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。

 

课程目标

1. 人工智能引论课程目标

• 理解人工智能通识课的定位与教学目标：
  教师将掌握人工智能通识课的开设背景、需求以及课程定位，明确如何设计课程内容以满足不同学生的需求。
• 掌握课程内容设计与资源建设方法：
  教师将学习如何系统安排课程内容，理解内容顺序的逻辑性，并了解教材、课件等资源的建设方法。
• 提升通识课教学能力：
  教师将学会如何以浅显易懂的方式讲解人工智能基础知识，避免复杂的数学公式和编程细节，适合非专业学生。

2. 机器学习课程目标

• 掌握机器学习基础知识：
  教师将理解机器学习的定义、常用术语、一般步骤以及算法分类，能够清晰地向学生传授这些核心概念。
• 熟悉常见机器学习算法：
  教师将掌握监督学习、无监督学习、深度学习等算法的基本原理和应用场景，并学会如何选择合适的算法。
• 提升实践教学能力：
  通过项目演示（如金融股票预测、电商用户交易分析），教师将学习数据获取、预处理、模型训练与评估的全流程，并能够将这些实践经验融入课堂教学。
• 掌握模型评估与优化方法：
  教师将学会如何评估模型性能（如准确率、召回率等），并能够指导学生进行模型优化。

3. 计算机视觉课程目标

• 理解计算机视觉的核心任务与方法：
  教师将掌握计算机视觉的基本任务（如图像分类、目标检测、图像分割）以及传统方法和深度学习方法。
• 掌握深度学习在计算机视觉中的应用：
  教师将学习卷积神经网络（CNN）的基本原理（如卷积、池化、激活函数等），并通过LeNet等案例理解深度学习在图像识别中的应用。
• 熟悉主流深度学习框架与工具：
  教师将了解如何使用深度学习框架（如TensorFlow、PyTorch）和AI Studio平台进行计算机视觉任务。
• 提升实验教学能力：
  通过实验环境配置与模型演示，教师将掌握如何设计实验课程，帮助学生动手实践计算机视觉项目。

4. 人工智能大模型课程目标

• 掌握大模型的基础知识与技术进展：
  教师将了解大模型的基本概念、发展历程、关键技术（如预训练、多模态融合）以及最新进展（如DeepSeek、GPT-4o等）。
• 理解大模型在产业中的应用与生态发展：
  教师将学习大模型在教育、医疗、金融等领域的应用案例，了解其产业落地与生态建设的现状与趋势。
• 提升大模型实践能力：
  通过实操环节，教师将学会如何使用大模型解决复杂问题（如高校精品课程申报），掌握提示词矩阵构建与人机协同问题解决框架。
• 掌握国产化算力平台的使用与优化：
  教师将了解全国产化算力平台的背景与意义，并学习如何在大模型训练与推理中进行适配与优化。

5. 综合能力提升

• 教学设计与课程开发能力：
  教师将学会如何根据学生背景和需求，灵活剪裁课程内容，设计适合不同层次学生的教学方案。
• 实践与项目指导能力：
  通过丰富的案例和项目演示，教师将提升指导学生进行人工智能项目实践的能力。
• 前沿技术跟踪与转化能力：
  教师将了解人工智能领域的最新进展，并学会如何将这些前沿技术转化为教学内容，激发学生的兴趣与创新思维。
• 资源建设与共享能力：
  教师将掌握课程资源（如教材、课件、实验案例）的建设方法，并能够与其他教师共享优质资源。

 

课程内容及日程安排

2025年4月19日上午 人工智能引论 授课专家：张长水
8:30-9:10	课程概述： 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？ 课程特点： 内容全面、系统。 讲解浅显、通俗、易懂。 没有数学公式推导，没有程序框图和流程。 案例丰富。 课程资源丰富。 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”等内容进行讲解。下面以“搜索”和“计算机视觉”为例，介绍培训中会涉及的内容。 1.搜索 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 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4月19日下午 机器学习 授课专家：刘艳

14:00-17:30

1.机器学习基础 （1）机器学习的定义和常用术语 （2）机器学习的应用实例 （3）机器学习的一般步骤 （4）机器学习算法的分类 2.常见机器学习算法 （1）监督学习算法：K近邻、线性回归、决策树、随机森林、支持向量机等 （2）无监督学习算法：聚类、降维等 （3）高阶机器学习算法：深度学习、强化学习、集成学习 （4）机器学习算法的选择 模型选择 模型性能评估方法（准确率、召回率、F1指数等） （5）算法实例：金融股票价格走势预测 3.机器学习项目演示 （1）项目背景分析：电商公司用户交易情况挖掘 （2）数据获取：数据获取、数据加载 （3）数据预处理：数据清洗、特征工程 （4）模型训练：算法选择、参数调整、训练模型 5.模型评估：使用测试数据集评估模型性能 6.实践点评：讲解疑难问题，强调关键点，提供参考资料，以便教师们课后深入学习 4.课程总结 （1）总结课程内容 （2）开放讨论 环境：安装Anaconda编程环境。

第二天 2025年4月20日上午 基于深度学习的计算机视觉 授课专家：罗晓燕
8:30-9:00	以《基于深度学习的计算机视觉》课程建设思路与实施 课程内容安排如下： 1．计算机视觉任务概述 2. 深度学习基础与框架平台浅谈 （1）深度学习基础 （2）深度学习框架 （3）AI studio平台操作演示
9:00-11:00	3. 计算机视觉任务之图像分类 （1）图像分类概述与传统图像分类方法 （2）深度学习图像分类方法 ResNet/DenseNet/DPN//PP-LCNet/ViT/SwinTransformer/CLIP 4. 计算机视觉任务之目标检测 （1）目标检测概述与传统目标检测方法 （2）深度学习目标检测方法 双阶段检测/单阶段检测 5．计算机视觉任务之图像分割 （1）图像分割概述与传统图像分割方法 （2）深度学习图像分类方法 FCN/SAM+主流
11:00-11:30	6．实验环境配置与模型演示 （1）实验环境配置 （2）模型搭建演示

第二天 2025年4月20日下午 人工智能大模型技术 授课专家：讯飞大模型专家团队
14:00-15:30	一、专题报告：人工智能大模型最新技术与产业态势深度解析 1. 人工智能大模型技术基础（20分钟） 介绍人工智能大模型的基本概念、发展历程以及关键技术。包括深度学习算法、大规模预训练技术、多模态融合等。 讲解要点： * 人工智能大模型的定义与特点。 * 深度学习算法在大模型中的应用。 * 预训练技术的演进与优势。 * 多模态融合技术的实现与挑战。 2. 深度推理大模型技术进展（25分钟） 详细解析深度推理大模型的最新技术进展，包括DeepSeek、GPT-4o（类似星火V4）等模型的关键技术创新。 讲解要点： * DeepSeek模型的出圈原因与技术特点。 * GPT-4o模型在性能与应用方面的优势。 * 讯飞星火X1模型在行业应用中的成功案例。 * 深度推理大模型在教育、医疗等领域的具体应用与效果。 3. 全国产化算力平台与大模型适配（25分钟） 探讨全国产化算力平台在大模型训练与推理中的应用与挑战，以及讯飞星火等模型在国产平台上的适配与优化。 讲解要点： * 全国产化算力平台的建设背景与意义。 * 讯飞星火X1模型在全国产算力平台上的适配与优化策略。 * “飞星一号”与“飞星二号”平台的性能与使用情况。 * 全国产化算力平台对未来人工智能发展的影响。 4. 人工智能大模型的产业落地与生态发展（20分钟） 分析人工智能大模型在产业中的应用现状、未来趋势以及生态发展。 讲解要点： * 大模型在教育、医疗、金融等领域的广泛应用案例。 * 大模型与行业结合所带来的效率提升与业务创新。 * 讯飞星火大模型与行业伙伴的合作与生态建设。 * 人工智能大模型未来发展趋势与面临的挑战。
15:30-17:00	二、实操：用大模型解决复杂问题 基于人机协同问题解决框架，构建提示词矩阵，以“高校精品课程申报建设”为复杂问题示例，引导学员举一反三解决更多教育教学实际问题。 讲解要点： * 概念导入：了解提示词（10分钟） * 基于CO-STAR框架生成通知文件（5分钟） * 基于BROKE框架生成活动计划（5分钟） * 人机协同问题解决框架辅助进行高校精品课程立项申报工作（70分钟）

 

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。

刘艳，华东师范大学副教授，上海市计算机学会人工智能专委会副秘书长，上海市人工智能协会理事，中国职业技能大赛人工智能赛项裁判，上海市人工智能工程大赛裁判长，中国高校大学生计算机设计大赛评审专家。

罗晓燕，北京航空航天大学副教授，主讲北京航空航天大学“数字信号处理”“数字图像处理”“数字视频处理”“计算机视觉前沿实验”等课程。第一作者编写教材《计算机视觉——飞桨深度学习实践》；参与编写《数字图像处理及应用》《遥感图像智能分析与处理》。获得2023年第三届全国高校电子信息类专业课程实验教学案例设计竞赛（RIGOL杯）全国一等奖。发表教学论文5篇，获校级教学成果奖与人才培养奖等共计10余项。近10年来一直从事计算机视觉领域的研究，在IEEE T-TNNLS、IEEE T-GRS、IEEE T-CSVT、IEEE T-AES、PR等国际期刊发表SCI论文50余篇； 2023年获中国电子学会技术发明一等奖。

讯飞大模型专家团队，科大讯飞旗下专注于人工智能大模型技术研发与应用的核心团队，致力于推动大模型技术的前沿探索与产业落地，在自然语言处理、计算机视觉、语音识别等领域取得了多项突破性成果。

 

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。

 

研修班时间及地点

会议时间：2025年4月18—20日，4月18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：上海丽昂豪生大酒店，480元•间/天，上海市浦东新区金新路99号上海丽昂豪生大酒店，021-80117888

联 系 人：赵凯

电 话：15652916930

邮 箱：280180383@qq.com