研產(chǎn)教融合引導的“人工智能導論”教學案例設(shè)計

王振華　徐新黎　孫磊

摘? 要：針對目前“人工智能導論”課程知識點關(guān)聯(lián)不夠、授課內(nèi)容與實際產(chǎn)業(yè)脫節(jié)較大、學生學習積極性較低等問題，以實際工業(yè)需求為背景，以人工智能技術(shù)發(fā)展研究態(tài)勢為主線，分析課程模塊之間的邏輯關(guān)聯(lián)和遞進關(guān)系，提出科研、產(chǎn)業(yè)、教育融合引導的“人工智能導論”教學案例設(shè)計思想、設(shè)計策略與相關(guān)案例，并討論這些案例對培養(yǎng)學生分析與解決實際工程問題能力的積極作用。

關(guān)鍵詞：研產(chǎn)教融合;人工智能教學;教學案例;知識體系

中圖分類號：G642? ? ? 文獻標識碼：A 文章編號：2096-4706（2020）09-0176-04

“Introduction to Artificial Intelligence” Teaching Case Design Guided by

the Integration of Research，Production and Teaching

WANG Zhenhua1，XU Xinli1，SUN Lei2

（1.College of Computer Science and Technology，Zhejiang University of Technology，Hangzhou? 310023，China;

2.Kaifeng Xiangfu Liudian Duzhuang Primary School，Kaifeng? 475114，China）

Abstract：In view of the problems such as insufficient connection of knowledge points in the course of “Introduction to Artificial Intelligence”，large disconnection between the teaching content and the actual industry，and low learning enthusiasm of students，this paper analyzes the logical connection and progressive relationship between the course modules with the background of the actual industrial demand and the research trend of the development of artificial intelligence technology as the main line. This paper puts forward the teaching case design idea，design strategy and relevant cases of “Introduction to Artificial Intelligence” guided by the integration of scientific research，industry and education，and discusses the positive role of these cases in cultivating studentsability to analyze and solve practical engineering problems.

Keywords：integration of research，industry and teaching;artificial intelligence teaching;teaching case;knowledge architecture

0? 引? 言

隨著智能產(chǎn)業(yè)的發(fā)展升級與人工智能技術(shù)的不斷革新，很多高校開設(shè)了“人工智能導論”課程，該課程成為本科電子信息相關(guān)專業(yè)的專業(yè)必修課或重要選修課，是支撐本科生培養(yǎng)目標的重要課程之一[1]。目前，我校計算機科學與技術(shù)學院、軟件學院開設(shè)了“人工智能導論”課程，“人工智能導論”是軟件工程、計算機科學與技術(shù)、網(wǎng)絡(luò)工程、物聯(lián)網(wǎng)等專業(yè)本科生的一門基礎(chǔ)選修課程，也是面向包括人文社科等全校所有專業(yè)的公選課之一[1，2]。本課程主要介紹人工智能問題求解的一般性原理和基本思想以及一些前沿內(nèi)容，為學生提供最基本的人工智能技術(shù)和有關(guān)問題的入門性知識，為進一步學習和研究人工智能理論與應(yīng)用奠定基礎(chǔ)。因此，建設(shè)好“人工智能導論”課程具有廣泛需求和重要意義。

1? “人工智能導論”課程概述

人工智能是一門典型的交叉學科，與數(shù)學、心理學、神經(jīng)科學、計算機科學均有緊密的關(guān)聯(lián)[3]，而作為一門課程，“人工智能導論”的重要先修課程包括高等數(shù)學、線性代數(shù)、概率論、數(shù)據(jù)結(jié)構(gòu)、算法分析和程序設(shè)計，其知識點的掌握需要學生具備較強的理論運用分析和編程實踐能力。人工智能技術(shù)日新月異，迭代更新速度較快，對教師授課內(nèi)容的深度與廣度均提出了較強的挑戰(zhàn)[4]。因此，如何在激發(fā)學生學習興趣的同時，逐漸支持學生構(gòu)建邏輯性強的人工智能知識體系，并逐步提升其分析和解決現(xiàn)實工程問題的能力，是現(xiàn)階段“人工智能導論”授課時亟待解決的重要問題。

教學案例的選擇與設(shè)計是“人工智能導論”授課的重要問題之一。受學時、教材和上機實驗條件制約，目前教學案例的選取側(cè)重于簡單的、孤立的、和實際生產(chǎn)關(guān)聯(lián)較弱的案例[2，5，6]，對課程培養(yǎng)目標的支撐程度有待提升。例如，在講授搜索/狀態(tài)模型時，采用“五子棋問題”;在講解遺傳算法時，采用“流水車間調(diào)度案例”;而在講授BP神經(jīng)網(wǎng)絡(luò)環(huán)節(jié)，采用數(shù)碼識別問題。即便是同一模塊的不同算法，亦采用多種不同的簡單案例進行分析。例如，在搜索模塊，講授深度優(yōu)先/廣度優(yōu)先搜索時采用“積木問題”“卒子穿陣問題”，而講授啟發(fā)式搜索時又采用“八數(shù)碼問題”。采用這些簡單、孤立案例的問題在于不利于對不同模型或算法進行分析對比，導致授課內(nèi)容寬泛并缺乏深度、學生難以掌握人工智能核心知識體系，甚至阻礙實現(xiàn)“培養(yǎng)學生采用智能的思想、手段和方法分析解決實際復雜工程問題”的培養(yǎng)目標。

針對上述問題，本文提出研究、產(chǎn)業(yè)、教學（研產(chǎn)教）相互融合的人工智能教學案例設(shè)計思想，并討論在該思想指引下的教學案例設(shè)計策略、途徑和方法。所謂研產(chǎn)教融合，即指以實際工業(yè)應(yīng)用場景引導教師提煉關(guān)鍵科學問題、在科研中提出問題解決方案，并在“人工智能導論”教學實踐中對科學問題和解決方案進行濃縮、提煉和升華。本文聚焦實際工程問題及其解決方案的提煉與升華的教學方法論，輔以相關(guān)案例說明如何設(shè)計契合研產(chǎn)教融合思想的教學案例，以期為解決上述“人工智能導論”授課問題提供有效的途徑和方法支持，最終提升教學效果并實現(xiàn)課程培養(yǎng)目標。

2? 教學案例設(shè)計理念

根據(jù)上述學情分析，本文提出“人工智能導論”本科授課教學案例設(shè)計所遵循的“三個有利于原則”，即有利于串聯(lián)不同知識模塊和構(gòu)建“人工智能導論”課程知識體系的原則、有利于為學生在人工智能方向就業(yè)或深造奠定基礎(chǔ)的原則、有利于學生在有限時間內(nèi)完成學習任務(wù)的原則。

2.1? 有利于串聯(lián)不同知識模塊和構(gòu)建“人工智能導論”課程知識體系

目前，人工智能課程涵蓋的熱門就業(yè)方向包括智能推薦、語音識別、機器翻譯、基于內(nèi)容的圖片搜索、視頻監(jiān)控、游戲以及各行各業(yè)的智能升級改造，而其外延的熱點研究方向包括計機器學習、算機視覺、模式識別、計算機聽覺、數(shù)據(jù)挖掘、生物信息學等。因此，人工智能教學案例設(shè)計應(yīng)適度結(jié)合與體現(xiàn)智能技術(shù)在行業(yè)的最新應(yīng)用，并支持最新研究成果與經(jīng)典模型、技術(shù)和算法的對比分析。

2.2? 有利于為學生在人工智能方向就業(yè)或深造奠定基礎(chǔ)

“人工智能導論”知識包括建模、學習和推理3大模塊。其中建模模塊主要包括知識表示、人工神經(jīng)網(wǎng)絡(luò)2個子模塊;學習模塊主要包括智能計算、機器學習與深度學習3個子模塊;推理模塊包含確定性推理、不確定性推理和搜索求解3個子模塊。在實際工業(yè)應(yīng)用領(lǐng)域，復雜人工智能系統(tǒng)均涉及此3大模塊的研發(fā)。其中，建模環(huán)節(jié)實現(xiàn)從系統(tǒng)輸入到輸出的抽象表達與映射，學習模塊支持以靜態(tài)或動態(tài)的方式獲取表達與映射關(guān)系的具體模型參數(shù)，而推理模塊負責利用輸入和模型求解對應(yīng)的結(jié)論。例如，在人臉識別系統(tǒng)中，利用深度卷積網(wǎng)絡(luò)對人臉特征提取問題進行建模，然后利用隨機梯度下降算法學習網(wǎng)絡(luò)模型參數(shù)，最后對人臉數(shù)據(jù)庫進行搜索和特征比對獲得人臉識別結(jié)果（即推理）。在設(shè)計教學案例時，應(yīng)考慮如何有效串聯(lián)、對比、分析不同知識模塊、子模塊及算法，幫助學生構(gòu)建人工智能核心知識體系。

2.3? 有利于學生在有限時間內(nèi)完成學習任務(wù)

如上文所述，人工智能知識點繁雜，涉及基礎(chǔ)課程較多，學生普遍反映難以熟練掌握。如教學案例過于復雜，必將加劇學生的厭學情緒。因此，在教學案例設(shè)計盡量遵循以上2個原則的基礎(chǔ)上，應(yīng)盡可能簡化細枝末節(jié)的內(nèi)容及問題復雜度，有利于學生在有限時間內(nèi)完成學習任務(wù)。

3? 教學案例設(shè)計實踐

本節(jié)以“人工智能導論”課程中的“搜索”和“機器學習”2大模塊為例，說明如何設(shè)計符合上述基本原則的教學案例。

3.1? 案例設(shè)計1：通勤方案規(guī)劃問題

問題描述：假設(shè)有n個街區(qū)，編號為1，2，…，n。有兩種交通方式：步行和乘坐公交。步行從任意編號為s∈{1，2，…，n}的街區(qū)到編號為s+1的街區(qū)需要1分鐘，乘坐公交從編號為任意s的街區(qū)到編號為2s的街區(qū)需要2分鐘。請選擇一種交通方案，使從編號為1的街區(qū)到編號為n的街區(qū)花費的總體通勤時間最短。

該案例的相關(guān)實際應(yīng)用包括智能作業(yè)調(diào)度、機器人路徑規(guī)劃、智能游戲、機器翻譯等，對該案例進行適當擴展，將為學生在這些領(lǐng)域的就業(yè)或科研奠定重要的理論和實踐基礎(chǔ)。

通過上述描述可以看出，該問題并不復雜。然而，該案例能夠串聯(lián)人工智能搜索模塊多種主要算法，包括回溯算法、動態(tài)規(guī)劃算法、一致代價搜索、A*搜尋算法，如圖1所示。由于該問題十分簡潔，教師在授課過程中較容易采用現(xiàn)場編程的方式對該問題進行建模（采用Python編程僅需要約20行代碼），且創(chuàng)建的“通勤方案規(guī)劃問題”類可為現(xiàn)場編程演示搜索算法復用。教師可以增加街區(qū)的個數(shù)n，則問題的復雜度也隨之增加，方便對比不同搜索算法的時間復雜度和空間復雜度，使學生在教學現(xiàn)場即能較深入的理解搜索問題和相關(guān)算法，快速構(gòu)建人工智能搜索經(jīng)典搜索算法知識體系。

除了“搜索”模塊，該案例能夠支撐構(gòu)建搜索算法和機器學習算法之間的橋梁。例如，通過改變n的大小產(chǎn)生一組通勤方案規(guī)劃問題作為訓練集，并通過動態(tài)規(guī)劃搜索算法獲得所有問題的最優(yōu)解，作為訓練數(shù)據(jù)對應(yīng)的真實輸出。基于該合成數(shù)據(jù)集，采用機器學習算法，如結(jié)構(gòu)化感知學習動作集的代價和真實代價進行對比即可發(fā)現(xiàn)相關(guān)規(guī)律，進而強化學生對搜索模塊和機器學習模塊之間關(guān)聯(lián)的理解和人工智能知識體系構(gòu)建。

3.2? 案例設(shè)計2：家庭成員關(guān)系推斷問題

問題描述：已知5位家庭成員之間的關(guān)系如圖2所示，其中每個節(jié)點表示一個成員，由一條實線有向邊表示所系兩人之間的關(guān)系，例如“黃蓉是郭襄的母親”。根據(jù)已知關(guān)系（實線邊）推斷“郭靖”和“郭襄”之間的關(guān)系（虛線邊表示關(guān)系未知）。

該案例用于知識圖譜學習和推理內(nèi)容的講授，其設(shè)計思路是基于僅含5個節(jié)點的關(guān)系網(wǎng)絡(luò)，串聯(lián)起知識圖譜構(gòu)建和擴展問題中的建模模塊、學習模塊和推理模塊。盡管該案例所含問題比較簡單，但通過對該問題的講解和演示，能使學生深刻理解知識表示、機器學習和推理之間的關(guān)聯(lián)，亦能通過應(yīng)用所學知識解決新問題的模式，提升學生分析問題的能力和動手實踐水平。另一方面，當前人工智能的重要發(fā)展趨勢之一是通過知識與數(shù)據(jù)的融合實現(xiàn)智能系統(tǒng)性能的顯著提升。該案例結(jié)合了基于數(shù)據(jù)的機器學習模型與知識圖譜模型，反映了當前智能技術(shù)發(fā)展的前沿方向，能夠為學生未來在此方面的研究與開發(fā)奠定基礎(chǔ)。

3.3? 案例設(shè)計3：手寫數(shù)字識別問題

問題描述：識別二值圖像（大小為32×32）中的手寫數(shù)字，以MNIST數(shù)據(jù)集為例，輸出識別正確率和模糊矩陣。

該案例為典型的計算機視覺圖像分類問題，為教授機器學習模塊而設(shè)計，涉及的知識點主要包括線性分類器、支持向量機、全連接神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等重要機器學習算法。和傳統(tǒng)機器學習教學案例（如判別字符串是否包含人名、垃圾郵件識別、癌癥判別等）相比，該案例更符合本文第2部分所提的3條原則，主要原因如下：

（1）該案例適合講授圖3所示的重要機器學習算法，而上述傳統(tǒng)教學案例不適合卷積神經(jīng)網(wǎng)絡(luò)的講授和應(yīng)用，因此手寫數(shù)字識別案例對構(gòu)建完整的機器學習知識體系支撐度更高。如果未在前期備課中通盤考慮教學案例設(shè)計對知識體系構(gòu)建的支持，則在后續(xù)教學環(huán)節(jié)就需要不斷引入新的教學案例，存在持續(xù)增加授課和學習難度的風險;

（2）計算機視覺是當前人工智能研究的熱點，手寫數(shù)字識別是計算機視覺中的重要問題之一，在圖像識別領(lǐng)域有著廣闊的應(yīng)用前景。學生學習該案例后，容易舉一反三，把模式識別的基本思想、方法和手段應(yīng)用到實際生產(chǎn)問題，為他們未來深造與就業(yè)奠定堅實的理論和方法基礎(chǔ);

（3）通過比對、分析不同機器學習算法在手寫數(shù)字識別問題上的性能，能夠提升學生對算法的認知和理解，并培養(yǎng)其分析、解決復雜問題的能力。

4? 教學效果分析

4.1? 基于課內(nèi)實驗的教學效果分析

課程共包含4次課內(nèi)實驗，共8學時。這些實驗均和課內(nèi)教學案例共享核心知識點，但實驗所設(shè)問題的難度稍高于對應(yīng)的教學案例。例如，A*搜尋算法相關(guān)實驗是對3.1部分通勤方案規(guī)劃問題的縱深拓展，在基本通勤問題的基礎(chǔ)上增加約束條件，要求訪問奇數(shù)車站的個數(shù)不少于偶數(shù)車站的個數(shù)，重點鍛煉、考查學生運用松弛策略設(shè)計求解問題的合適狀態(tài)和估價函數(shù)，進而培養(yǎng)他們應(yīng)用人工智能方法解決復雜工程問題的能力。通過批改學生提交的源碼和運行結(jié)果截圖發(fā)現(xiàn)，大部分學生在教學案例代碼的基礎(chǔ)上進行拓展，能夠設(shè)計合適的狀態(tài)結(jié)構(gòu)和估價函數(shù)并編程實現(xiàn)，進而計算獲得正確答案。相當一部分有余力的學生實現(xiàn)了額外的功能，如比較A*搜尋算法和一致代價搜索在該問題上的求解速度、對比多種估價函數(shù)、開發(fā)一個簡單的在線搜索演示平臺等，而這種現(xiàn)象在未采用“研產(chǎn)教融合引導的人工智能教學案例設(shè)計”教學方法之前比較少見。

4.2? 基于自主實驗的教學效果分析

為檢驗學生運用所學知識解決復雜工程問題的能力，課程設(shè)置自主實驗環(huán)節(jié)，共占4學時，用于驗收學生實驗成果。為培養(yǎng)學生團隊協(xié)作能力，所有學生按照自由結(jié)合的方式分成小組，每組2～3人。在選題方面，教師基于對所了解的研發(fā)熱點問題推薦20個題目，如“車牌檢測與識別”“手語識別”“課堂行為識別”“人像摳圖”“花卉識別”“鳥類識別”等。在復雜度和教師推薦題目相近的前提下，學生也可以自擬感興趣題目。

通過實驗驗收環(huán)節(jié)發(fā)現(xiàn)，大部分組能夠按時在公開數(shù)據(jù)集上完成實驗，并恰當回答教師在實驗驗收環(huán)節(jié)所提問題。盡管學生求解問題所采用的算法參考了相關(guān)經(jīng)典工作，大部分組仍通過超參數(shù)優(yōu)化、數(shù)據(jù)增廣和特征融合等常用技巧實現(xiàn)了系統(tǒng)性能的穩(wěn)步提升。少數(shù)組對所選課題進行了較深入的研究，在教師的引導下，通過對經(jīng)典模型和算法進行改進實現(xiàn)了識別性能的較大幅度提升。例如，為識別課堂行為，一組學生基于共享特征的思想提出了端到端的統(tǒng)一人體檢測和感興趣行為分類網(wǎng)絡(luò)，其主要訓練數(shù)據(jù)在開封市祥符區(qū)劉店鄉(xiāng)杜莊小學采集，采用小批次數(shù)據(jù)和隨機梯度下降訓練所提網(wǎng)絡(luò)模型，實現(xiàn)了快速、準確的課堂行為識別性能，并在此基礎(chǔ)上開發(fā)了一款課堂教學評價軟件。

5? 結(jié)? 論

本文主要討論了人工智能本科課程教學案例設(shè)計的原則和相關(guān)方法。這些原則主要圍繞促進人工智能研究、產(chǎn)業(yè)、教學的深度融合而提出，最終目的是實現(xiàn)學生利用人工智能原理、手段和算法解決復雜工程問題能力的全面提升。作為實現(xiàn)研產(chǎn)教融合的重要途徑，教學案例設(shè)計應(yīng)有利于串聯(lián)不同知識模塊和構(gòu)建“人工智能導論”課程知識體系，有利于為學生在人工智能方向就業(yè)或深造奠定基礎(chǔ)，并有利于學生在有限時間內(nèi)完成學習任務(wù)。我們認為，遵循“三個有利于原則”的教學案例將為提升教師授課質(zhì)量提供重要支撐。

參考文獻：

[1] 徐新黎，王萬良，楊旭華.“人工智能導論”課程的教學與實踐改革探索 [J].計算機教育，2009（11）：129-132+126.

[2] 徐新黎，胡磊，王萬良，等.智能搜索算法在線教學實驗平臺的設(shè)計與實現(xiàn) [J].實驗技術(shù)與管理，2012，29（5）：112-117.

[3] 王國胤，劉群，夏英，等.大數(shù)據(jù)與智能化領(lǐng)域新工科創(chuàng)新人才培養(yǎng)模式探索 [J].中國大學教學，2019（4）：28-33.

[4] 嵩天.人工智能領(lǐng)域產(chǎn)教融合的邊界分析 [J].中國大學教學，2018（7）：31-35.

[5] 周婧，王曉楠.人工智能時代信息技術(shù)教學模式探究 [J].計算機教育，2017（12）：109-112.

[6] 欒曉，于洪.智能游戲開發(fā)與設(shè)計課程教學方法探索 [J].計算機教育，2016（10）：42-44.

作者簡介：王振華（1984—），男，漢族，河南開封人，講師，博士，研究方向：人工智能、深度學習。