、损失函数、优化器、模型训练、

模型评价

2

设计性

课程目标1

2

基于Logistic回归的二分类任务

损失函数和优化器的选择

2

设计性

课程目标1

3

基于Softmax回归的多分类任务-鸢尾花分类

激活函数、损失函数的选择

3

设计性

课程目标1

4

基于前馈神经网络的二分类任务

最小二乘法、MSE损失函数

3

设计性

课程目标1

5

简单卷积神经网络实现

理解权重共享，卷积运算

4

设计性

课程目标2

课程目标3

6

基于LeNet实现手写体数字识别任务

掌握该模型架构和结果分析

4

设计性

课程目标2

课程目标3

7

基于ResNet18网络完成图像分类

掌握该模型架构和结果分析

4

设计性

课程目标2

课程目标3

8

循环神经网络的记忆能力实验

掌握该模型架构和功能分析

4

设计性

课程目标2

课程目标3

9

基于双向LSTM模型完成文本分类任