模式識(shí)別課程建設(shè)與教學(xué)實(shí)踐探索

張晶

摘 要 針對(duì)模式識(shí)別課程特色不鮮明、方法理論陳舊、實(shí)踐內(nèi)容相對(duì)薄弱等情況，通過緊跟人工智能學(xué)術(shù)前沿、融合學(xué)術(shù)研究驅(qū)動(dòng)的教學(xué)思想探究模式識(shí)別教學(xué)方法。從課程內(nèi)容和實(shí)驗(yàn)設(shè)計(jì)等環(huán)節(jié)出發(fā)，注重關(guān)鍵技術(shù)理論和實(shí)踐相結(jié)合，幫助學(xué)生掌握模式識(shí)別領(lǐng)域的經(jīng)典及前沿方法和研究方向，通過半開放實(shí)驗(yàn)作業(yè)在提高學(xué)生對(duì)理論知識(shí)的深入理解的同時(shí)，培養(yǎng)學(xué)生的創(chuàng)新性思維和科研素養(yǎng)。

關(guān)鍵詞 模式識(shí)別;研究生教育;課程建設(shè);教學(xué)實(shí)踐

中圖分類號(hào)：G424 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A ? ?DOI：10.16400/j.cnki.kjdk.2021.31.041

The Exploration of Course Construction and Teaching Practice for

Pattern Recognition Course

ZHANG Jing

（College of Software， Beihang University， Beijing 100191）

Abstract In view of the lack of distinctive characteristics of the Pattern Recognition course， the outdated method and theory， and the relatively weak practical content， the Pattern Recognition teaching method is explored by closely following the academic frontier of artificial intelligence and integrating the teaching ideas driven by academic research. This paper focuses on the course content and experimental design as well as the combination of key technical theory and practice to help students master the classic and cutting-edge methods and research directions in the field of pattern recognition， improve students' theoretical knowledge through semi-open experimental assignments， and cultivate students' innovative thinking and scientific research literacy.

Keywords pattern recognition; postgraduate education; course construction; teaching practice

2017年以來，我國(guó)先后發(fā)布了《“互聯(lián)網(wǎng)+”人工智能三年行動(dòng)實(shí)施方案》《新一代人工智能發(fā)展規(guī)劃》等戰(zhàn)略性文件，系統(tǒng)布局我國(guó)人工智能相關(guān)技術(shù)產(chǎn)業(yè)及應(yīng)用的發(fā)展。隨之而來，人工智能人才培養(yǎng)成為教育界和產(chǎn)業(yè)界共同關(guān)注的焦點(diǎn)。[1]自2012年以來，以深度學(xué)習(xí)為代表的人工智能技術(shù)在各個(gè)領(lǐng)域激發(fā)了層出不窮的新算法新技術(shù)。在圖像識(shí)別、機(jī)器翻譯等應(yīng)用上，其性能已經(jīng)遠(yuǎn)遠(yuǎn)超越了傳統(tǒng)機(jī)器學(xué)習(xí)和模式識(shí)別算法。在過去近十年中，深度學(xué)習(xí)已經(jīng)成為新一代人工智能的發(fā)展主線，涌現(xiàn)出前所未有的新方法、新問題。高校承擔(dān)著主要的新一代人工智能下的人才培養(yǎng)任務(wù)，應(yīng)該順應(yīng)時(shí)代、與時(shí)俱進(jìn)，加強(qiáng)人工智能相關(guān)課程的建設(shè)。為了貫徹國(guó)家發(fā)展戰(zhàn)略，助力中國(guó)人工智能行業(yè)的發(fā)展，探索和促進(jìn)人工智能領(lǐng)域人才培養(yǎng)，很多高校同時(shí)開設(shè)機(jī)器學(xué)習(xí)和模式識(shí)別等人工智能相關(guān)課程。[2][3]北京航空航天大學(xué)軟件學(xué)院的軟件工程和電子信息方向開設(shè)了模式識(shí)別課程作為一門重要的專業(yè)理論核心課程，其主要內(nèi)容是對(duì)數(shù)據(jù)進(jìn)行自動(dòng)模式發(fā)現(xiàn)、特征學(xué)習(xí)與識(shí)別等理論技術(shù)。本課程主要講授模式識(shí)別領(lǐng)域的基礎(chǔ)理論和經(jīng)典方法，包括模式預(yù)處理、特征提取和表示、模式分析、模式分類等主要內(nèi)容。然而，課程內(nèi)容受經(jīng)典課程影響，其覆蓋的理論和方法在新一代人工智能浪潮下略顯陳舊。此外，多門相關(guān)課程同時(shí)開設(shè)導(dǎo)致不同課程之間內(nèi)容重疊度較大，影響學(xué)生的學(xué)習(xí)興趣。而且，經(jīng)典課程以理論講授為主，忽略了學(xué)生實(shí)踐和創(chuàng)新能力的培養(yǎng)。因此，模式識(shí)別作為人工智能方向的重要分支學(xué)科之一，現(xiàn)有的課程設(shè)置存在內(nèi)容陳舊、特色不鮮明、實(shí)踐環(huán)節(jié)薄弱、對(duì)學(xué)生的創(chuàng)新能力培養(yǎng)欠缺等問題。

本文分析模式識(shí)別課程在內(nèi)容設(shè)置以及教學(xué)和考核方案面臨的問題，提出課程內(nèi)容設(shè)計(jì)方案，以及理論講授結(jié)合實(shí)踐作業(yè)的教學(xué)模式，結(jié)合模式識(shí)別領(lǐng)域的發(fā)展前沿，激發(fā)學(xué)生的創(chuàng)新思維和科研興趣。

1 模式識(shí)別課程設(shè)計(jì)

1.1 課程目標(biāo)

通過具有特色的課程內(nèi)容設(shè)置以及創(chuàng)新能力導(dǎo)向的教學(xué)方法，幫助學(xué)生全面清晰的了解領(lǐng)域的發(fā)展史，對(duì)經(jīng)典方法有理論層面和感知層面的理解，對(duì)當(dāng)前的研究前沿和主流方法有客觀的認(rèn)識(shí)，能夠針對(duì)某個(gè)特定的研究問題提出創(chuàng)新想法，拓展學(xué)生的創(chuàng)新視野和創(chuàng)新意識(shí)。并通過課程實(shí)驗(yàn)提高學(xué)生的理論知識(shí)理解、動(dòng)手編程實(shí)踐、文獻(xiàn)閱讀、算法復(fù)現(xiàn)、結(jié)果分析、報(bào)告撰寫等綜合能力。

1.2 特色突出的課程內(nèi)容

現(xiàn)有模式識(shí)別課程主要參考Duda等編著的《模式分類》、[4]Bishop編著的《Pattern Recognition and Machine Learning》 [5]以及周志華教授編著的《機(jī)器學(xué)習(xí)》 [6]等教材。其講授內(nèi)容更多關(guān)注的是傳統(tǒng)機(jī)器學(xué)習(xí)算法，涉及的技術(shù)主要包括：貝葉斯決策理論、概率密度估計(jì)、線性分類器、非線性分類器、近鄰法、決策樹、特征提取、無監(jiān)督模式識(shí)別等。

然而，模式識(shí)別在機(jī)器學(xué)習(xí)相關(guān)技術(shù)的基礎(chǔ)上，同樣需要關(guān)注的是針對(duì)不同類型的數(shù)據(jù)發(fā)現(xiàn)、學(xué)習(xí)與抽取具有魯棒性、可泛化性、可遷移性的特征或模式。這些內(nèi)容在現(xiàn)有模式識(shí)別課程中尚未得到充分的體現(xiàn)，導(dǎo)致模式識(shí)別課程缺乏其獨(dú)特性。因此，本課程的教學(xué)中，在經(jīng)典機(jī)器學(xué)習(xí)算法的基礎(chǔ)上，為突出模式識(shí)別領(lǐng)域特點(diǎn)，重點(diǎn)介紹不同數(shù)據(jù)類型（比如圖像、文本、時(shí)序數(shù)據(jù)）的模式發(fā)現(xiàn)和特征抽取方法，以及具有魯棒性、可泛化性、可遷移性、可解釋性的特征學(xué)習(xí)前沿方法。因此，本課程的教學(xué)內(nèi)容設(shè)計(jì)為三大主要的模塊：

第一，機(jī)器學(xué)習(xí)及深度學(xué)習(xí)簡(jiǎn)介。主要介紹基本的機(jī)器學(xué)習(xí)算法基礎(chǔ)概念、核心思想和主要步驟，并從線性模型到非線性模型，從神經(jīng)網(wǎng)絡(luò)到深度學(xué)習(xí)，沿著機(jī)器學(xué)習(xí)的發(fā)展脈絡(luò)讓學(xué)生對(duì)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的發(fā)展和核心內(nèi)容有感性的認(rèn)識(shí)。

第二，模式發(fā)現(xiàn)和特征表達(dá)學(xué)習(xí)。在學(xué)生了解了機(jī)器學(xué)習(xí)的核心思想基礎(chǔ)上，介紹特定數(shù)據(jù)類型（比如一般數(shù)據(jù)，圖像數(shù)據(jù)，文本數(shù)據(jù)，時(shí)序數(shù)據(jù)等）的模式發(fā)現(xiàn)和特征表達(dá)學(xué)習(xí)方法。

第三，可遷移、可泛化、可解釋及魯棒的特征表達(dá)。通過介紹模式識(shí)別中的針對(duì)模式發(fā)現(xiàn)和特征表達(dá)的可遷移性、可泛化性、可解釋性及魯棒性的前沿方法，幫助學(xué)生理解可遷移、可泛化、可解釋及魯棒的特征表達(dá)如何成為模式識(shí)別領(lǐng)域的前沿科學(xué)研究問題和實(shí)際落地的新需求與技術(shù)瓶頸，以及對(duì)相應(yīng)的基本解決方法的感性認(rèn)識(shí)。

1.3 創(chuàng)新思維導(dǎo)向的教學(xué)方法

課堂上的理論教學(xué)是學(xué)生掌握基本知識(shí)的主要渠道，模式識(shí)別課程內(nèi)容的知識(shí)點(diǎn)具有跨度較大、原理抽象、不易理解等特點(diǎn)，限制學(xué)生的創(chuàng)新性思維發(fā)展。此外，在人工智能領(lǐng)域迅速發(fā)展的背景下，模式識(shí)別課程中涉及的經(jīng)典和前沿算法和理論是培養(yǎng)創(chuàng)新性思維和拓展創(chuàng)新性視野的優(yōu)秀案例。因此，教學(xué)過程中并提出創(chuàng)新思維導(dǎo)向的教學(xué)方法：

首先，幫助學(xué)生理解模式識(shí)別領(lǐng)域的發(fā)展過程、構(gòu)建整個(gè)領(lǐng)域的整體知識(shí)體系。創(chuàng)新性思維的建立通常以全面完善的知識(shí)儲(chǔ)備為前提。因此，在介紹算法過程中，從傳統(tǒng)的經(jīng)典算法出發(fā)到前沿技術(shù)的發(fā)展歷程，讓學(xué)生在掌握經(jīng)典的前提下，了解前沿技術(shù)的發(fā)展依據(jù)和動(dòng)向，從而建立領(lǐng)域發(fā)展的整體知識(shí)體系并理解本領(lǐng)域的系統(tǒng)思維方式。比如，從一般數(shù)據(jù)的經(jīng)典主成分分析特征提取方法到前沿的深度自編碼器的發(fā)展，從圖像數(shù)據(jù)的傳統(tǒng)的濾波器算子到基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型的發(fā)展，從文本及時(shí)序數(shù)據(jù)的word2vector和RNN模型到自注意力機(jī)制、Transformer模型和BERT語(yǔ)言模型的發(fā)展等。建立經(jīng)典方法和前沿技術(shù)之間的聯(lián)系，幫助學(xué)生理解模式識(shí)別領(lǐng)域發(fā)展歷史、規(guī)律和方向，對(duì)創(chuàng)新思路和角度有感性的認(rèn)知。

其次，引入模式識(shí)別領(lǐng)域前沿問題，消除學(xué)生對(duì)本領(lǐng)域的理解偏見，幫助學(xué)生建立批判性思維，培養(yǎng)其創(chuàng)新思維和能力。比如，基于深度學(xué)習(xí)的數(shù)據(jù)驅(qū)動(dòng)前沿模式識(shí)別算法可以實(shí)現(xiàn)有效的模式發(fā)現(xiàn)和特征表達(dá)，在多個(gè)領(lǐng)域的不同應(yīng)用中取得極大的成功，再比如人臉識(shí)別等任務(wù)上甚至超越了人類智能。但這些算法的優(yōu)越性能多數(shù)僅局限于經(jīng)過人工選擇的標(biāo)準(zhǔn)數(shù)據(jù)集，其在真實(shí)場(chǎng)景中的泛化能力仍然較低。僅介紹此類算法將造成學(xué)生對(duì)模式識(shí)別乃至整個(gè)人工智能領(lǐng)域的理解偏見。因此，將遷移學(xué)習(xí)、魯棒性學(xué)習(xí)、可解釋的人工智能等前沿課題引入到模式識(shí)別課程中，這些算法是體現(xiàn)創(chuàng)新性和批判性思維的良好案例，啟發(fā)學(xué)生對(duì)模式識(shí)別領(lǐng)域進(jìn)行深入的思考，鍛煉其批判性思維，培養(yǎng)創(chuàng)新性思維、意識(shí)和能力。

最后，在培養(yǎng)學(xué)生的創(chuàng)新思維、創(chuàng)新意識(shí)和創(chuàng)新能力的同時(shí)，注重創(chuàng)新視野的拓展。課程內(nèi)容中引入模式識(shí)別與機(jī)器學(xué)習(xí)等領(lǐng)域頂級(jí)期刊和會(huì)議的最新研究成果。在對(duì)前沿問題和方法進(jìn)行介紹的過程中，從研究動(dòng)機(jī)、觀察發(fā)現(xiàn)以及創(chuàng)新性體現(xiàn)等方面出發(fā)，再到核心算法的介紹。指引學(xué)生了解正確的研究思路，培養(yǎng)學(xué)生的批判性思維和創(chuàng)新能力。同時(shí)也幫助學(xué)生了解技術(shù)發(fā)展的熱點(diǎn)和趨勢(shì)，培養(yǎng)學(xué)生對(duì)技術(shù)發(fā)展的洞察力，激發(fā)學(xué)生的創(chuàng)新意識(shí)。

2 實(shí)驗(yàn)案例的設(shè)計(jì)與探索

2.1 實(shí)驗(yàn)設(shè)置目標(biāo)

模式識(shí)別是一門實(shí)踐性強(qiáng)的學(xué)科，要求學(xué)生不僅有扎實(shí)的理論基礎(chǔ)，還要有動(dòng)手實(shí)踐和解決問題的能力?，F(xiàn)有模式識(shí)別課程實(shí)驗(yàn)設(shè)置存在多方面問題。首先，實(shí)驗(yàn)環(huán)節(jié)應(yīng)該與教學(xué)內(nèi)容統(tǒng)一規(guī)劃，構(gòu)成總體的建設(shè)思路和體系。現(xiàn)有的模式識(shí)別課程實(shí)驗(yàn)設(shè)計(jì)各個(gè)知識(shí)點(diǎn)互相割裂，學(xué)生無法建立整體概念。其次，實(shí)驗(yàn)案例通常比較陳舊，缺乏與實(shí)際問題的結(jié)合以及最新研究成果的展現(xiàn)，阻礙學(xué)生的實(shí)踐熱情和創(chuàng)新性思維鍛煉。最后，與教學(xué)配套的實(shí)驗(yàn)平臺(tái)建立不足導(dǎo)致實(shí)驗(yàn)內(nèi)容簡(jiǎn)單，與前沿問題嚴(yán)重脫軌。因此，實(shí)驗(yàn)設(shè)置目標(biāo)如下：第一，實(shí)驗(yàn)設(shè)計(jì)緊扣教學(xué)內(nèi)容，融合多個(gè)知識(shí)點(diǎn)，構(gòu)建實(shí)驗(yàn)內(nèi)容體系。第二，以實(shí)際科研問題為導(dǎo)向，引入前沿技術(shù)，設(shè)計(jì)從易到難的半開放實(shí)驗(yàn)項(xiàng)目。第三，構(gòu)建大數(shù)據(jù)環(huán)境下的實(shí)驗(yàn)平臺(tái)，避免由于軟硬件環(huán)境限制導(dǎo)致的實(shí)驗(yàn)內(nèi)容限制。

2.2 實(shí)驗(yàn)案例的規(guī)劃與設(shè)計(jì)

圍繞教學(xué)內(nèi)容設(shè)置共設(shè)計(jì)了4個(gè)課程實(shí)驗(yàn)項(xiàng)目作業(yè)，每個(gè)作業(yè)均以經(jīng)典及前沿實(shí)際研究問題為導(dǎo)向，最大程度上涵蓋了課上講授過的不同算法和內(nèi)容。每個(gè)實(shí)驗(yàn)項(xiàng)目都包含簡(jiǎn)單版本和進(jìn)階版本的由易到難的不同難度等級(jí)。學(xué)生可以根據(jù)自己的基礎(chǔ)和研究背景選擇實(shí)現(xiàn)不同難度等級(jí)。簡(jiǎn)單版本可以僅通過微調(diào)參數(shù)和修改模型架構(gòu)實(shí)現(xiàn)，因此，即使沒有足夠編程及相關(guān)領(lǐng)域研究基礎(chǔ)的同學(xué)也能很好地完成。通過完成基礎(chǔ)版本可以幫助沒有相關(guān)背景的同學(xué)對(duì)模式識(shí)別領(lǐng)域有一個(gè)感性的認(rèn)識(shí)，實(shí)現(xiàn)入門的目標(biāo)。進(jìn)階版本要求學(xué)生通過自主查找、閱讀相關(guān)文獻(xiàn)，動(dòng)手實(shí)現(xiàn)其核心算法，對(duì)基礎(chǔ)版本算法進(jìn)行改進(jìn)并提高性能。具體而言，4個(gè)課程項(xiàng)目的選擇依據(jù)、主要任務(wù)、目標(biāo)及要求如下：

基于語(yǔ)音信號(hào)的音素分類。本項(xiàng)目的主要任務(wù)是根據(jù)預(yù)處理后的語(yǔ)音信號(hào)，設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)架構(gòu)，實(shí)現(xiàn)語(yǔ)音音素分類任務(wù)。音素分類是語(yǔ)音識(shí)別任務(wù)的第一步，其識(shí)別效果直接影響后續(xù)的語(yǔ)音識(shí)別性能。本項(xiàng)目的目標(biāo)是幫助學(xué)生了解語(yǔ)音信號(hào)數(shù)據(jù)處理方式和特征表示方法，并通過自主設(shè)計(jì)分類模型熟悉神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)及優(yōu)化方法。基礎(chǔ)版本可以僅通過設(shè)計(jì)基本神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)。進(jìn)階版本需要自主設(shè)計(jì)數(shù)據(jù)預(yù)處理、優(yōu)化模型架構(gòu)、選擇合適的損失函數(shù)、調(diào)整訓(xùn)練策略、加入正則等方式提高特征的表達(dá)和泛化能力，在不公開的測(cè)試集上取得更高的識(shí)別率。

基于卷積神經(jīng)網(wǎng)絡(luò)（CNN） [7]的物體識(shí)別算法。本項(xiàng)目的主要任務(wù)是通過設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)基于圖像的物體識(shí)別算法。物體識(shí)別/分類是計(jì)算機(jī)視覺中最基本的任務(wù)之一。深度卷積神經(jīng)網(wǎng)絡(luò)作為新一代人工智能領(lǐng)域的突破性成果，在以計(jì)算機(jī)視覺為代表的等眾多領(lǐng)域得到廣泛應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)主要針對(duì)圖像等高維矩陣或張量數(shù)據(jù)，通過卷積算子、感受野、參數(shù)共享、多層次抽象特征學(xué)習(xí)等機(jī)制，在基于圖像數(shù)據(jù)的視覺任務(wù)中實(shí)現(xiàn)性能的飛躍式提升。本項(xiàng)目的目標(biāo)是幫助學(xué)生了解卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，并手動(dòng)設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)模型架構(gòu)，通過提供的有標(biāo)簽食物圖像數(shù)據(jù)，實(shí)現(xiàn)食物物體分類任務(wù)。進(jìn)階版本要求設(shè)計(jì)不同數(shù)據(jù)增廣方法，并利用額外無標(biāo)簽數(shù)據(jù)，設(shè)計(jì)半監(jiān)督學(xué)習(xí)或自監(jiān)督學(xué)習(xí)損失，進(jìn)一步提高食物分類識(shí)別率。

基于生成對(duì)抗網(wǎng)絡(luò)（GAN）的人像生成。本項(xiàng)目的任務(wù)是熟悉一種無監(jiān)督的生成式模型--生成對(duì)抗網(wǎng)絡(luò)，實(shí)現(xiàn)人像的生成任務(wù)。與基于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)和深度卷積神經(jīng)網(wǎng)絡(luò)的判別模型不同，生成對(duì)抗網(wǎng)絡(luò)屬于生成模型，其目標(biāo)是根據(jù)某種隱含信息，隨機(jī)產(chǎn)生觀測(cè)數(shù)據(jù)。Ian Goodfellow等人于2014年提出了生成對(duì)抗網(wǎng)絡(luò) [8]（Generative Adversarial Nets）在深度學(xué)習(xí)領(lǐng)域掀起了一場(chǎng)革命，產(chǎn)生了一些重大的技術(shù)突破。其學(xué)習(xí)性質(zhì)是無監(jiān)督的。因此，作為生成模型和無監(jiān)督學(xué)習(xí)代表性算法，本項(xiàng)目的目標(biāo)是熟悉GAN的核心思想，實(shí)現(xiàn)基本的GAN模型，并應(yīng)用于人像生成任務(wù)。由于基本的GAN模型具有訓(xùn)練不穩(wěn)定，生成質(zhì)量欠佳等缺點(diǎn)，進(jìn)階版本要求通過借鑒WGAN、SNGAN、StyleGAN、BigGAN等思想，改進(jìn)現(xiàn)有模型，實(shí)現(xiàn)更高質(zhì)量的生成效果。

基于增量遷移學(xué)習(xí)的跨域手寫字識(shí)別。為了讓學(xué)生熟悉可遷移、可泛化的特征學(xué)習(xí)方法，本項(xiàng)目的任務(wù)是實(shí)現(xiàn)多種不同增量遷移學(xué)習(xí)算法，在跨域手寫字識(shí)別任務(wù)上進(jìn)行驗(yàn)證?，F(xiàn)有模式識(shí)別算法多數(shù)無法有效實(shí)現(xiàn)增量學(xué)習(xí)的目標(biāo)，即在舊任務(wù)上學(xué)好的模型在遷移到新任務(wù)時(shí)通?？梢詭椭氯蝿?wù)的性能。然而，提高新任務(wù)的性能往往使得新模型對(duì)舊任務(wù)產(chǎn)生由于災(zāi)難性遺忘導(dǎo)致的性能大幅度下降。本作業(yè)的目標(biāo)是通過復(fù)現(xiàn)最新增量學(xué)習(xí)算法，并與基于深度學(xué)習(xí)的基線方法進(jìn)行對(duì)比，通過觀察訓(xùn)練曲線，直觀理解增量學(xué)習(xí)算法對(duì)跨域任務(wù)的非遺忘性的影響?；A(chǔ)版本要求學(xué)生實(shí)現(xiàn)一種經(jīng)典的增量學(xué)習(xí)算法，并輸出學(xué)習(xí)曲線，對(duì)比和分析增量學(xué)習(xí)與基線方法的結(jié)果差別。進(jìn)階版本要求學(xué)生通過自主閱讀和實(shí)現(xiàn)最新增量學(xué)習(xí)方法，與經(jīng)典方法進(jìn)行對(duì)比分析。

為了讓學(xué)生高效地設(shè)計(jì)和實(shí)現(xiàn)模式識(shí)別算法，要求學(xué)生使用統(tǒng)一的計(jì)算平臺(tái)AI Studio，使用python編程語(yǔ)言及由百度開發(fā)的PaddlePaddle開源框架完成所有的課程項(xiàng)目。AI Studio提供充足的計(jì)算資源，對(duì)高質(zhì)量完成作業(yè)項(xiàng)目提供了算力上的保障。另外，作為課程的重要考核依據(jù)之一，統(tǒng)一的平臺(tái)能夠保證課程項(xiàng)目實(shí)驗(yàn)結(jié)果的公平性，實(shí)現(xiàn)完善高效的評(píng)分機(jī)制。

2.3 實(shí)驗(yàn)考核方式

每個(gè)課程實(shí)驗(yàn)細(xì)節(jié)和要求在講授相應(yīng)教學(xué)知識(shí)點(diǎn)之后公布給學(xué)生。為了給學(xué)生足夠的自主調(diào)研、學(xué)習(xí)、代碼實(shí)現(xiàn)和調(diào)試時(shí)間，每次作業(yè)要求學(xué)生在發(fā)布之后的3周左右時(shí)間內(nèi)完成。每個(gè)課程項(xiàng)目的具體任務(wù)和要求以詳細(xì)文檔的形式發(fā)布給學(xué)生，讓學(xué)生對(duì)作業(yè)目標(biāo)、要求及考核方式有清晰明確的認(rèn)知。最終按照學(xué)生提交的作業(yè)代碼、實(shí)驗(yàn)結(jié)果和報(bào)告內(nèi)容等按照評(píng)分細(xì)則進(jìn)行打分。為了讓學(xué)生重視理論與實(shí)踐的結(jié)合，成績(jī)構(gòu)成主要由課程實(shí)踐項(xiàng)目組成（每個(gè)作業(yè)20%～25%）。課程實(shí)踐中涉及的內(nèi)容能夠考核學(xué)生的包括理論知識(shí)理解、動(dòng)手編程實(shí)踐、文獻(xiàn)閱讀、算法復(fù)現(xiàn)、結(jié)果分析、報(bào)告撰寫等綜合能力。

3 結(jié)論

為適應(yīng)新一代人工智能規(guī)劃對(duì)人才培養(yǎng)的新要求，從課堂教學(xué)、實(shí)驗(yàn)設(shè)計(jì)和考核方法等環(huán)節(jié)進(jìn)行探索，進(jìn)行了“模式識(shí)別”課程建設(shè)方案的探究。通過突出模式識(shí)別課程特色，引入領(lǐng)域最前沿技術(shù)、方法和科研問題，設(shè)置半開放課程實(shí)驗(yàn)項(xiàng)目，激發(fā)學(xué)生對(duì)課程內(nèi)容的興趣，幫助學(xué)生掌握最前沿技術(shù)，提升學(xué)生的科研和工程能力。從學(xué)生的反饋中發(fā)現(xiàn)學(xué)生對(duì)課程設(shè)置較為滿意。隨著時(shí)代的發(fā)展，模式識(shí)別領(lǐng)域不斷涌現(xiàn)新方法、新理論、新技術(shù)、新問題，“模式識(shí)別”課程將不斷積極探索，以適應(yīng)新一代人工智能對(duì)創(chuàng)新人才培養(yǎng)的新需求。

參考文獻(xiàn)

[1] 王萬森.適應(yīng)社會(huì)需求，辦好新一代人工智能教育[J].計(jì)算機(jī)教育，2017，10：5.

[2] 侯志強(qiáng)，余旺盛，沈明華，等.模式識(shí)別課程教學(xué)改革實(shí)踐[J].計(jì)算機(jī)教育，2017.

[3] 張立言.面向大學(xué)生創(chuàng)新創(chuàng)業(yè)能力培養(yǎng)的本科生模式識(shí)別課程改革思路[J].科教導(dǎo)刊（中旬刊），2018（29）：25-27.

[4] Duda R O，Hart P E，Stork D G.模式分類[M].機(jī)械工業(yè)出版社，2003.

[5] Bishop C M. Pattern Recognition and Machine Learning[M].Springer，2006.

[6] 周志華.機(jī)器學(xué)習(xí)[M].清華大學(xué)出版社，2015.

[7] Krizhevsky， A， Sutskever， I， Hinton， G E. Imagenet classification with deep convolutional neural networks[C].Advances in neural information processing systems， 2012：1097-105.

[8] Goodfellow I， Pouget-Abadie J， Mirza M， 等. Generative adversarial nets[C].Advances in neural information processing systems，2014.