摘要：深度學習人才屬于人工智能產(chǎn)業(yè)中的核心人才，隨著社會經(jīng)濟的發(fā)展，此類人才的需求量日益增多。因此各大高校開始開設深度學習課程，其中不乏高職院校。但深度學習課程抽象難懂、涉及領域廣、技術更新快，對傳統(tǒng)教學是一種極大的挑戰(zhàn)。本校教學實踐證明，文中提出的幾點教學措施，能夠使學生較好的掌握深度學習中晦澀難懂的理論知識并培養(yǎng)較強的實踐動手能力，從而為社會培養(yǎng)高層次的人工智能應用型人才。

關鍵詞：深度學習;教學方法;以研促教

1、前言

深度學習是機器學習最重要的一個分支，近幾年發(fā)展迅猛，在國內(nèi)外都引起了廣泛的關注。作為機器學習領域最熱門的技術，在計算機視覺、生物特征識別、圖像檢索、自然語言處理、語音識別等眾多領域都發(fā)揮著重要作用。在應用較多的計算機視覺領域，Le Cun等人設計了LeNet-5網(wǎng)絡，并將其應用到手寫數(shù)字的識別問題中，隨后應用到人臉識別和手勢識別等領域。Hinton和Alex設計的AlexNet網(wǎng)絡模型在ILSVRC競賽中獲得冠軍，此后更多的復雜神經(jīng)網(wǎng)絡成為ImageNet大賽中的優(yōu)勝算法。

隨著深度神經(jīng)網(wǎng)絡等復雜又抽象的概念到來，以往老師講，學生學的教學方式已經(jīng)不能滿足師生需求，很多課堂教學目標無法完成。

2、深度學習課堂教學存在的問題

深度學習是理論與實踐相結合的課程，以優(yōu)化論、概率論、矩陣論、逼近論、統(tǒng)計學、拓撲學為基礎，具有深厚的數(shù)學背景。因此，需要學生有扎實的數(shù)學基礎，但這往往是課堂教學中的一個較難解決的問題。根據(jù)近年來各高校深度學習課程的教學反饋來看，主要存在以下問題：

2.1 以數(shù)學為背景，理論抽象

深度學習課程涉及到的數(shù)學知識較多，目前大部分高校使用的教材涵蓋了大部分數(shù)學推導及核心算法，對于職業(yè)院校的學生教學有一定難度。而一些輕理論重實戰(zhàn)的教材，往往會提供大量的代碼，但是很少有對代碼的詳細注釋，這樣也不利于學生理解。

2.2 算法難懂，模型復雜

隨著深度學習模型在機器學習領域的大規(guī)模興起，各領域?qū)ι疃葘W習算法的研究更加深入，各種模型層出不窮，如卷積神經(jīng)網(wǎng)絡模型、循環(huán)神經(jīng)網(wǎng)絡模型、玻爾茲曼機、深度信念網(wǎng)絡、對抗生成網(wǎng)絡和殘差網(wǎng)絡都是時下大熱的深度學習模型。但由于模型結構復雜、原理難懂的特點，課堂上傳統(tǒng)的講授方式很難讓學生理解清楚，這樣容易讓學生失去學習的動力。

3 教學措施

針對目前大多數(shù)教材內(nèi)容與社會需求、職業(yè)技能存在一定的偏差、學生缺乏實戰(zhàn)能力、學生畏難情緒嚴重等問題，我們采取了如下的教學措施：

3.1教學模式設計

利用線上課程資源庫平臺打造線上線下混合教學環(huán)境。通過資源平臺發(fā)布微課視頻，引導學生自主探究學習;教師通過頭腦風暴、自畫像等教學活動，輔助課堂教學;通過平臺發(fā)布課堂練習和課后作業(yè)，并進行評分。實現(xiàn)每節(jié)課課前、課中、課后信息全采集，以便后期作教學分析。

3.2教學方法設計

在教學實施過程中，為了讓學生充分發(fā)揮主觀能動性，釋放自己的潛能，突出他們的主體地位，設計多種教學形式。通過分組討論、小組PK梳理任務思路;利用角色扮演讓學生換位思考，激發(fā)學生思維;通過小組拼圖完成實戰(zhàn)任務，攻克教學重難點。采用這些不同的教學方法，合理組織教學形式，并在教學中潤物無聲的融入思政元素。

3.3 教學內(nèi)容設計

根據(jù)教學大綱，結合人工智能競賽內(nèi)容，以及本門課程的課程標準，調(diào)整教學內(nèi)容，進行項目式重構，此類項目吸取了競賽中應用實戰(zhàn)內(nèi)容，對提高學生的實踐動手能力有很好的幫助。另一類課程項目以企業(yè)需求和地方經(jīng)濟社會發(fā)展需求為導向來設計，并通過企業(yè)專家的指導，突出項目的實戰(zhàn)性，使學生能夠快速上手完成任務。

3.4以研促教，以教促學

通過作業(yè)情況，研判學情，結合學生知識基礎、技能基礎，確定教學重難點;結合學生學習反饋，及時調(diào)整教學策略，引導學生自主思考;將教師科研融入教學，“以研促教，以教促學”，通過開展教學和科研活動來優(yōu)化教學方法，拓寬教學思路，提升教學能力，實現(xiàn)教師與學生的共同成長。

參考文獻

[1]??????? LeCun Y，Bottou L，Bengio Y.Gradient-based learning applied to document recognition[J].IEEE，1998，86（11）：2278-2324.

[2]??????? Garcia，C and Delakis，M.Convolutional face finder：A neural architecture for fast and robust face detection[J].IEEE Transactions on pattern analysis and machine intelligence，2004，26（11）：1408-1423.

[3]??????? Nowlan S.A convolutional neural network hand tracker[C].Advances in neural information processing systems，1995：901-908.

[4]??????? Krizhevsky A，Sutskever I，Hinton G E.Imagenet classification with deep convolutional neural networks[C].IEEE International Conference on Advances in Neural Information Processing Systems，2012：1097-1105.

[5]??????? Russakovsky O.Imagenet large scale visual recognition challenge[J].International Journal of Computer Vision，2015，115（3）：211-252.

[6]李勇.本科機器學習課程教改實踐與探索[J].計算機教育，2015（13）：63-66.

作者簡介：吳慧婷（1980-），女，副教授，主要研究方向：機器學習、深度學習。