秦 宇

（廣東省外語藝術(shù)職業(yè)學(xué)院，廣東 廣州510640）

0 前言

自從“人工智能”這一個概念在1956年被正式提出，至今經(jīng)歷了多個發(fā)展階段。當(dāng)前，人工智能已經(jīng)深深融入人們的日常生活之中。為搶抓人工智能發(fā)展的重大戰(zhàn)略機遇，國務(wù)院于2017年發(fā)布了“新一代人工智能發(fā)展規(guī)劃”。教育部也在近兩年在本科和高職院校批準(zhǔn)增設(shè)了人工智能相關(guān)專業(yè)。由于人工智能涉及數(shù)學(xué)、計算機科學(xué)、邏輯學(xué)、哲學(xué)、神經(jīng)科學(xué)、語言學(xué)等不同領(lǐng)域的知識，是一個交叉學(xué)科，所以人工智能專業(yè)的課程設(shè)置比較復(fù)雜。本文根據(jù)社會對于人工智能的人才需求，結(jié)合高職院校教學(xué)特點，對于如何合理地設(shè)置人工智能專業(yè)的相關(guān)課程進行了分析，并且提出了總體的框架。

1 分析和設(shè)計

近年，由谷歌旗下的DeepMind公司開發(fā)的人工智能圍棋軟件AlphaGo戰(zhàn)勝了世界頂尖的圍棋專業(yè)棋手，其中用到的核心技術(shù)包括了強化學(xué)習(xí)、深度學(xué)習(xí)和蒙特卡洛樹搜索技術(shù)。機器學(xué)習(xí)分為有監(jiān)督、無監(jiān)督和強化學(xué)習(xí)三大類，其中的強化學(xué)習(xí)強調(diào)的是在一系列的情景之下，選擇最佳決策，通過多步恰當(dāng)?shù)臎Q策，來逼近一個最優(yōu)的目標(biāo)。強化學(xué)習(xí)在理論上依賴于理查德·貝爾曼的動態(tài)規(guī)劃和Lev Pontryagin的控制論。整個強化學(xué)習(xí)由智能體、環(huán)境、獎賞、狀態(tài)、動作5個部分組成。其中的環(huán)境通常被規(guī)范為一個馬爾可夫決策過程，許多強化學(xué)習(xí)算法就是在此基礎(chǔ)上使用動態(tài)規(guī)劃技巧。馬爾可夫決策過程提供了一個數(shù)學(xué)模型，用于面對部分隨機，部分由決策者控制的狀態(tài)下，如何進行最佳決策。由以上分析可以看出，強化學(xué)習(xí)需要掌握如下知識：

（1）動態(tài)規(guī)劃

（2）控制論

（3）隨機過程

由于高職院校的學(xué)生在理論基礎(chǔ)的學(xué)習(xí)上并不是很強，所以同時開設(shè)這幾門課程會增大學(xué)生學(xué)習(xí)的難度，所以可以由任課教師抽取這幾門課程中和強化學(xué)習(xí)相關(guān)性較大的部分融合到一門課程“強化學(xué)習(xí)”中進行授課。課程大綱主要應(yīng)該包括：

（1）強化學(xué)習(xí)基本理論

（2）馬爾可夫決策理論

（3）智能搜索和蒙特卡洛樹搜索

（4）深度Q網(wǎng)絡(luò)算法和應(yīng)用

（5）強化學(xué)習(xí)平臺Gym搭建和算法實踐

強化學(xué)習(xí)的最大特點就是可以不需要大量的訓(xùn)練樣本來訓(xùn)練，而是通過自己不停地嘗試來學(xué)會某些技能，所以強化學(xué)習(xí)的運用也會越來越廣泛。強化學(xué)習(xí)需要具備一定的數(shù)學(xué)基礎(chǔ)和機器學(xué)習(xí)的基本理論，所以建議此門課程放在第五學(xué)期開設(shè)，學(xué)習(xí)課時建議64個學(xué)時，4個學(xué)分。

AlexNet網(wǎng)絡(luò)在2012年ImageNet競賽獲得冠軍，創(chuàng)造了人工智能技術(shù)在圖像識別領(lǐng)域的又一個里程碑。AlexNet用到的核心技術(shù)是深度卷積神經(jīng)網(wǎng)絡(luò)。AlexNet將LeNet的思想發(fā)揚光大，把CNN的基本原理應(yīng)用到了很深的網(wǎng)絡(luò)中。深度學(xué)習(xí)近些年來已經(jīng)成為了人工智能領(lǐng)域的主流技術(shù)。深度學(xué)習(xí)是在人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展起來的。其實早在20世紀(jì)50～60年代，科學(xué)家羅森布拉特就已經(jīng)提出了擁有輸入層、輸出層和一個隱藏層的神經(jīng)網(wǎng)絡(luò)，并命名為“感知器”。輸入層的特征向量通過隱藏層變換達到輸出層，在輸出層得到分類結(jié)果。但是，單個隱藏層的感知器面臨一個嚴重的問題是難以擬合復(fù)雜的函數(shù)，典型的如“異或”計算，這使得神經(jīng)網(wǎng)絡(luò)的發(fā)展遇到了瓶頸。隨著科技的進步，多層感知器被提出，輕松地解決了“異或”問題。然而，隨著網(wǎng)絡(luò)層數(shù)增加，函數(shù)容易陷入局部最優(yōu)解，這是神經(jīng)網(wǎng)絡(luò)遇到的第二個瓶頸。2006年，著名科學(xué)家辛頓教授利用預(yù)訓(xùn)練的方法，緩解了局部最優(yōu)解的問題。這以后，人們又利用ReLU等新激活函數(shù)替代了傳統(tǒng)的sigmoid函數(shù)，才讓深度神經(jīng)網(wǎng)絡(luò)成了人工智能中一個極其重要的研究領(lǐng)域。由以上分析可以看出，“深度學(xué)習(xí)”課程應(yīng)該作為專業(yè)核心課程開設(shè)，由于其重要性，學(xué)時建議96學(xué)時，學(xué)分6學(xué)分，開設(shè)學(xué)期建議在第三學(xué)期開設(shè)，其前導(dǎo)課程包括了一些數(shù)學(xué)基礎(chǔ)課程、網(wǎng)絡(luò)基礎(chǔ)課程、編程基礎(chǔ)課，后續(xù)的課程可以是強化學(xué)習(xí)，或者智能機器人等課程。深度學(xué)習(xí)的教學(xué)主要內(nèi)容應(yīng)該包括以下內(nèi)容：

（1）深度學(xué)習(xí)發(fā)展概述

（2）人工神經(jīng)網(wǎng)絡(luò)原理和實踐

（3）深度學(xué)習(xí)的主流結(jié)構(gòu)、激活函數(shù)、正則化技術(shù)，實用算法細節(jié)和應(yīng)用案例

（4）前饋神經(jīng)網(wǎng)絡(luò)和應(yīng)用

（5）卷積神經(jīng)網(wǎng)絡(luò)和應(yīng)用

（6）循環(huán)神經(jīng)網(wǎng)絡(luò)和應(yīng)用

（7）深度學(xué)習(xí)實驗平臺的搭建和代碼編寫

人工智能的另外一門核心技術(shù)就是機器學(xué)習(xí)，其實早在深度學(xué)習(xí)大量應(yīng)用之前，人們就已經(jīng)采用邏輯推理和機器演算的方法來模擬了人類的思維。深度學(xué)習(xí)的一個較大弱點是其不可解釋性，即人們發(fā)現(xiàn)深度學(xué)習(xí)經(jīng)過大量的樣本學(xué)習(xí)后，在某些方面可以達到近似人類的智力水平，但一直對于其運行機制無法做出很好的解釋，這個弊端讓深度學(xué)習(xí)很難用在非常重要的場合，比如醫(yī)療、救治等場合。而機器學(xué)習(xí)中采用邏輯推理和機器演算來模擬了人類思維的方法就顯示了其可以解釋的優(yōu)點。所以開設(shè)機器學(xué)習(xí)這門課程就顯得很有必要。由于機器學(xué)習(xí)領(lǐng)域涉及較多內(nèi)容，而且也是人工智能的基礎(chǔ)，所以建議作為專業(yè)基礎(chǔ)課，設(shè)置在第二學(xué)期或者第三學(xué)期，其前導(dǎo)課程包括高等數(shù)學(xué)、線性代數(shù)、概率與數(shù)理統(tǒng)計、高級語言設(shè)計等，學(xué)時96學(xué)時，6學(xué)分，主要內(nèi)容如下：

（1）機器學(xué)習(xí)的基本概念

（2）聚類（K均值聚類及其改進算法，聚類的任務(wù)等）

（3）回歸（回歸任務(wù)與評價方法等）

（4）分類（全局最優(yōu)、凸優(yōu)化等機器學(xué)習(xí)中的最優(yōu)化理論，迭代法、梯度下降法、牛頓法等最優(yōu)化方法）

（5）特征工程、降維與超參數(shù)調(diào)優(yōu)

人工智能的專家系統(tǒng)以及人工神經(jīng)網(wǎng)絡(luò)都需要提前收集大量的數(shù)據(jù)，這就用到了大數(shù)據(jù)技術(shù)，所以也有必要開設(shè)一門“人工智能數(shù)據(jù)收集與處理”課程，主要講述如何利用大數(shù)據(jù)技術(shù)和網(wǎng)絡(luò)爬蟲等技術(shù)收集數(shù)據(jù)和處理數(shù)據(jù)，其前導(dǎo)課程包括高級語言程序設(shè)計，linux操作系統(tǒng)。建議開設(shè)在第三學(xué)期，64個學(xué)時，4個學(xué)分。主要講授內(nèi)容如下：

（1）大數(shù)據(jù)的定義和特征

（2）大數(shù)據(jù)分析的過程、技術(shù)及工具

（3）大數(shù)據(jù)的應(yīng)用

（4）大數(shù)據(jù)的處理流程

人工智能現(xiàn)在已經(jīng)廣泛應(yīng)用于自然語言處理和圖像識別領(lǐng)域，所以可以分別開設(shè)兩門課程:“自然語言處理”“模式識別和圖像處理”。由于自然語言處理課程涉及建模等復(fù)雜的理論，所以可以在制定課程標(biāo)準(zhǔn)時，避開較復(fù)雜的理論，把重點放在運用環(huán)節(jié)，“自然語言處理”課程建議設(shè)置在第四或者第五學(xué)期，32學(xué)時，2學(xué)分?！澳Ｊ阶R別和圖像處理”課程相對自然語言處理模型較少一些，可以設(shè)置在第四學(xué)期，32學(xué)時，2學(xué)分。

高職院校應(yīng)更注重與技術(shù)運用，所以還可以設(shè)置“智能產(chǎn)品營銷與服務(wù)”課程，在第五學(xué)期講授，32學(xué)時。

除了以上專業(yè)核心課程外，還應(yīng)該開設(shè)高等數(shù)學(xué)、線性代數(shù)、概率與數(shù)理統(tǒng)計、高級語言設(shè)計、網(wǎng)絡(luò)原理、操作系統(tǒng)等基礎(chǔ)課程，建議在第一和第二學(xué)期進行講授，為后面的核心課程打下基礎(chǔ)。

2 結(jié)論

本文對于高職院校人工智能技術(shù)服務(wù)專業(yè)的課程設(shè)置進行了研究分析，提出了總體的設(shè)計框架。人工智能技術(shù)發(fā)展迅速，應(yīng)用廣泛，人工智能專業(yè)在高職院校開展時間較短，所以還需要在不斷的實踐教學(xué)中優(yōu)化培養(yǎng)方案，細化課程設(shè)置。