《人工智能与机器学习》教学大纲课程类别（必修/选修）：必修课程名称：人工智能与机器学习课程英文名称：ArtificialIntelligenceandMachineLearning总学时/周学时/学分：48/3/3其中实验/实贱学时：16先修课程：具备Python程序语言、数据结构、基础的数学和统计学知识。后续课程支撑：毕业设计授课地点：机房503授课时间：星期一(7-8节1-16周，星期五(3-4节）9-16周授课对象：23电商1-2班开课学院：粤台产业科技学院任课教师姓名/职称：杨荣贵/副教授答疑时间、地点与方式：课堂或课后，教室或通讯软件，当面或线上答疑课程考核方式：开卷（）闭卷（）课程论文（）其它（）作业、期末报告使用教材：《人工智能算法与实战（Python+PyTorch）》，于祥雨、李旭静、邵新平，清华大学出版社，第1版，教材ISBN：9787302557821教学参考资料：《PyTorch生成对抗网络编程》，韩江雷，人民邮电出版社，出版日期：2020.12，ISBN：9787115546388课程简介：人工智能（AI）与机器学习（ML）课程通常涵盖广泛的主题，旨在让学生理解和应用这两个领域的基本概念和技术。课程内容将通过讲座、实际项目、案例分析和讨论来传授。学生将有机会使用流行的机器学习工具和框架，例如TensorFlow、PyTorch和Scikit-leam，以实际动手经验深化他们的理解。课程敏学目标及对毕业要求指标点的支撑：毕业要求支撑毕业要求指标点课程教学目标目标1：1.交叉知识的运用能力1-工程知识：能够运用数学、基础科学、计算机科学与技术、企业互联网平台系统、电子商务信息管掌握人工智能与机器学习的基本概念、相关技术，了解人3.（技术工具的应用能力）1
1 《人工智能与机器学习》教学大纲 课程名称：人工智能与机器学习 课程类别（必修/选修）：必修 课程英文名称： Artificial Intelligence and Machine Learning 总学时/周学时/学分：48 / 3 / 3 其中实验/实践学时：16 先修课程：具备 Python 程序语言、数据结构、基础的数学和统计学知识。 后续课程支撑：毕业设计 授课时间： 星期一(7-8 节) 1-16 周，星期五(3-4 节) 9-16 周 授课地点：机房 503 授课对象： 23 电商 1-2 班 开课学院：粤台产业科技学院 任课教师姓名/职称：杨荣贵/副教授 答疑时间、地点与方式：课堂或课后，教室或通讯软件，当面或线上答疑 课程考核方式：开卷（）闭卷（）课程论文（）其它（） 作业、期末报告 使用教材：《人工智能算法与实战（Python+PyTorch）》，于祥雨、李旭静、邵新平，清华大学出版社，第 1 版，教材 ISBN：9787302557821 教学参考资料：《PyTorch 生成对抗网络编程》，韩江雷，人民邮电出版社，出版日期：2020.12，ISBN：9787115546388 课程简介： 人工智能（AI）与机器学习（ML）课程通常涵盖广泛的主题，旨在让学生理解和应用这两个领域的基本概念和技术。课程内容将通过讲座、实际 项目、案例分析和讨论来传授。学生将有机会使用流行的机器学习工具和框架，例如 TensorFlow、PyTorch 和 Scikit-learn，以实际动手经验深化他们 的理解。 课程教学目标及对毕业要求指标点的支撑： 课程教学目标 支撑毕业要求指标点 毕业要求 目标 1： 掌握人工智能与机器学习的基本概念、相关技术，了解人 1. 交叉知识的运用能力 3.（技术工具的应用能力） 1-工程知识：能够运用数学、基础科学、计算机科 学与技术、企业互联网平台系统、电子商务信息管
工智能与机器学习在数据处理和规则提取中的应用现状、理与信息系统、电子商务经营管理等相关知识，对应用前景和研究方向。企业互联网与电子商务系统开发运维问题具有解决能力。目标2：4-研究：能够熟悉企业互联网与电子商务系统的前强化在人工智能与机器学习中的算法设计、分析的能力：端设计、后端设计、数据库设计、数据挖掘、大数2（实验与数据解读能力）同时，培养学生阅读外文资料、文献调研方面的能力。据分析、云计算等基本科学研究方法，具有科学研4（计科与大数据分析专业能力）究精神，为企业互联网与电子商务系统开发运维复杂问题提出有效研究手段并将问题有效解决。目标3：4能够采用科学方法对化学领域工程问题进行研究6（解决复杂问题的能力）锻炼学生应用各种手段查阅文献资料、获取信息、拓展知和分析，包括设计实验、处理与解释数据得到合理7（持续学习与创新超越能力）识领域、继续学习并提高业务水平的能力。有效的结论理论教学进程表支撑教学模式周次教学主题授课教师学时数教学内容（置点、难点、课程思政融入点）教学方法课程作业安排线下/混合式目标课后作业：重点：人工智能与机器学习观念剖析难点：人工智能与机器学习的整合性概念1.练习安装线下目标1杨荣贵3课堂讲授课程思政融入点：在课程中加入涉及我国1绪论Anaconda,计算机科学家及工程师在对计算机学科发PyCharm展作出的贡献和利用人工智能与机器学习PyTorch。熟悉架构2
2 工智能与机器学习在数据处理和规则提取中的应用现状、 应用前景和研究方向。 理与信息系统、电子商务经营管理等相关知识，对 企业互联网与电子商务系统开发运维问题具有解 决能力。 目标 2： 强化在人工智能与机器学习中的算法设计、分析的能力； 同时，培养学生阅读外文资料、文献调研方面的能力。 2（实验与数据解读能力） 4（计科与大数据分析专业能力） 4-研究：能够熟悉企业互联网与电子商务系统的前 端设计、后端设计、数据库设计、数据挖掘、大数 据分析、云计算等基本科学研究方法，具有科学研 究精神，为企业互联网与电子商务系统开发运维复 杂问题提出有效研究手段并将问题有效解决。 目标 3： 锻炼学生应用各种手段查阅文献资料、获取信息、拓展知 识领域、继续学习并提高业务水平的能力。 6（解决复杂问题的能力） 7（持续学习与创新超越能力） 4 能够采用科学方法对化学领域工程问题进行研究 和分析，包括设计实验、处理与解释数据得到合理 有效的结论 理论教学进程表 周次 教学主题 授课教师 学时数 教学内容（重点、难点、课程思政融入点） 教学模式 线下/混合式 教学方法 作业安排 支撑 课程 目标 1 绪论 杨荣贵 3 重点；人工智能与机器学习观念剖析 难点：人工智能与机器学习的整合性概念 课程思政融入点：在课程中加入涉及我国 计算机科学家及工程师在对计算机学科发 展作出的贡献和利用人工智能与机器学习 线下 课堂讲授 课后作业： 1. 练 习 安 装 Anaconda, PyCharm, PyTorch。熟悉架构 目标 1
原理及技术在其他领域应用取得了新成就神经网络的操作等，例如：政府大数据、商业大数据、生物工程大数据等内容，培养学生应用马克思主义基本原理分析问题的方法，激发学生的爱国热情和民族自豪感。重点：介绍ResNet网络的原理残差神经网络难点：对于ResNet网络的应用场景课后作业：3杨荣贵课堂讲授(ResNet)模型搭线下2课程思政融入点：说明计算机视觉技术对实作ResNet网络建国家AI发展的重要性，激发学生对于技能学习的热情，未来为国家做出贡献重点：介绍YOLOClassification网络的原理课后作业：YOLO难点：对于YOLOClassification网络的杨荣贵3课堂讲授线下3应用场景Classification分类问题神经网络模型搭建模型训练操作课程思政融入点：说明计算机视觉技术对国家AI发展的重要性，激发学生对于技能学习的热情，未来为国家做出贡献。重点：观念理解、训练模式课后作业：难点：任务说明、常用数据集、性能指针目标检测基础知杨荣贵3课堂讲授1.建立目标检测线下5课程思政融入点：通过讲述目标检测原理识DataSet从简到繁、从易到难、从特殊到一般，循序渐进。培养学生利用循序渐进、举一反3
3 原理及技术在其他领域应用取得了新成就 等，例如：政府大数据、商业大数据、生 物工程大数据等内容，培养学生应用马克 思主义基本原理分析问题的方法，激发学 生的爱国热情和民族自豪感。 神经网络的操作 2 残 差 神 经 网 络 (ResNet)模型搭 建 杨荣贵 3 重点；介绍 ResNet 网络的原理 难点：对于 ResNet 网络的应用场景 课程思政融入点：说明计算机视觉技术对 国家 AI 发展的重要性，激发学生对于技能 学习的热情，未来为国家做出贡献。 线下 课堂讲授 课后作业： 实作 ResNet 网络 3 YOLO Classification 模型搭建 杨荣贵 3 重点；介绍 YOLO Classification 网络的 原理 难点：对于 YOLO Classification 网络的 应用场景 课程思政融入点：说明计算机视觉技术对 国家 AI 发展的重要性，激发学生对于技能 学习的热情，未来为国家做出贡献。 线下 课堂讲授 课后作业： 分类问题神经网络 模型训练操作 5 目标检测基础知 识 杨荣贵 3 重点；观念理解、训练模式 难点：任务说明、常用数据集、性能指针 课程思政融入点：通过讲述目标检测原理 从简到繁、从易到难、从特殊到一般，循 序渐进。培养学生利用循序渐进、举一反 线下 课堂讲授 课后作业： 1. 建 立 目 标 检 测 DataSet
三的方法认识、分析问题的能力：树立凡事要脚踏实地、从基础做起、积鞋步以至千里的理念。重点：目标检测数据集难点：在自定义或预载数据集上对模型进课后作业：目标目标检测模型训行微调。3课堂讲授杨荣贵6线下建立YOLOv8训练1,2练课程思政融入点：介绍目标检测在国内的模型应用状况，激发学生对于技能学习的热情，未来为国家做出贡献。重点：验证模式、预测模式、导出模式难点：用于验证模型性能的训练后检查点。课后作业：目标目标检测指标分杨荣贵3线下课堂讲授7调整超参数，进行模课程思政融入点：说明目标检测在国内的1, 2析型训练设计开发以及相关应用状况，激发学生对于技能学习的热情，未来为国家做出贡献。重点：关键点检测观念理解、训练模式难点：关键点检测任务说明、常用数据集、性能指针关键点检测原理课后作业：目标课程思政融入点：通过讲述关键点检测原3杨荣贵线下课堂讲授解析：YOLOv8调整超参数，进行模91,2理从简到繁、从易到难、从特殊到一般，型验证POSE网络循序渐进。培养学生利用循序渐进、举一反三的方法认识、分析问题的能力：树立凡事要脚踏实地、从基础做起、积步以4
4 三的方法认识、分析问题的能力；树立凡 事要脚踏实地、从基础做起、积跬步以至 千里的理念。 6 目标检测模型训 练 杨荣贵 3 重点；目标检测数据集 难点：在自定义或预载数据集上对模型进 行微调。 课程思政融入点：介绍目标检测在国内的 应用状况，激发学生对于技能学习的热情， 未来为国家做出贡献。 线下 课堂讲授 课后作业： 建立 YOLOv8 训练 模型 目标1, 2 7 目标检测指标分 析 杨荣贵 3 重点；验证模式、预测模式、导出模式 难点：用于验证模型性能的训练后检查点。 课程思政融入点：说明目标检测在国内的 设计开发以及相关应用状况，激发学生对 于技能学习的热情，未来为国家做出贡献。 线下 课堂讲授 课后作业： 调整超参数，进行模 型训练 目标1, 2 9 关键点检测原理 解析：YOLOv8 POSE 网络 杨荣贵 3 重点；关键点检测观念理解、训练模式 难点：关键点检测任务说明、常用数据集、 性能指针 课程思政融入点：通过讲述关键点检测原 理从简到繁、从易到难、从特殊到一般， 循序渐进。培养学生利用循序渐进、举一 反三的方法认识、分析问题的能力；树立 凡事要脚踏实地、从基础做起、积跬步以 线下 课堂讲授 课后作业： 调整超参数，进行模 型验证 目标1, 2
至于里的理念。重点：YOLOv8-POSE的验证模式、预测模式、导出模式难点：在自定义或预载数据集上对模型进目标YOLOv8-POSE杨荣贵3线下课堂讲授10课后作业：无行微调。2,3：模型训练课程思政融入点：介绍自标检测在国内的应用状况，激发学生对于技能学习的热情，未来为国家做出贡献。重点：释放模型对真实世界数据的预测能力。目标YOLOv8-Pose:难点：让您的模型以各种格式部署就绪。课后作业：安装杨荣贵3线下课堂讲授112,3布署应用课程思政融入点：说明目标检测技术在国Cycle GAN内的相关应用状况，激发学生对于技能学习的热情，未来为国家做出贡献。重点：CycleGAN模型架构难点：Generator架构、Identityloss、课后作业：生成式对抗网络LSGAN3线下课堂讲授目标3杨荣贵建立生成式对抗网13基础知识：课程思政融入点：说明生成对抗网络技术络数据集CycleGan网络对国家AI发展的重要性，激发学生对于技能学习的热情，未来为国家做出贡献。课后作业：生成式对抗网络重点：模型训练2杨荣贵课堂讲授线下14项目实战难点：超参数的调整调整超参数，进行5
5 至千里的理念。 10 YOLOv8-POSE ：模型训练 杨荣贵 3 重点；YOLOv8-POSE 的验证模式、预测 模式、导出模式 难点：在自定义或预载数据集上对模型进 行微调。 课程思政融入点：介绍目标检测在国内的 应用状况，激发学生对于技能学习的热情， 未来为国家做出贡献。 线下 课堂讲授 课后作业：无 目标 2,3 11 YOLOv8-Pose： 布署应用 杨荣贵 3 重点；释放模型对真实世界数据的预测能 力。 难点：让您的模型以各种格式部署就绪。 课程思政融入点：说明目标检测技术在国 内的相关应用状况，激发学生对于技能学 习的热情，未来为国家做出贡献。 线下 课堂讲授 课 后 作 业 ： 安 装 Cycle GAN 目标 2,3 13 生成式对抗网络 基 础 知 识 ： CycleGan 网络 杨荣贵 3 重点；CycleGAN 模型架构 难点：Generator 架构、Identity loss、 LSGAN 课程思政融入点：说明生成对抗网络技术 对国家 AI 发展的重要性，激发学生对于技 能学习的热情，未来为国家做出贡献。 线下 课堂讲授 课后作业： 建立生成式对抗网 络数据集 目标 3 14 生成式对抗网络 项目实战 杨荣贵 2 重点；模型训练 难点：超参数的调整 线下 课堂讲授 课后作业： 调整超参数，进行
CycleGa模型验证课程思政融入点：说明生成对抗网络技术对国家AI发展的重要性，激发学生对于技能学习的热情，未来为国家做出贡献。合计32课堂讲授线下实践教学进程表项目类型（验证/综合教学支撑课周次实验项目名称授课教师学时教学内容（重点、难点、课程思政融入点）/设计）方法程目标实验1掌握在PyTorch下建立ResNet以及YOLC实验示范、分类问题网络实作：Classification神经网络的方法。杨荣贵设计型3目标2学生操作ResNet,YOLO课程思政融入点：培养实事求是的科学态度和Classification职业道德。实验2建立目标检测模型的操作，以及分析模型训练实验示范、后的结果杨荣贵设计型目标338目标检测问题网络实学生操作课程思政融入点：培养实事求是的科学态度和职业道德。作：YOLODetection掌握在PyTorch下建立YOLO神经网络的方实验3实验示范、法。杨荣贵3设计型目标112圈链點检测问题网络实学生操作课程思政融入点：要求学生处理实验数据必须作：YOLOPose坚持实事求实、严谨的科学态度：要求学生实6
6 课程思政融入点：说明生成对抗网络技术 对国家 AI 发展的重要性，激发学生对于技 能学习的热情，未来为国家做出贡献。 CycleGa 模型验证 合计 32 线下 课堂讲授 实践教学进程表 周次 实验项目名称 授课教师 学时 教学内容（重点、难点、课程思政融入点） 项目类型（验证/综合 /设计） 教学 方法 支撑课 程目标 4 实验 1 分 类 问 题 网 络 实 作 ： ResNet, YOLO Classification 杨荣贵 3 掌握在 PyTorch 下建立 ResNet 以及 YOLO Classification 神经网络的方法。 课程思政融入点：培养实事求是的科学态度和 职业道德。 设计型 实验示范、 学生操作 目标 2 8 实验 2 目 标 检 测 问 题 网 络 实 作：YOLO Detection 杨荣贵 3 建立目标检测模型的操作，以及分析模型训练 后的结果 课程思政融入点：培养实事求是的科学态度和 职业道德。 设计型 实验示范、 学生操作 目标 3 12 实验 3 關鍵點检测问题网络实 作：YOLO Pose 杨荣贵 3 掌握在 PyTorch 下建立 YOLO 神经网络的方 法。 课程思政融入点：要求学生处理实验数据必须 坚持实事求实、严谨的科学态度；要求学生实 设计型 实验示范、 学生操作 目标 1
验过程中主动思考理论原理，在实验过程中去验证实验原理，使理论与实践相辅相成。掌握在PyTorch下建立CycleGAN神经网络实验4实验示范、的方法。3杨荣贵设计型目标215生成式对抗网络项目实学生操作课程思政融入点：培养实事求是的科学态度和战职业道德。人工智能与机器学习课程成过的整合性评估实验示范、杨荣贵设计型目标2416期末报告课程思政融入点：培养实事求是的科学态度和学生操作职业道德。16合计课程考核评价依据及成绩比例（%）课程目标支撑毕业要求指标点平时考核期中报告期末报告实验(操作)1-33500035目标一2-302020040目标二000目标三4-12525总计35202025100备注：1）根据《东芜理工学院考试管理规定》第士二条规定：旷课3次（或6课时）学生不得参加该课程的期终考核。2）各项考核标准见附件所示。7
7 验过程中主动思考理论原理，在实验过程中去 验证实验原理，使理论与实践相辅相成。 15 实验 4 生成式对抗网络项目实 战 杨荣贵 3 掌握在 PyTorch 下建立 Cycle GAN 神经网络 的方法。 课程思政融入点：培养实事求是的科学态度和 职业道德。 设计型 实验示范、 学生操作 目标 2 16 期末报告 杨荣贵 4 人工智能与机器学习课程成过的整合性评估 课程思政融入点：培养实事求是的科学态度和 职业道德。 设计型 实验示范、 学生操作 目标 2 合计 16 课程考核 课程目标 支撑毕业要求指标点 评价依据及成绩比例（%） 平时考核 实验(操作) 期中报告 期末报告 目标一 1-3 35 0 0 0 35 目标二 2-3 0 20 20 0 40 目标三 4-1 0 0 0 25 25 总计 35 20 20 25 100 备注：1）根据《东莞理工学院考试管理规定》第十二条规定：旷课 3 次（或 6 课时）学生不得参加该课程的期终考核。2）各项考核标准见附件所示
大纲编写时间：2025年9月5日系（部）审查意见：同意系（部）主任签名：日期：2025年9月5日备注：8
8 大纲编写时间：2025 年 9 月 5 日 系（部）审查意见： 同意 系（部）主任签名： 日期：2025 年 9 月 5 日 备注：