《神经网络与深度学习》教学大纲 课程名称（汉）：《神经网络与深度学习》 课程名称（英）：Neural Network and Deep Learning 课程代码：263102031 课程类型：专业教育平台专业选修课程模块 适用对象：人工智能专业本科大三 学时/学分：64学时（理论学时48，实验学时16）/3.5学分 先修课程：《高等数学》、《线性代数》、《算法与数据结构》、《程序设计基础》、《系 统建模与仿真》 方案版本：2021版 一、课程简介 《神经网络与深度学习》是人工智能专业一门重要的核心专业课。本课程主 要介绍常见人工神经网络的结构、特点、训练学习算法和运行方式，使学生掌握 人工神经网络实现深度学习的基本过程以及为实现深度学习进行人工神经网络 设计的基本方法。本课程具有很强的实践性，通过具体的实验案例驱动教学，提 升学生实际应用编程能力，初步掌握运用神经网络与深度学习的基本原理和主要 方法编程进行软件仿真，解决科研工作中的实际问题，为学生开展相关领域的研 究奠定基础。 二、课程的教学目标 课程目标1：了解和掌握神经网络和深度学习的概念和基本理论基础： 课程目标2：理解和熟悉常用神经网络的结构、工作原理和学习算法： 课程目标3：了解和掌握常用神经网络的特点、应用领域及设计方法。 课程目标4：初步掌握深度学习网络系统的设计和训练以及深度学习的应用 解决方案。 三、课程目标对人工智能专业毕业要求的支撑关系 华业要求 毕业要求指标点 课程目标 支撑 权重 科学研究 1,2,3 0.04 使用现代化工具 3 0.05 四、教学内容及其基本要求
《神经网络与深度学习》教学大纲 课程名称（汉）：《神经网络与深度学习》 课程名称（英）：Neural Network and Deep Learning 课程代码：263102031 课程类型：专业教育平台专业选修课程模块 适用对象：人工智能专业本科大三 学时/学分：64 学时（理论学时 48，实验学时 16）/ 3.5 学分 先修课程：《高等数学》、《线性代数》、《算法与数据结构》、《程序设计基础》、《系 统建模与仿真》 方案版本：2021 版 一、课程简介 《神经网络与深度学习》是人工智能专业一门重要的核心专业课。本课程主 要介绍常见人工神经网络的结构、特点、训练学习算法和运行方式，使学生掌握 人工神经网络实现深度学习的基本过程以及为实现深度学习进行人工神经网络 设计的基本方法。本课程具有很强的实践性，通过具体的实验案例驱动教学，提 升学生实际应用编程能力，初步掌握运用神经网络与深度学习的基本原理和主要 方法编程进行软件仿真，解决科研工作中的实际问题，为学生开展相关领域的研 究奠定基础。 二、课程的教学目标 课程目标 1：了解和掌握神经网络和深度学习的概念和基本理论基础； 课程目标 2：理解和熟悉常用神经网络的结构、工作原理和学习算法； 课程目标 3：了解和掌握常用神经网络的特点、应用领域及设计方法。 课程目标 4：初步掌握深度学习网络系统的设计和训练以及深度学习的应用 解决方案。 三、课程目标对人工智能专业毕业要求的支撑关系 毕业要求 毕业要求指标点 课程目标 支撑 权重 科学研究 1，2，3 0.04 使用现代化工具 3 0.05 四、教学内容及其基本要求
对应课程 序号 教学内容 教学要求（包括重点难点、教学方法、学生掌握的程度等， 目标 教学重点：人工神经网络的概念、基本特征和基本 功能 1 绪论 教学方法：采用讲解和答疑相结合 教学目的：了解人工神经网络从哪里来，如何发展， 是什么，能做什么 教学重点：人工神经网络神经元模型、人工神经网 络模型、神经网络学习。 人工神经网络建模 2 基础 教学方法：采用讲解和答疑相结合 教学目的：掌握神经网络神经元模型和神经网络模 型，熟悉神经网络学习类型。 教学重点：多层感知器、自适应线性单元、BP算法 及改进、B即网络应用及设计 教学方法：采用讲解和答疑相结合 感知器神经网络 1,2,3 教学目的：掌握多层感知器求解非线性问题的原 理、BP算法及其改进以及基于BP算法的多层感知 器设计。 教学重点：竞争学习策略、自组织特征映射神经网 络、学习向量量化神经网络、对偶传播神经网络、 ARTI型神经网络 4 自组织神经网络 教学方法：采用讲解、答疑和实验相结合 1,2,3 教学目的：掌握SOM神经网络、LVQ神经网络、CPN 神经网络和ARTI型神经网络的网络结构、运行原 理、学习算法与网络应用。 教学重点：基于径向基函数技术的函数逼近与内 径向基函数神经网 插、RBF网络结构、学习算法。 1,2,3 络 教学方法：采用讲解、答疑和实验相结合 教学目的：熟悉RBF网络的工作原理及应用设计。 教学重点：离散型和连续型Hopfield神经网络、 双向联想记忆(BAM)神经网络、随机神经网络。 6 反馈神经网络 教学方法：采用讲解、答疑和实验相结合 1,2,3 教学目的：掌握Hopfield网络的工作原理并会应 用设计。 教学重点：CMAC网络的结构、工作原理、学习算法。 教学方法：采用讲解、答疑和实验相结合 小脑模型神经网络 教学目的：掌握CMAC网络的工作原理并会应用设 1,2,3 计
序号 教学内容 教学要求（包括重点难点、教学方法、学生掌握的程度等） 对应课程 目标 1 绪论 教学重点：人工神经网络的概念、基本特征和基本 功能 教学方法：采用讲解和答疑相结合 教学目的：了解人工神经网络从哪里来，如何发展， 是什么，能做什么 1 2 人工神经网络建模 基础 教学重点：人工神经网络神经元模型、人工神经网 络模型、神经网络学习。 教学方法：采用讲解和答疑相结合 教学目的：掌握神经网络神经元模型和神经网络模 型，熟悉神经网络学习类型。 1 3 感知器神经网络 教学重点：多层感知器、自适应线性单元、BP 算法 及改进、BP 网络应用及设计 教学方法：采用讲解和答疑相结合 教学目的：掌握多层感知器求解非线性问题的原 理、BP 算法及其改进以及基于 BP 算法的多层感知 器设计。 1,2,3 4 自组织神经网络 教学重点：竞争学习策略、自组织特征映射神经网 络、学习向量量化神经网络 、对偶传播神经网络、 ARTⅠ型神经网络 教学方法：采用讲解、答疑和实验相结合 教学目的：掌握 SOM 神经网络、LVQ 神经网络 、CPN 神经网络和 ARTⅠ型神经网络的网络结构、运行原 理、学习算法与网络应用。 1,2,3 5 径向基函数神经网 络 教学重点：基于径向基函数技术的函数逼近与内 插、RBF 网络结构、学习算法。 教学方法：采用讲解、答疑和实验相结合 教学目的：熟悉 RBF 网络的工作原理及应用设计。 1,2,3 6 反馈神经网络 教学重点：离散型和连续型 Hopfield 神经网络、 双向联想记忆(BAM)神经网络、随机神经网络。 教学方法：采用讲解、答疑和实验相结合 教学目的：掌握 Hopfield 网络的工作原理并会应 用设计。 1,2,3 7 小脑模型神经网络 教学重点：CMAC 网络的结构、工作原理、学习算法。 教学方法：采用讲解、答疑和实验相结合 教学目的：掌握 CMAC 网络的工作原理并会应用设 计。 1,2,3
对应课程 序号 教学内容 教学要求（包括重点难点、教学方法、学生掌握的程度等 目标 教学重点：卷积神经网络基本架构、卷积层的功能、 卷积操作的过程、全连接层功能、全连接层与卷积 层的联系与转换、深度残差网络、深度神经网络的 过拟合和欠拟合问题及解决方法。 深度学习网络 1,2,3 教学方法：采用讲解、答疑和实验相结合 教学目的：了解卷积神经网络的工作原理，掌握深 度残差网络以及深度神经网络的过拟合和欠拟合 问题及解决方法。 教学重点：线性支持向量机、非线性支持向量机。 支持向量机基本原 教学方法：采用讲解、答疑和实验相结合 9 1,2,3 理 教学目的：了解支持向量机的工作原理，熟悉其应 用。 教学重点：遗传算法的基本原理、基本操作、模式 理论。 10 遗传算法及应用 教学方法：采用讲解、答疑和实验相结合 1,2,3 教学目的：能够将遗传算法用于神经网络的权值优 化。 教学重点：神经网络系统的总体设计：神经网络的 开发环境：神经网络的软件实现：神经网络的硬件 实现。 人工神经网络设计 11 教学方法：采用讲解、答疑和实验相结合 3,4 与软硬件实现 教学目的：了解神经网络系统设计从需求分析到性 能评价的全过程，掌握软件实现神经网络系统的方 法：熟悉神经网络的硬件实现原理及方法。 教学重点：人工神经系统的基本概念、体系结构、 控制特性和信息模式。 12 人工神经系统 1,2,3 教学目的：了解人工神经系统的工作原理，熟悉人 工神经系统的应用
序号 教学内容 教学要求（包括重点难点、教学方法、学生掌握的程度等） 对应课程 目标 8 深度学习网络 教学重点：卷积神经网络基本架构、卷积层的功能、 卷积操作的过程、全连接层功能、全连接层与卷积 层的联系与转换、深度残差网络、深度神经网络的 过拟合和欠拟合问题及解决方法。 教学方法：采用讲解、答疑和实验相结合 教学目的：了解卷积神经网络的工作原理，掌握深 度残差网络以及深度神经网络的过拟合和欠拟合 问题及解决方法。 1,2,3 9 支持向量机基本原 理 教学重点：线性支持向量机、非线性支持向量机。 教学方法：采用讲解、答疑和实验相结合 教学目的：了解支持向量机的工作原理，熟悉其应 用。 1,2,3 10 遗传算法及应用 教学重点：遗传算法的基本原理、基本操作、模式 理论。 教学方法：采用讲解、答疑和实验相结合 教学目的：能够将遗传算法用于神经网络的权值优 化。 1,2,3 11 人工神经网络设计 与软硬件实现 教学重点：神经网络系统的总体设计；神经网络的 开发环境；神经网络的软件实现；神经网络的硬件 实现。 教学方法：采用讲解、答疑和实验相结合 教学目的：了解神经网络系统设计从需求分析到性 能评价的全过程，掌握软件实现神经网络系统的方 法；熟悉神经网络的硬件实现原理及方法。 3,4 12 人工神经系统 教学重点：人工神经系统的基本概念、体系结构、 控制特性和信息模式。 教学目的：了解人工神经系统的工作原理，熟悉人 工神经系统的应用。 1,2,3
五、各教学环节及学时分配 教学环节及学时 知识 习 棋块 教学内容 实验（实践》） 课 课 课 计 绪论 人工神经网络的概念、基本特征和基本功能 2 2 人工神 脑的生物神经系统概述、人工神经网络的生物学基础、人 2 2 经网络 工神经元模型 建模基 2 2 础 人工神经网络模型、神经网络学习 感知器 2 2 4 多层感知器、 自适应线性单元、BP算法及改进、基于BP 神经网 络 算法的多层感知器设计 自组 2 2 4 竞争学习策略：SOM神经网络、LVQ神经网络、CPN神经 织神 网络和ARTI型神经网络的网络结构、运行原理、学习算 经 网 法与网络应用 络 径向 基于径向基函数技术的函数逼近与内插、正则化理论与正 2 基 函 则化RBF网络 数神 2 4 BF网络常用学习算法、RBF网络与多层感知器的比较、 经 网 RBF网络的设计与应用实例 络 反馈 离散型和连续型Hopfield神经网络、Hopfield网络的应用 2 2 神经 和设计 网络 双向联想记忆(BAM)神经网络、随机神经网络 2 2 4 小脑 2 2 模型 CMAC网络的结构、工作原理、学习算法 神经 网络 深度置信网络工作原理；卷积神经网络的特点与基本架 2 2 深度 兴 构、卷积层的功能、卷积操作的过程、与传统人工神经元 习 的类比分析、池化层功能、全连接层功能、全连接层与 网络 卷积层的联系与转换
五、各教学环节及学时分配 知识 模块 教学内容 教学环节及学时 讲 授 课 习 题 课 讨 论 课 实 验 （ 实 践 ） 合 计 绪论 人工神经网络的概念、基本特征和基本功能 2 2 人工神 经网络 建模基 础 脑的生物神经系统概述、人工神经网络的生物学基础、人 工神经元模型 2 2 人工神经网络模型、神经网络学习 2 2 感知器 神经网 络 多层感知器、自适应线性单元、BP 算法及改进、基于 BP 算法的多层感知器设计 2 2 4 自 组 织 神 经 网 络 竞争学习策略；SOM 神经网络、LVQ 神经网络 、CPN 神经 网络和 ARTⅠ型神经网络的网络结构、运行原理、学习算 法与网络应用 2 2 4 径 向 基 函 数 神 经 网 络 基于径向基函数技术的函数逼近与内插、正则化理论与正 则化 RBF 网络 2 2 4 RBF 网络常用学习算法、RBF 网络与多层感知器的比较、 RBF 网络的设计与应用实例 2 2 4 反 馈 神 经 网络 离散型和连续型 Hopfield 神经网络、Hopfield 网络的应用 和设计 2 2 双向联想记忆(BAM)神经网络、随机神经网络 2 2 4 小 脑 模 型 神 经 网络 CMAC 网络的结构、工作原理、学习算法 2 2 深 度 学 习 网络 深度置信网络工作原理；卷积神经网络的特点与基本架 构、卷积层的功能、卷积操作的过程、与传统人工神经元 的类比分析 、池化层功能、全连接层功能、全连接层与 卷积层的联系与转换 2 2
教学环节及学时 知识 讲 习 模块 教学内容 课 课 课 实验（实践） 合 目标检测应用概述及应用案例Region--CNN、深度神经网络 2 4 6 的网络退化问题、深度残差网络ResNet、深度神经网络的 过拟合和欠拟合问题及解决方法 支持 2 4 6 向量 机基 线性支持向量机、非线性支持向量机。 本原 理 遗传 2 2 4 遗传算法的基本原理、基本操作、模式理论、特点：遗传 算法 算法中的参数选择及算法改进方法，遗传算法用于神经网 及应 络的权值优化。 用 人工 2 1214 神经 网络 神经网络系统的总体设计：神经网络的开发环境：神经网 设计 络的软件实现：神经网络的硬件实现。 与 新 硬件 实现 人工 2 2 人工神经系统的基本概念、体系结构、控制特性和信息模 神经 式。 系统 合计 64 六、成绩考核及其基本要求 考核 建议 对应课程 分值 考核/评价细则 环节 目标 平时表 主要包括平时作业完成情况和出勤情况。在本考核环节中， 现及考 o 作业和出勤各占50%，其中旷课达到一定数量按学院规定处理 勤情况
知识 模块 教学内容 教学环节及学时 讲 授 课 习 题 课 讨 论 课 实 验 （ 实 践 ） 合 计 目标检测应用概述及应用案例 Region-CNN、深度神经网络 的网络退化问题、深度残差网络 ResNet、深度神经网络的 过拟合和欠拟合问题及解决方法 2 4 6 支 持 向 量 机 基 本 原 理 线性支持向量机、非线性支持向量机。 2 4 6 遗 传 算 法 及 应 用 遗传算法的基本原理、基本操作、模式理论、特点；遗传 算法中的参数选择及算法改进方法，遗传算法用于神经网 络的权值优化。 2 2 4 人 工 神 经 网 络 设 计 与 软 硬 件 实现 神经网络系统的总体设计；神经网络的开发环境；神经网 络的软件实现；神经网络的硬件实现。 2 12 14 人 工 神 经 系统 人工神经系统的基本概念、体系结构、控制特性和信息模 式。 2 2 合计 64 六、成绩考核及其基本要求 考核 环节 建议 分值 考核/评价细则 对应课程 目标 平时表 现及考 勤情况 10 主要包括平时作业完成情况和出勤情况。在本考核环节中， 作业和出勤各占 50%，其中旷课达到一定数量按学院规定处理
考核 建议 对应课程 考核/评价细则 环节 分值 目标 课程不同阶段设置对应的上机操作案例，根据每个实验的实 际完成情况及实验报告完成情况进行综合评分。 (1)很好的完成了所承担的设计任务，设计有新意，程序调 试顺利， 结果正确，回答提问准确，90~100分。 (2)较好地完成了所承担的设计任务，设计完全，程序调试 阶段实 较顺利， 验完成 30 结果正确，回答问题准确，80~89分。 1,2,3,4 情况 (3)能够完成所承担的设计任务，经提示程序调试通过，结 果正确， 回答问题基本准确，70~79分。 (4)设计没有严重错误，经老师指导调试成功，结果正确， 能够回答 基本问题，60~69分。 (5)不能独立完成设计任务，不及格处理。 包括期末卷面成绩（占60%）和上机考试成绩（占40%），是 期末考 60 对学生所学本课程知识的掌握程度和基本技能的运用程度而 1,2,3,4 试成绩 进行的考核。 七、主要教学参考资源 教材： 《人工神经网络理论及应用》韩力群著，机械工业出版社，2017.07 推荐参考资料： (1)《人工神经网络教程》韩力群著，北京邮电大学出版社，2006.12 (2)《神经网络与深度学习》邱锡鹏著，机械工业出版社，2020.04 (3)《神经网络与深度学习一一基于TensorFlow框架和Python技术实现》 包子阳著，电子工业出版社，2019.04 教学参考资源： https::/mooc.study.163.com/smartSpec/detail/1001319001.htm(网易云课堂： 神经网络与深度学习) https:/icourse163.org/course,/DA-1002183004(中国大学M00C:神经网络和 深度学习) https:www.bilibili.com/video./av51673211/(吴恩达神经网络与深度学习)
考核 环节 建议 分值 考核/评价细则 对应课程 目标 阶段实 验完成 情况 30 课程不同阶段设置对应的上机操作案例，根据每个实验的实 际完成情况及实验报告完成情况进行综合评分。 （1）很好的完成了所承担的设计任务，设计有新意，程序调 试顺利， 结果正确，回答提问准确，90～100 分。 （2）较好地完成了所承担的设计任务，设计完全，程序调试 较顺利， 结果正确，回答问题准确，80～89 分。 （3）能够完成所承担的设计任务，经提示程序调试通过，结 果正确， 回答问题基本准确，70～79 分。 （4）设计没有严重错误，经老师指导调试成功，结果正确， 能够回答 基本问题，60～69 分。 （5）不能独立完成设计任务，不及格处理。 1,2,3,4 期末考 试成绩 60 包括期末卷面成绩（占 60%）和上机考试成绩（占 40%），是 对学生所学本课程知识的掌握程度和基本技能的运用程度而 进行的考核。 1,2,3,4 七、主要教学参考资源 教材： 《人工神经网络理论及应用》韩力群著，机械工业出版社，2017 .07 推荐参考资料： （1）《人工神经网络教程》 韩力群著，北京邮电大学出版社，2006.12 （2）《神经网络与深度学习》邱锡鹏著,机械工业出版社， 2020.04 （3）《神经网络与深度学习——基于 TensorFlow 框架和 Python 技术实现》 包子阳著，电子工业出版社，2019.04 教学参考资源： https://mooc.study.163.com/smartSpec/detail/1001319001.htm（网易云课堂： 神经网络与深度学习） https://icourse163.org/course/DA-1002183004（中国大学 MOOC：神经网络和 深度学习） https://www.bilibili.com/video/av51673211/（吴恩达 神经网络与深度学习）
