根据《教育部高等学校教学指导委员会章程》的明确规定，教育部高等学校教学指导委员会的任务之一就是组织师资培训、促进信息交流，以共享教学课程建设成果与教学改革经验，积极推广优秀教学成果，全力支持高等学校的教学建设与改革工作，做好服务。为此，教育部高等学校计算机类专业教学指导委员会携手全国高等学校计算机教育研究会，共同策划并启动了本系列课程高级研修班项目。

 

本课程高级研修班紧密贴合新工科建设的时代背景，面向全国各高校相关院系的负责人及一线教师，深度聚焦人才培养模式的创新、学科建设的深化、课程体系与内容的优化、教学艺术的提升、产教融合的推进，以及科研与教学相融合的实践探索等多个核心议题，旨在通过这一平台，促进教学经验的广泛交流与分享。

 

在人工智能教育日益重要的当下，提升人工智能核心课程的教学质量，解决“如何教”的难题，关键在于打造一支高素质的教师队伍。组织专业化的教师培训，无疑是提升教师整体水平的有效途径。通过系统培训，不仅能够使教师紧跟人工智能教学的最新发展趋势，共享前沿教学成果，还能显著提升高校教师，尤其是中青年教师的专业素养与教学能力，为人工智能课程的持续发展注入强劲动力。

 

此外，研修班还将搭建一个高效的信息交流平台，让教师得以深入交流教学课程建设的宝贵经验，探讨教学改革的新思路，同时探索产学研合作的新机遇，共同推动人工智能教育的深化与创新。

 

教育部高等学校计算机类教学指导委员会、全国高等学校计算机教育研究会诚挚邀请各高校相关院系的教学主管领导、课程负责人及骨干教师积极参与本次“全国高校人工智能核心课程高级研修班”，共襄盛举，携手推动人工智能教育迈向新高度。

 

一、课程目标

 

1. 人工智能通识课的学生可能没有大学数学基础，也没有计算机程序设计基础。在这种情况下，如何开设人工智能课程？应该讲什么？怎么讲？

本课程以清华大学的人工智能通识课（“人工智能导论”，或“走近人工智能”）为例进行讲解。课程培训主要包含下面的内容。这门课应该包含哪些内容；课程的教材、课件等资源的建设情况；对于课程中的“搜索”“计算机视觉”“计算机听觉”“自然语言处理与理解”“机器学习”等几个部分中的内容安排，讲授方法。

 

在本课程中，特别会介绍在学生没有大学数学基础和计算机程序设计基础的情况下，如何讲解人工智能的技术内容；也会介绍针对不同背景的同学，针对不同院校的不同要求的情况下，如何对内容进行取舍。

 

2.本课程旨在为教师提供一个全面而紧凑的机器学习入门体验，通过精心设计的约课程安排，确保每位参与者能够达成以下综合目标：首先，深刻理解机器学习的核心概念，包括其定义、分类体系以及在金融、医疗、教育、智能制造等众多领域的广泛应用，从而认识到机器学习作为现代数据科学核心技术的价值所在。其次，全面掌握线性回归、逻辑回归、决策树、随机森林等基础算法的原理、实现步骤及适用场景，能够根据不同问题需求灵活选择合适的算法进行建模分析。最后，通过操作Python编程语言及scikit-learn等机器学习库，完成从数据预处理、模型构建到训练评估的完整流程，实现至少一个简单项目的实战应用，不仅加深对机器学习工作流程的直观理解，还培养了将理论知识转化为实际解决问题的能力。总之，本次课程旨在通过理论学习、算法掌握与实战操作相结合的方式，使教师具备扎实的机器学习基础，为日后将这一技术融入教学与研究打下坚实的基础。

 

3.本课程专注于深度学习的核心原理、技术和应用实践，通过对这些应用的深入讲解和实际操作，帮助理解这些技术背后的理论基础，全面掌握深度学习的核心技术，并掌握如何将理论应用于实际工程中，获得从理论学习到工程实践的完整视角，具备将这些技术应用于解决实际问题的能力。课程内容包括深度学习的基本概念、主流工具和框架的介绍，深入解析了神经网络的基本原理，并通过实际编程练习帮助深入理解并掌握其运作机制。随后通过详细讲解并演练卷积神经网络（CNN）、循环神经网络（RNN）和生成对抗网络（GAN）等深度学习模型，使学生能够熟练地运用这些模型解决实际问题。在此基础上进一步扩展到深度学习在多个热门领域的应用实践，包括目标检测、图像分割、人脸识别和文本自动生成等。

 

4.本课程聚焦知识图谱的初步理论与实践应用，尤其是其中的关键要点，涵盖核心概念、前沿技术以及广泛的应用领域。引入和产业相结合的研究成果及应用案例，激励学生深入探究、分析并交流研讨。通过实际项目的参与和实践，助力学生积累宝贵的实战经验。具体内容包括知识图谱的起源与发展历程、知识表示与建模方法、知识抽取与融合技术、知识图谱的存储与查询以及相关前沿研究的解读与探讨。通过企业信息、医药疾病、银行审计、人物关系、实体链接等行业领域项目实例，详细介绍知识图谱的构建过程和应用方法。

 

二、课程内容及日程安排

 

第一天 2025年1月14日（周二上午） 授课专家：张长水
8:30-9:10		在这部分回答下面的问题： 人工智能通识课的开设背景和需求是什么？ 人工智能通识课的课程定位和教学目的是什么？ 课程内容的总体安排是怎样的？ 为什么这些内容的前后顺序是这样安排的？ 这门课的教材、教学课件等资源的建设情况是怎样的？ 基本上，这门通识课的特点如下： 1.内容全面、系统 2.讲解浅显、通俗、易懂。 3.没有数学公式推导，没有程序框图和流程 4.很多举例 5.课程资源丰富 6.可以灵活剪裁内容以适合不同院校不同学生的需要
9:10-12:00		本课程将选择人工智能通识课中下面几个部分的内容进行讲解：“搜索”“计算机视觉”“计算机听觉”“自然语言处理与理解”“机器学习”等内容。下面以“搜索”和“计算机视觉”为例，介绍培训中会涉及的一些内容。 1.搜索 在这个部分讲解： 搜索部分应该讲什么内容？ 这个部分的重点是什么？ 这个部分可以举哪些应用的例子？ 在没有程序设计基础的情况下，如何讲搜索算法？ 2.计算机视觉 在这个部分讲解： 什么是计算机视觉？计算机视觉都要完成什么任务？ 计算机视觉采用什么方法？ 为什么要讲一点计算机视觉的传统方法？ 以最简答的LeNet为例，讲解卷积深度神经网络的细节。 什么卷积操作？卷积操作的作用是什么？ 什么是池化操作？池化操作的作用是什么？ 为什么需要激活函数？ 什么是全连接网络？它的作用是什么？ LeNet网络是怎么识别图像的？ 为什么深度神经网络可以很好地识别图像？ 当前计算机视觉成功的应用案例。 计算机视觉还有哪些问题需要研究？ 这个部分的内容重点是哪些？ 3.计算机听觉 4.自然语言处理与理解 5.机器学习
第一天 2025年1月14日（周二下午） 授课专家：黄海广
14:00-17:30	一、机器学习概述（30分钟） 1. 机器学习的定义和重要性 2. 机器学习的应用领域和实例 3. 机器学习的基本流程和关键概念 二、机器学习基础（60分钟） 1. 监督学习：算法介绍和原理概述（如线性回归、决策树、支持向量机、集成学习等） 2. 无监督学习：基本概念和常用算法（如K-means聚类、降维算法等） 3. 模型评估指标：准确率、召回率、F1分数等 4. 机器学习库Scikit-Learn 三、机器学习实践（90分钟） 1. 案例分析：分析一个实际机器学习项目的案例，包括项目背景、数据集选择、模型选择与训练、结果评估等。 2. 实操演示：使用Python和Scikit-learn进行简单项目实操，包括： 数据预处理：加载数据、数据清洗、特征工程。 模型训练：选择算法、设置参数、训练模型。 模型评估：使用测试集评估模型的性能。 3. 教师实践环节：进行机器学习模型的构建与实操练习，针对不同数据集选择合适的算法，并完成项目。 四、总结与答疑（15分钟） 1. 总结课程内容，强调关键点和注意事项。 2. 回答教师们的问题和讨论。 3. 提供额外的资源和参考资料，以便教师们课后深入学习。 准备事项 1. 准备必要的软件环境，安装Anaconda。 2. 提供适当的数据集供教师进行实操练习和项目实践。 3. 提供课件和参考资料，包括机器学习的基本概念、常用算法、案例分析和代码等。

第二天 2025年1月15日（周三） 授课专家：邓劲生、宋省身
8:30-9:30	以理论+实践+前沿为导向的知识图谱课程建设思路与实施 知识要点： 一、知识图谱的教研积累 （1）课程建设思路 （2）课程教学设计 （3）教学方法与手段 （4）课程内容与特色安排 二、知识图谱的配套资源 （1）教材及参考书目 （2）课程大纲 （3）教学讲义
9:30-10:30	教学示范1：知识图谱学习基础 知识要点： （1）基本概念：定义、知识表示、操作和存储 （2）构建流程：数据获取、信息抽取、知识融合、知识加工 （3）应用：分类、通用知识图谱应用、领域知识图谱应用、面临的技术挑战 （4）实战知识点 习题：苏轼诗词知识图谱
10:30-10:40	课间休息
10:40-12:00	教学示范2： 企业信息知识图谱 知识要点： （1）项目设计：需求分析、工作流程、技术选型、开发准备 （2）数据准备和预处理：数据获取、数据预处理 （3）知识建模和存储：企业主要属性、企业数据源形成、知识图谱主体构建、 企业信息三元组形成、数据存储 （4）图谱可视化和知识应用：查询企业全貌、企业关系维度分析、司法维度分析 习题：医药疾病知识图谱（数据查询、膳食维度分析、用药维度分析）
14:00-14:30	面向实战案例的深度学习课程建设思路与实施 知识要点： 一、深度学习的教研积累 （1）课程建设思路 （2）课程教学设计 （3）教学方法与手段 （4）课程内容与特色安排 二、深度学习的配套资源 （1）教材及参考书目 （2）课程大纲 （3）教学讲义
14:30-15:30	教学示范3： 深度学习入门 知识要点： （1）基本概念，应用案例 （2）机器学习概述：监督学习、无监督学习、半监督学习、强化学习 （3）神经网络：来源、人工神经网络、神经元模型、原理与实现 习题：搭建TensorFlow框架
15:30-15:40	课间休息
15:40-17:30	教学示范4：深度学习案例分析 知识要点： （1）卷积神经网络案例：手写数字识别模型 （2）循环神经网络案例：语义情感分析 （3）生成对抗神经网络实例：仿照手写字体 习题：基于深度学习的人脸检测
第三天 2025年1月16日（周四） 会议交流及离会

 

三、授课教师

 

张长水 清华大学自动化系长聘教授、博士生导师

黄海广 温州大学计算机与人工智能学院副教授、硕士生导师

邓劲生 国防科技大学前沿交叉学科学院教授、博士生导师

宋省身 国防科技大学前沿交叉学科学院副教授

 

思、培训证书

对经学校有关部门推荐参加培训的教师，考评合格后可颁发“全国高校人工智能核心课程高级研修班”结业证书，对参加培训获得证书的教师，所在学校应承认其接受培训的经历，计入继续教育学时。

 

五、研修班时间及地点

会议时间：2025年1月13—15日，1月13日下午报到。

会 务 费：2680元/人，住宿由会务组统一安排，交通、食宿费用自理

会议及住宿地点：桂林大公馆酒店，420元·间/天，桂林秀峰区中隐路2号， 0773-2828888

联 系 人：赵凯

电 话：15652916930

邮 箱：280180383@qq.com

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

授课教师

 

张长水，1986年7月毕业于北京大学数学系，获得学士学位。1992年7月毕业于清华大学自动化系，获得博士学位。1992年7月至今在清华大学自动化系工作。现任清华大学自动化系教授，主要研究兴趣包括：人工智能、机器学习、模式识别、计算视觉等方面。目前是电气与电子工程师协会会士（IEEE Fellow）,计算机学会高级会员；曾担任《电气与电子工程师协会模式分析与机器智能汇刊》（IEEE Trans. on PAMI）、《电气与电子工程师协会信号处理杂志》（IEEE Signal Processing Magazine）、《模式识别》（Pattern Recognitioin）等学术杂志编委；在国际期刊发表论文130多篇，在顶级会议上发表论文50多篇。

 

在清华大学讲授“人工智能导论”课程30年，“模式识别”课程25年。

 

黄海广，温州大学计算机与人工智能学院教师，博士、副教授，硕士生导师。致力于人工智能在国内的普及工作，在学术界和工业界都有大量读者；善于指导初学者入门，翻译和编写过大量人工智能领域的文章，帮助过无数初学者。其个人笔记《吴恩达机器学习个人笔记》被下载超过百万次，个人的Github的获赞数（star）81000多个；在知识分享平台知乎，拥有关注者超过7万人，文章被收藏超过22万次。出版教材《机器学习入门基础（微课版）》被80多个学校定为机器学习教材，公开课《机器学习》（中国大学慕课，已被浙江省教育厅推荐认定第三批国家一流本科课程）。

 

邓劲生，国防科技大学前沿交叉学科学院教授、博士生导师。跨域大数据智能分析与应用湖南省高等学校重点实验室主任，当前主要从事大数据、人工智能、情报科学等方面的研究。主持国家和省部级科研项目十余项，获得省部级科技进步奖、教学成果奖多项，著译图书十余本，发表论文数十篇，知识图谱相关专利十余个。2024年由清华大学出版社出版的《实战知识图谱》得到业内多位知名专家大力推荐，已被多家高校采用作为教材。

 

宋省身，国防科技大学前沿交叉学科学院副教授。主要从事信息检索、机器问答和大规模语言模型等方面研究，参研多项国家和省部级科研项目，获得省部级科技进步奖、教学成果奖多项，发表高水平SCI论文十余篇，著有《搜索引擎的数据压缩与查询优化》等学术作品。2024年作为第二作者由清华大学出版社出版《实战知识图谱》得到业内多位知名专家大力推荐，已被多家高校采用作为教材。