授课班级

24审计1、2班

授课学时

2

授课地点

行健楼C301

授课时间

2025.2.19

选定及参考

教材

《人工智能基础与应用》唐滔、郁云、王震
  《人工智能应用概论》莫少林、宫斐

教学资源

多媒体课件（PPT）、视频案例（杭州亚运会人工智能应用）、人工智能相关软件演示（如文心一言、通义千问）、泛雅平台

教学内容分析

本章内容主要介绍人工智能的基本概念、发展历程，并结合实际案例（杭州亚运会）展示人工智能在各行各业的应用。通过本章学习，学生将理解人工智能的基本原理，并能够结合实际案例分析人工智能在审计和会计领域的潜在应用。

学情分析

知识基础

  具备计算机基础操作能力（如Office软件、网络搜索）；

  数学基础限于高等数学初步和统计学入门；

  人工智能概念认知较模糊，专业相关AI应用接触较少。

认知能力

  逻辑推理能力处于发展阶段；

  对抽象技术原理理解存在障碍；

  擅长规则性知识学习，但技术迁移能力较弱。

学习特点

  偏好结构化知识框架；

  对实操性内容兴趣较高，但动手能力需提升；

  关注技术的实用价值与职业相关性。

专业特性

  数据驱动性强：熟悉数据处理，但对大数据分析和AI工具的应用较为陌生；

  规则导向：习惯于遵循会计准则和审计规范，对AI的"黑箱"特性可能存在疑虑；

  风险敏感：对数据安全和系统可靠性要求高，关注AI技术的伦理与合规性；

  职业需求：未来职业发展需要掌握智能化工具，如智能审计系统、财务机器人等。

教学目标

知识目标

1.理解人工智能的定义、分类及特征。

2.了解人工智能的发展历程。

3.掌握人工智能的三大学派及其技术发展趋势。

能力目标

1.     对人工智能的历史发展，生活中常见的应用场景有基本的认知和掌握。

2.     2.能够结合实际案例，分析人工智能技术的优势和局限性。

素养目标

1.培养学生的AI思维，树立科技强国意识。

2.培养学生的伦理道德意识，理解人工智能技术的社会影响。

3.激发学生的自主创新能力，培养技术报国使命感。

教学重难点

教学重点：

1.人工智能的定义、分类及特征。

2.人工智能在审计和会计领域的应用。

教学难点：

1.强人工智能与弱人工智能的区别。

2.人工智能技术在实际应用中的局限性。

教学策略

案例教学法：通过杭州亚运会的人工智能应用案例，激发学生的学习兴趣。

互动教学法：通过泛雅平台进行课堂互动，增强学生的参与感。

分组讨论法：学生分组讨论人工智能在会计和审计领域的应用，培养团队合作能力。

演示法：通过人工智能软件（如文心一言、通义千问）的演示，帮助学生理解技术原理。

教学过程实施

课 前

教学内容

教师活动

学生活动

设计意图

发布任务

1.准备多媒体课件和视频案例。

2.设计在线问答题目，用于课堂互动。

3.介绍人工智能的基本概念及其在会计和审计领域的应用前景。

1.预习教材内容，了解人工智能的基本概念。

2.思考人工智能在会计和审计领域的潜在应用。

1学生提前预习，了解课程，打基础，教师明确难点；激发学生学习兴趣；学情调研。

2.引导学生思考人工智能技术对社会的影响，培养科技强国意识。

课 中

教学内容

教师活动

学生活动

设计意图

具体课中环节及时间分配

课程介绍

（5min）

1.       性质：通识课程，课程简介，介绍教材目录及课程大概情况，对于大家专业课程学习的重要性以及以后在工作中的地位。

2.       2.周课时：每周2节课，16周

3.考核：上机，理论加实践

4.总分：60%平时成绩（考勤、作业、课堂表现等）+40%期末成绩

5. 讲解课程安排，章节分布，学习要求，课程重难点。

1.了解本门课的性质，安排，考核方式等；

2.学生明确本门课学习任务、课程重难点；

3.在教师带领下思考如何更好地完成本门课程的学习，并提出问题。

1.端正态度，树立目标；

2.引导学生认识人工智能，便于以后在项目实践中应用人工智能。

导入新课

（10min）

一、案例导入

“智能”是杭州亚运会的重要办赛理念之一，智能机器狗、全息投影、消毒卫士等。结合实际（如25年央视春节晚会《秧BOT》），谈谈生活中的人工智能？

二、引入人工智能的概念

人工智能（Artificial   Intelligence，AI），是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境，获取知识，并使用知识获得最佳结果的理论、方法、技术及应用系统。

三、明确学习目标

（1）教师介绍人工智能的定义、分类、特征和应用领域；

（2）教师播放人工智能的发展历程微课，着重介绍图灵测试、1956年的达特茅斯会议。

1.了解人工智能的定义、分类、特征和应用领域；

2.带着好奇心开始本门课程的学习；

3.观看视频，了解人工智能的发展历程；

3.思政探讨：深入思考人工智能的三起两落发展之路。

1.激发学生学习兴趣，并明确本门课以及本次课的学习任务；

2.唯物辩证法认为，事物的发展具有普遍性和客观性，事物发展的方向是前进的、上升的；事物前进的道路是曲折的、迁回的。

人工智能的特征与分类（25min）

一、讲解人工智能的分类

1.人工智能分为强人工智能、弱人工智能和超人工智能。

Ø  弱人工智能层接受功能性定义，聚焦具体任务表现。

Ø  强人工智能层需满足图灵测试升级版，包括自我意识、价值判断等指标。

Ø  超级智能层则要求具备创造元认知能力。

2.提问：不同程度的人工智能有什么区别？

二、讲解人工智能的特征

教师根据课件，介绍人工智能的特征。人工智能的特征包括：感知、记忆和思维、学习和自适应、行为决策。

1.听讲：理解人工智能的特点和分类；

2.记录：老师讲解同时，认真记录知识要点；

3.讨论：讲解知识过程中，认真讨论教师提出的问题。

在案例展示过程中结合知识点，强调重点和难点，通过提问的方式促进学生学会团结合作。

人工智能探索中的繁荣与低谷（15min）

一、通过时间轴介绍人工智能的发展历程，重点讲解孕育与诞生、两次高潮与低谷、当前的稳定发展期

1.引导学生思考每一阶段较上一阶段有何进步又是为何陷入低谷？

2.每个阶段的代表性成果。

  3.人工智能的关键突破。结合历史事件（如图灵测试、深蓝击败卡斯帕罗夫、AlphaGo战胜李世石等），讲解人工智能的关键突破。

1.自主学习：学生登录学习通平台了解发展历程的相关知识；

2.分享：每个阶段的代表性成果；

3.思政：结合工匠精神，思考人工智能领域的发展需要哪些精神品质，如何在学习中培养这些品质。

1.采用自主学习方式提升学生的自主学习能力以及获取新知的能力；

2.通过分享，提升学生成就感和激发学生学习兴趣，提高语言表达能力；

3.弘扬工匠精神，精益求精，追求卓越。

操作实施（15min）

一、发起探讨

你认为未来人工智能在会计和审计领域会有哪些突破性应用？

二、介绍百度智能云、科大讯飞等AI平台，演示图像识别任务。

布置任务：探索百度智能云的其他应用项目。

三、介绍大语言模型

介绍文心一言和DeepSeek官网，演示使用方法，生成图像、文字等。

  布置任务：动手实验大语言模型。

1.思考：人工智能在会计和审计领域的突破性应用；

2.练习：登录百度智能云、科大讯飞等AI平台。探索百度智能云的应用项目；

3.练习：登录文心一言和DeepSeek官网，生成学生眼中的孙悟空形象。

1.培养学生自主获取学习资源能力；

2.培养学生实际动手能力，引导学生在自我探究中体验成功的乐趣；

3.传承创新“西游文化”，弘扬中华优秀传统文化精髓。

课堂总结及作业布置

（10min）

一、课堂内容总结

本次课首先介绍了人工智能的概念，然后介绍了人工智能的特点和分类，通过时间轴了解了人工智能的发展历程和代表性成果。最后动手实验，简单运用大语言模型实验相关项目。

二、布置作业

1.预习下一节课的内容，了解人工智能的主流学派和应用场景。

2.登录学习通平台，完成在线问答题目，巩固所学知识。

三、回答学生提问

1.记录：老师讲解同时，认真记录知识要点；

2.提问：对于有不清楚的知识点及时提问；

3.强化：学生进一步强化各知识点；

4.讨论：回顾知识过程中，有疑问的地方可以相互讨论或者请示教师；

5.接收作业：完成课后练习。

1.帮助学生回顾梳理本次课内容，总结学习心得；

2.通过布置课后作业，巩固知识点。

3.激发学生主动发现问题的能力。

课 后

教学内容

教师活动

学生活动

设计意图

课后

拓展

答疑

答疑解惑

1.在学习平台讨论区解决学生在完成课后作业及任务时遇到的问题，给予学生们适当的指导。

2.教师可突破时间空间的限制，可采用线上线下相结合的方式答疑解惑。

完成任务

1.小组合作完成课后作业及软件的安装；

2.积极参与课程学习，自主探究新技术、新应用；

3.预习下次课的内容。

1.培养学生自主学习能力，探究创新能力；

2.加强与学生的互动，引导学生主动发现问题。

教 学 反 思

1.学生对人工智能的基本概念掌握较好，但对技术原理的理解仍需加强。

2.案例教学法有效激发了学生的学习兴趣，但部分学生在分组讨论中的参与度不高。

3.下次课程可以增加更多互动环节，如人工智能软件的实际操作演示，帮助学生更好地理解技术原理

授课班级

24审计1、2班

授课学时

2

授课地点

行健楼C301

授课时间

2025.2.19

选定及参考

教材

《人工智能基础与应用》唐滔、郁云、王震
  《人工智能应用概论》莫少林、宫斐

教学资源

多媒体课件（PPT）、视频案例（杭州亚运会人工智能应用）、人工智能相关软件演示（如文心一言、通义千问）、泛雅平台

教学内容分析

本章内容主要介绍人工智能的主流学派和发展趋势，以“理论-应用-趋势”为逻辑主线。聚焦符号主义、连接主义、行为主义三大主流学派，通过对比定义、原理及代表性成果（如专家系统、神经网络、智能机器人），帮助学生构建对人工智能理论框架的系统认知。结合医疗、金融等领域的实际案例（如AI健康管理、蚂蚁保“秒赔”），分析技术趋势（多模态大模型、生成式AI）与产业动态（市场规模、政策支持），强调技术落地中的伦理挑战。

学情分析

知识基础

  具备计算机基础操作能力（如Office软件、网络搜索）；

  数学基础限于高等数学初步和统计学入门；

  学生已掌握人工智能的‌发展历程和‌基本概念，能区分专用AI与通用AI等基础术语。。

认知能力

  逻辑推理能力处于发展阶段；

  对抽象技术原理理解存在障碍；

  擅长规则性知识学习，但技术迁移能力较弱。

学习特点

  偏好结构化知识框架；

  对实操性内容兴趣较高，但动手能力需提升；

  关注技术的实用价值与职业相关性。

专业特性

  数据驱动性强：熟悉数据处理，但对大数据分析和AI工具的应用较为陌生；

  规则导向：习惯于遵循会计准则和审计规范，对AI的"黑箱"特性可能存在疑虑；

  风险敏感：对数据安全和系统可靠性要求高，关注AI技术的伦理与合规性；

  职业需求：未来职业发展需要掌握智能化工具，如智能审计系统、财务机器人等。

教学目标

知识目标

1.掌握符号主义、连接主义、行为主义三大主流学派的核心理论及代表性技术，如连接主义学派的神经网络、行为主义学派的机器人等。

2.理解多模态大模型、生成式AI等技术趋势，及其与产业政策、市场需求的关联性。

3.了解AI伦理争议（如数据隐私、算法偏见）的核心矛盾。

能力目标

1.能通过案例分析（如医疗AI诊断）对比不同学派的技术逻辑与应用局限。

2.能结合行业场景（如金融、教育），设计AI技术的简易解决方案框架。

3.能在小组协作中清晰表达技术路径与伦理风险的权衡思路。

素养目标

1.形成对技术发展“双刃剑”效应的辩证思维，避免片面崇拜或否定。

2.强化AI伦理意识，关注技术落地中的公平性、透明性要求。

3.激发参与AI产业生态建设的使命感，理解个体专业能力与社会需求的关联。

教学重难点

‌重点‌：人工智能的主流学派及其基本原理，人工智能的发展趋势。

‌难点‌：理解不同学派之间的差异与联系，分析人工智能在实际应用中的挑战与机遇。

教学策略

1.‌案例对比‌：用自动驾驶案例对比三大学派技术差异，结合流程图简化理论。

通过伦理辩论（如AI性别偏见）揭示技术与伦理关联。

2.‌分层任务‌：设计“AI+教育”分层实践（基础组用API搭建工具，进阶组优化算法），适配不同基础学生。

3.‌混合资源‌：课前纪录片预习，课中交互模拟器实操（如训练神经网络），课后延伸行业报告。

教学过程实施

课 前

教学内容

教师活动

学生活动

设计意图

发布任务

1.推送纪录片《智能中国》片段，布置预习题：“从‘智能计算’到‘AIGC’，中国如何突破核心技术瓶颈？列举3项战略优势”。

2.发布分组任务：每组搜集1个AI技术赋能产业（如农业、医疗）的正反面案例，标注技术原理与社会影响关键词。

1.     观看资料并撰写200字观点摘要，重点分析技术应用中的落地场景与挑战。

2.     辩证分析“数据主权”“文化安全”在技术发展中的重要性，撰写1条AI伦理宣言。

1学生提前预习，了解课程，打基础，学情调研。

2.国家战略与科技自信‌：通过政策解读强化“新型举国体制”优势，培养科技自立自强意识，渗透“国之大者”使命感。

课 中

教学内容

教师活动

学生活动

设计意图

具体课中环节及时间分配

复习旧课（5min）

一、提问

1.     人工智能的分类；

2.     人工智能的发展历程。

3.     人工智能的特征。

二、总结点评学生答案

1.认真讨论并回答老师提出的问题；

2.查看优秀作业，查找差距。

1.温故知新；

2.互相学习，取长补短。

导入新课

（5min）

一、案例导入

展示两幅图：① 专家系统（符号主义）的逻辑图；② 神经网络（连接主义）的模型结构图。

提问，同样是人工智能，为什么实现方式差异如此巨大。

 二、‌目标聚焦‌
  明确本节课主题：“今天我们将揭示人工智能背后的三大学派——符号主义、连接主义、行为主义，探索不同学派如何定义“智能”。

1.观察与质疑

对比两幅技术示意图，思考技术差异背后的原因。
  -提出猜想（如“是否因为模仿人类的不同能力？”）。
  2. ‌明确任务
  在笔记本上写下本节课的核心问题：“三大学派”的核心理论及代表性技术。

1.利用视觉对比引发认知冲突，激发探究兴趣。

2.从“技术现象”过渡到“理论本质”，自然切入三大学派的核心差异，为后续讲解提供逻辑起点。

人工智能三大学派解析1——符号主义（10min）

一、案例导入

展示“深蓝”击败卡斯帕罗夫的视频片段（图1-8），提问：“计算机如何通过规则战胜人类？”

二、原理讲解

结合决策树模型，解释符号主义“规则驱动”的核心逻辑。
  三、 局限讨论

通过“XOR线性不可分问题”示意图说明符号主义瓶颈。

1.      

1.理解符号主义的逻辑推理本质。
  2. 通过规则设计体验结构化思维。

3.强调规则透明性对审计合规的重要性。

人工智能三大学派解析2——连接主义（10min）

一、动态演示

展示单层感知机→多层神经网络的演变动画，解释反向传播算法原理。

  二、 案例对比

对比“深蓝”（符号）与AlphaGo（连接）的决策差异。
  三、 技术延伸

结合ChatGPT示例，说明大模型如何依赖神经网络。

在在线模拟器中调整感知机参数，观察分类结果变化。列举连接主义在会计数据分析中的潜在应用（如异常交易识别）。“神经网络的黑箱特性如何影响审计可信度？”

1. 知识目标：掌握神经网络基础原理。
  2. 能力目标：通过参数调整理解模型学习过程。

3. 职业关联：引导会计学生思考数据驱动与规则审计的平衡。

人工智能三大学派解析3——行为主义（10min）

一、视频导入

播放Laikago机器人抗干扰测试视频，提问：“为何无需复杂规则也能实现智能？”

图1 宇树科技Laikago机器人

二、原理拆解

用“昆虫避障”类比行为主义“感知-动作”模型。

三、应用拓展

介绍无人机编队、仓储机器人等产业案例。

1.                    案例对比：对比符号主义（规则预置）与行为主义（实时响应）的优劣。

Ø      符号主义主张用形式化的知识表示和演绎推理模拟人类思维。优势在于可解释性强，但面对模糊、动态环境时灵活性不足。

Ø      行为主义强调智能产生于主体与环境的交互过程，主张通过试错学习和反馈机制实现自适应行为。
  2. 迁移思考：讨论行为主义在财务实时监控中的适用场景。

1.        知识目标：理解行为主义“与环境交互”的核心思想。
  2. 能力目标：通过模拟实验培养动态问题解决能力。

3.以机器人伦理引申技术的人本主义导向。

趋势可视化（10min）

一、数据呈现

展示全球AI市场规模预测图与中国产业增长图。

图1 全球人工智能市场规模预测

图2 我国人工智能产业市场规模
  二、案例解析

逐步解析蚂蚁保“秒赔”系统，重点说明“高分辨率视觉编码”与“大模型推理链”。

1.记录：老师讲解同时，认真记录知识要点；

2.提问：对于有不清楚的知识点及时提问；

3.强化：学生进一步强化各知识点；

4.讨论：回顾知识过程中，有疑问的地方可以相互讨论或者请示教师；

5.接收作业：完成课后练习。

1. 宏观认知：通过数据理解AI经济价值。

2. 技术前瞻：掌握多模态、可解释性等前沿方向。

3.强调中国在AI普惠中的责任，如“一带一路”小语种支持。

课堂总结及作业布置

（10min）

一、课堂内容总结

利用思维导图归纳三大学派的核心区别与技术趋势关联。

二、实践任务

登录百度智能云平台，试用OCR接口提取一张发票信息，记录准确率与改进建议。

1.       笔记整理：完善课堂思维导图，标注重难点。

2.       工具尝试：登录百度智能云，截图记录OCR操作过程。

1.      知识巩固：通过写作内化学派知识。
  2. 价值观强化：将伦理思考转化为职业行动准则。

课 后

教学内容

教师活动

学生活动

设计意图

课后

拓展

答疑

1.个性化反馈：

针对OCR实践任务，提供准确率提升建议（如调整图像亮度）。

2.     在学习通发布讨论话题：

AI审计是否应完全替代人工复核？

完成任务

1.     改进迭代：根据反馈优化OCR任务（如重新拍摄清晰票据）。

2.     讨论观点：在学习通上发表观点，并引用案例佐证。

1.技能优化：培养工具使用的问题解决能力。

2.加强与学生的互动，引导学生主动发现问题。

教 学 反 思

1.教学目标明确，符合学生的学习需求和课程标准。大部分学生能够掌握基本知识和技能，但在深度和广度上存在差异。

2.采用了多样化的教学方法，如讲授、讨论、实验等，取得了一定的教学效果。但教学方法的运用还需更加灵活，注重学生的主体性和参与性，避免满堂灌的现象。

3.下次课程采取更多措施激发学生的学习兴趣和积极性，如设置悬念、引入实例等。

授课班级

24审计1、2班

授课学时

2

授课地点

行健楼C301

授课时间

2025.2.19

选定及参考

教材

《人工智能基础与应用》唐滔、郁云、王震
  《人工智能应用概论》莫少林、宫斐

教学资源

多媒体课件（PPT）、视频案例（杭州亚运会人工智能应用）、人工智能相关软件演示（如文心一言、通义千问）、泛雅平台

教学内容分析

本节课主要讲解人工智能的基础支撑，包括人工智能的基础框架（基础层、技术层、应用层）以及人工智能的三大核心要素（数据、算力、算法）。通过本节课的学习，学生将理解人工智能系统构建和运行的基本原理，为后续深入学习人工智能技术打下基础。

学情分析

知识基础

  具备计算机基础操作能力（如Office软件、网络搜索）；

  数学基础限于高等数学初步和统计学入门；

  学生已掌握人工智能的‌发展历程和‌基本概念，能区分专用AI与通用AI等基础术语。。

认知能力

  逻辑推理能力处于发展阶段；

  对抽象技术原理理解存在障碍；

  擅长规则性知识学习，但技术迁移能力较弱。

学习特点

  偏好结构化知识框架；

  对实操性内容兴趣较高，但动手能力需提升；

  关注技术的实用价值与职业相关性。

专业特性

  数据驱动性强：熟悉数据处理，但对大数据分析和AI工具的应用较为陌生；

  规则导向：习惯于遵循会计准则和审计规范，对AI的"黑箱"特性可能存在疑虑；

  风险敏感：对数据安全和系统可靠性要求高，关注AI技术的伦理与合规性；

  职业需求：未来职业发展需要掌握智能化工具，如智能审计系统、财务机器人等。

教学目标

知识目标

1.理解人工智能基础框架的层次结构，包括基础层、技术层和应用层。

2.掌握人工智能的三大核心要素：数据、算力和算法。

3.了解AI基础层中的硬件、数据资源和软件平台。

4.熟悉AI技术层中的框架、算法和算法应用。

能力目标

1.能分析不同AI技术（如计算机视觉、自然语言处理）的基础支撑需求；

2.能够运用人工智能算法解决简单的实际问题；

3.能够分析和评价人工智能系统的性能。

素养目标

1. 形成对AI技术“双刃剑”效应的辩证思维；
  2. 强化数据隐私与算法公平的伦理意识；
  3. 激发参与国家AI生态建设的使命感。

教学重难点

‌重点‌：AI基础框架的层次结构及核心要素；数据、算力、算法的协同作用。

‌难点‌：基础层与技术层的关联性分析；国产AI芯片技术突破的挑战与机遇。

教学策略

1.     案例驱动：以百度地图DuEarth为例，分析其底层技术支撑。

2.分层任务：基础任务：通过流程图解析AI框架层次；进阶任务：小组讨论“算力不足对AI大模型的影响”。

3.混合资源：

课前：观看纪录片《智能中国》，预习AI芯片发展现状；

课中：交互式模拟器体验算力优化；

课后：行业报告分析（如华为昇腾芯片在医疗影像中的应用）。

4.思政融入：结合“数字中国”战略，强调国产技术自主可控的重要性。

教学过程实施

课 前

教学内容

教师活动

学生活动

设计意图

发布任务

推送纪录片《智能中国》片段，布置思考题：

“中国AI芯片如何突破技术瓶颈？”

观看视频并撰写200字观点摘要，列举3项战略优势。

1激发兴趣，为课堂讨论提供背景知识。

2.渗透科技自立自强意识。

课 中

教学内容

教师活动

学生活动

设计意图

具体课中环节及时间分配

复习旧课（5min）

一、提问

1.人工智能的三大主流学派是什么？各自的核心原理和代表性成果有哪些？

（预设答案：符号主义-基于逻辑推理，如专家系统；连接主义-仿生神经网络，如深度学习；行为主义-环境交互，如智能机器人）

2.医疗领域中AI健康管理的技术基础是什么学派？生成式AI属于哪种技术趋势？

（预设答案：连接主义；多模态大模型/生成式AI）

二、总结过渡

上节课我们学习了不同学派的理论差异和技术趋势，而今天将从理论转向实践，探讨支撑这些技术的底层要素——数据、算力、算法。

1.‌回答问题‌：结合笔记或记忆快速回应教师提问。

2.‌记录关联点‌：在思维导图中标注新旧知识联系（如“符号主义→算法逻辑设计”）。

3.补充讨论‌：举例说明伦理挑战（如AI医疗误诊的责任归属）。

1.知识目标‌：巩固三大主流学派理论框架及技术趋势。

2.‌能力目标‌：训练归纳总结能力，建立“理论-技术-应用”逻辑链。

3.通过伦理案例讨论强化科技向善的职业责任感。

导入新课

（5min）

一、案例导入

通过展示百度地图新一代数字孪生地图DuEarth的案例，提问“数字孪生地图需要哪些基础支撑”。

1.观察与质疑

观看案例视频，思考人工智能技术的价值和意义。
  2.尝试列举技术支撑要素（如传感器数据、云计算平台）。

1.       知识目标‌：理解基础支撑对AI应用的重要性。
  2.‌能力目标‌：培养从现象到本质的分析能力。

通过国家科技成就案例，增强民族自豪感。

Ai技术框架——基础层（10min）

一、展示硬件支撑

展示NVIDIA   GPU与华为昇腾芯片，对比性能参数；

举例对比GPU在深度学习训练中的作用。

二、讲解数据标注

播放“数据标注工厂”视频片段，讲解数据清洗、标注流程；
  -提问：“医疗影像数据与文本数据的标注差异？”

1. 记录硬件分类（GPU/TPU/ASIC）；

  图1 NVIDIA GPU   Tesla A40

图2TPU3.0

1.直观展示硬件与数据的重要性，解决“算力是什么”“数据如何用”的抽象问题。

强调国产技术（如华为昇腾芯片）的突破，激发科技报国情怀。

Ai技术框架——技术层（10min）

一、演示

动态展示深度学习框架（如PaddlePaddle）搭建神经网络的过程，对比符号主义（规则驱动）与连接主义（数据驱动）的差异。

二、案例分析

以AlphaGo为例，解析其技术逻辑（蒙特卡洛树搜索+深度学习）。

1. 观察演示并尝试理解算法逻辑。

2. 分组讨论：“符号主义在审计规则系统中的应用优势”和“连接主义在图像识别中的局限性”。

1.知识目标：理解技术层的算法分类及典型应用。
  2.能力目标：能够对比不同技术路径的优劣。
  3.通过国产框架PaddlePaddle案例，倡导自主可控技术的重要性。

Ai技术框架——应用层（10min）

一、案例展示

播放视频案例（如杭州亚运会AI安防、蚂蚁保险“秒赔”系统），分析AI在具体场景中的落地逻辑。

二、提问引导

“AI如何提升交通管理的效率？可能存在哪些伦理风险？”

1. 观看案例并总结AI应用的核心功能。

2. 小组讨论：设计一个“AI+教育”场景的解决方案（如智能阅卷系统），并标注技术层与基础层的支撑要素。

1.知识目标：掌握应用层的典型场景与价值。

2.能力目标：能将技术理论与实际需求结合。

通过“AI+公共服务”案例（如亚运会），强调技术普惠与社会责任。

AI核心要素（10min）

一、图表分析

用思维导图展示数据、算力、算法的协同关系，结合百度DuEarth地图说明三要素如何支撑数字孪生技术。

二、辩论

“数据是AI的燃料，但数据隐私与技术进步如何平衡？”

1. 绘制三要素关系图，标注实际案例（如自动驾驶需海量数据+高算力芯片）。

2. 分组辩论，提出数据合规使用方案（如匿名化处理）。

1.‌知识目标‌：深入理解三大要素的作用与关联。
  2.‌能力目标‌：通过任务协作提升问题解决与实操能力。
  ‌在数据任务中渗透隐私保护意识，培养法律与职业道德素养。

课堂总结及作业布置

（10min）

三、课堂内容总结

1.总结基础层、技术层和应用层的依赖关系。

2.总结AI的核心三要素：数据（燃料）、算力（基建）和算法引擎。

四、实践任务

调研一种国产AI芯片的技术参数与应用案例。

3.       笔记整理：完善课堂思维导图，标注重难点。

4.       完成实践任务：查阅相关资料，完成调研。

3.     巩固知识体系。

4.     通过伦理反思，倡导“技术为人类服务”的核心价值观。

课 后

教学内容

教师活动

学生活动

设计意图

课后

拓展

答疑

答疑解惑

1.在学习平台讨论区解决学生在完成课后作业及任务时遇到的问题，给予学生们适当的指导。

2.教师可突破时间空间的限制，可采用线上线下相结合的方式答疑解惑。

完成任务

1.完成课后作业及互评；

2.积极参与课程学习，自主探究新技术、新应用；

3.预习下次课的内容。

设计意图

1.培养学生自主学习能力，探究创新能力；

2.加强与学生的互动，引导学生主动发现问题。

教 学 反 思

1.极个别同学未课前观看视频预习，以后需要加强引导；

2.课后学生参与讨论不积极，需加强老师与学生交流，增加学生参与讨论的积极性；

3.学生自主学习能力及动手能力需要加强，增强学生精益求精的精神。

授课班级

24审计1、2班

授课学时

2

授课地点

行健楼C301

授课时间

2025.2.19

选定及参考

教材

《人工智能基础与应用》唐滔、郁云、王震
  《人工智能应用概论》莫少林、宫斐

教学资源

多媒体课件（PPT）、视频案例（杭州亚运会人工智能应用）、人工智能相关软件演示（如文心一言、通义千问）、泛雅平台

教学内容分析

本节课将深入讲解人工智能（AI）的其他关键支撑技术，包括物联网（IoT）、5G技术、边缘计算和人机交互，以及AI数据服务的重要性与流程。通过理论讲解与案例分析相结合的方式，帮助学生理解这些技术在AI领域的应用，提升他们的专业素养和职业技能。

学情分析

知识基础

  具备计算机基础操作能力（如Office软件、网络搜索）；

  数学基础限于高等数学初步和统计学入门；

  学生已掌握人工智能的‌发展历程和‌基本概念，能区分专用AI与通用AI等基础术语。。

认知能力

  逻辑推理能力处于发展阶段；

  对抽象技术原理理解存在障碍；

  擅长规则性知识学习，但技术迁移能力较弱。

学习特点

  偏好结构化知识框架；

  对实操性内容兴趣较高，但动手能力需提升；

  关注技术的实用价值与职业相关性。

专业特性

  数据驱动性强：熟悉数据处理，但对大数据分析和AI工具的应用较为陌生；

  规则导向：习惯于遵循会计准则和审计规范，对AI的"黑箱"特性可能存在疑虑；

  风险敏感：对数据安全和系统可靠性要求高，关注AI技术的伦理与合规性；

  职业需求：未来职业发展需要掌握智能化工具，如智能审计系统、财务机器人等。

教学目标

知识目标

1.理解物联网、5G技术、边缘计算和人机交互在AI中的应用。

2.掌握AI数据服务的基本流程，包括数据采集、预处理、标注、存储、管理和分析。

能力目标

1.能够分析并识别AI项目中涉及的关键支撑技术和数据服务流程。

2.培养团队协作和问题解决能力，通过案例分析提升实践应用能力。

素养目标

1.树立技术创新意识，关注AI技术的最新发展动态。

2.强化职业道德观念，特别是在数据处理中注重隐私保护和安全性。

教学重难点

‌重点‌：1. 物联网与5G在AI中的协同作用。2. 数据标注的核心流程与实际应用。

‌难点‌：1. 边缘计算与云计算的协同关系。2. 数据隐私保护与AI技术发展的平衡。

教学策略

1.采用多媒体教学手段，如PPT、视频等，增强课堂互动性。

2.通过案例分析，让学生直观感受技术在实际项目中的应用。

3.组织小组讨论，鼓励学生积极参与，培养团队协作能力。

教学过程实施

课 前

教学内容

教师活动

学生活动

设计意图

发布任务

提供预习资料：物联网分层结构图、5G技术参数表。

 预习技术资料，标记疑问点。

1为课堂提供背景知识。

2.渗透科技自立自强意识。

课 中

教学内容

教师活动

学生活动

设计意图

具体课中环节及时间分配

复习旧课（5min）

一、提问

1.人工智能基础框架的三层结构是什么？

2.三大核心要素中，哪个是燃料、哪个是引擎、哪个是基建？

二、案例关联

以"人脸识别门禁系统"为例，提问学生："该系统的基础层、技术层、应用层分别包含哪些内容？数据、算力、算法在其中如何体现？"

1.‌回答问题‌：结合笔记或记忆快速回应教师提问。

2.结合案例分析：尝试用旧知识解释系统运行逻辑。

1.知识衔接‌：巩固基础框架与核心要素，为新课中其他支撑技术的层级归属做铺垫。

3.通过伦理案例讨论强化科技向善的职业责任感。

导入新课

（5min）

1. 展示“城市大脑”案例视频，提问：

“城市大脑需要哪些技术支撑？”

2. 引导学生列举技术要素（如传感器、云计算）。

1.观察与质疑

观看案例视频，思考技术逻辑
  2.尝试列举技术支撑要素（如传感器数据、云计算平台）。

1.       直观理解技术应用场景。

2.       培养从现象到本质的分析能力。

技术解析（30分钟）

一、物联网与5G

1.       展示物联网分层图（设备层、网络层、应用层）。

2.       对比4G与5G技术参数，分析5G对自动驾驶、AR\VR的支持。

3.       播放5G远程手术视频，直观感受5G技术的特征（高速率、低时延）

4.       播放案例警示。

二、边缘计算

- 1.案例展示

播放“智能质检系统”视频，解析边缘计算在实时质检中的作用。

2.提问：边缘计算与云计算的区别？

三、人机交互

1.案例演示

多模态交互案例（语音助手、AR导航），实物演示天猫精灵的唤醒词设置与误触发问题。

一、物联网与5G

1.记录技术特点，绘制物联网分层图。

  2.分组辩论：某智能家居厂商因传感器数据泄露导致用户隐私曝光事件。分组辩论技术便利性与隐私保护的平衡。

二、边缘计算

1.观看视频，分析边缘计算优势。

2.分组讨论：本地处理数据的效率优势。

三、人机交互

1.听讲并记录。

2.分享个人体验的人机交互技术。

3.设计：设计未来交互场景并分享。

1.帮助学生理解边缘计算的价值

2.掌握技术结构与核心功能。

3.培养用户体验意识，提升表达交流能力。

数据处理关键技术

（20分钟）

三、流程图解

动态展示数据采集与预处理、数据标注与标记、数据存储、数据分析与挖掘全流程。

四、对比分析

使用鸢尾花数据集，观察SVM、决策树、神经网络的效果对比。

五、两难场景

公共安防场景下，人脸识别的高准确率需求与公民隐私的冲突。

1. 绘制简化版的数据处理流程图。

2. 根据场景需求选择最优算法。

1.知识目标：理解数据处理的关键技术。
  2.能力目标：能够对比不同技术路径的优劣。
  3.强调“技术需服务实际需求，避免盲目追求高精尖”。

课堂总结及作业布置

（10min）

五、课堂内容总结

1.     思维导图：梳理技术支撑和数据服务、应用场景的闭环关系。

2.     总结技术协同关系（如5G+边缘计算=低延迟AI）

六、实践任务

调研一种国产AI芯片的技术参数与应用案例。

5.       笔记整理：完善课堂思维导图，标注重难点。

6.       完成实践任务：查阅相关资料，完成调研。

5.     巩固知识体系。

6.     强化技术自主意识和数据伦理观。

课 后

教学内容

教师活动

学生活动

设计意图

课后

拓展

答疑

答疑解惑

1.在学习平台讨论区解决学生在完成课后作业及任务时遇到的问题，给予学生们适当的指导。

2.教师可突破时间空间的限制，可采用线上线下相结合的方式答疑解惑。

完成任务

1.完成课后作业及互评；

2.积极参与课程学习，自主探究新技术、新应用；

3.预习下次课的内容。

设计意图

1.培养学生自主学习能力，探究创新能力；

2.加强与学生的互动，引导学生主动发现问题。

教 学 反 思

1.学生参与度：通过案例与实操结合，提升学生兴趣，但需加强课后讨论引导。

2.技术深度：部分抽象概念（如网络切片）需辅以更多可视化资源。

3.思政效果：国产技术案例有效增强民族自豪感，后续可增加学生自主调研环节。

授课班级

24审计1、2班

授课学时

2

授课地点

行健楼C301

授课时间

2025.2.19

选定及参考

教材

《人工智能基础与应用》唐滔、郁云、王震
  《人工智能应用概论》莫少林、宫斐

教学资源

多媒体课件（PPT）、视频案例（杭州亚运会人工智能应用）、人工智能相关软件演示（如文心一言、通义千问）、泛雅平台

教学内容分析

本节课主要围绕机器学习的基本概念、流程、分类及其应用场景展开。通过讲解机器学习的定义、一般流程、基本问题、模型类型以及应用场景，帮助学生系统地了解机器学习的基础知识。同时，通过机器学习的分类（有监督学习、无监督学习、半监督学习、强化学习和迁移学习），进一步深化学生对机器学习不同方法的理解，为后续深入学习人工智能技术奠定基础。

学情分析

知识基础

  具备计算机基础操作能力（如Office软件、网络搜索）；

  数学基础限于高等数学初步和统计学入门；

  学生已掌握人工智能的‌发展历程和‌基本概念，能区分专用AI与通用AI等基础术语。。

认知能力

  逻辑推理能力处于发展阶段；

  对抽象技术原理理解存在障碍；

  擅长规则性知识学习，但技术迁移能力较弱。

学习特点

  偏好结构化知识框架；

  对实操性内容兴趣较高，但动手能力需提升；

  关注技术的实用价值与职业相关性。

专业特性

  数据驱动性强：熟悉数据处理，但对大数据分析和AI工具的应用较为陌生；

  规则导向：习惯于遵循会计准则和审计规范，对AI的"黑箱"特性可能存在疑虑；

  风险敏感：对数据安全和系统可靠性要求高，关注AI技术的伦理与合规性；

  职业需求：未来职业发展需要掌握智能化工具，如智能审计系统、财务机器人等。

教学目标

知识目标

1.理解机器学习的定义及其与人工智能的关系。

2.掌握机器学习的一般流程，包括数据获取、数据处理、特征工程、模型训练和模型评估。

3.了解机器学习的基本问题，如过拟合、欠拟合、数据不平衡和特征选择。

4.熟悉机器学习的分类方法及其应用场景。

能力目标

1.能够分析机器学习在实际问题中的应用需求。

2.能够运用机器学习的基本流程解决简单的实际问题。

3.能够区分不同类型的机器学习方法，并根据问题选择合适的学习方法。

素养目标

1.培养学生对机器学习技术的辩证思维，理解其优势与局限性。

2.强化学生对数据隐私和模型公平性的伦理意识。

3.激发学生对人工智能技术的学习兴趣和创新思维。

教学重难点

‌重点‌：机器学习的定义、一般流程及其应用场景。机器学习的分类方法及其特点。

‌难点‌：理解机器学习一般流程中的特征工程及其重要性。区分不同机器学习方法（有监督学习、无监督学习等）的适用场景。

教学策略

1.案例驱动：通过实际案例（如物流中的机器学习应用）引入机器学习的概念和流程，帮助学生理解抽象知识。

2.分层任务：设计基础任务（如流程图解析）和进阶任务（如案例分析），满足不同层次学生的学习需求。

3.混合资源：结合多媒体课件、视频案例和在线资源，丰富教学内容。

4.思政融入：结合人工智能技术在社会发展中的作用，强调技术伦理和社会责任。

教学过程实施

课 前

教学内容

教师活动

学生活动

设计意图

发布任务

推送预习资料（如机器学习在物流中的应用案例视频），布置思考题：

“机器学习如何优化物流运输？”

观看视频并撰写200字观点摘要，列举机器学习在物流中的两个应用场景。

1激发兴趣，为课堂讨论提供背景知识。

2.渗透科技自立自强意识。

课 中

教学内容

教师活动

学生活动

设计意图

具体课中环节及时间分配

复习旧课（5min）

一、提问

1“物联网、5G 技术如何为 AI 数据收集提供支持？”“AI 数据服务中数据清洗的主要目的是什么？”

二、分享

请学生分享上节课学习的收获和遇到的问题。

三、总结过渡

强调 AI 关键支撑技术与机器学习的关联，引出本节课对机器学习的深入学习。

1. 回顾上节课知识，积极回答问题。
  2. 分享学习收获和疑问，认真倾听其他同学的发言。
  3. 跟随教师总结，建立新旧知识的联系。

知识目标：巩固上节课所学的 AI 关键支撑技术等知识。
  能力目标：训练学生的知识回顾和总结能力。
  3.培养学生温故知新的学习态度，增强学生对知识系统性的认识。

导入新课

（5min）

一、案例展示

展示杭州亚运会物流中利用机器学习优化运输需求预测和计划的案例视频，介绍机器学习在物流领域的显著成效。

二、提问

从这个案例中，大家能看出机器学习发挥了哪些作用？” 引导学生思考机器学习的应用价值

1. 观看视频，观察机器学习在实际场景中的应用。
  2. 思考问题，积极发言分享自己的观察和理解。

知识目标：让学生，建立对新知识的感性认识。

通过亚运会案例，激发学生的民族自豪感，让学生认识到科技在国家发展中的重要作用。

机器学习概述（20min）

一、讲解机器学习的定义

详细解释机器学习通过数据训练算法实现模式识别、预测和决策的过程。

二、对比机器学习和深度学习

三、介绍机器学习的一般流程

运用动画演示数据获取、处理、特征工程、模型训练和评估的各个环节，结合实际案例说明每个环节的重要性和操作要点。

1.认真听讲，理解机器学习的定义和核心思想，结合示意图加深理解，记录重点内容。

2.观察概念图，对比学习机器学习与深度学习的差异，做好笔记，理解深度学习的独特之处。

3.观看动画演示，结合实际案例理解机器学习流程，思考各环节的作用，记录关键操作要点。

1.系统传授机器学习的基础理论知识，帮助学生构建知识框架。

2.引导学生认识到科技发展的层次性和创新性，培养学生追求卓越的科学精神。

机器学习模型与应用场景（10min）

六、问题讲解

讲解机器学习的基本问题，包括过拟合与欠拟合、数据不平衡问题、特征选择问题和泛化问题。

七、模型介绍

介绍机器学习大模型，展示 BERT、GPT、ResNet 等模型的参数规模和应用成果，讲解其在自然语言处理、计算机视觉等领域的具体应用，如机器翻译、图像分类等。

八、应用场景

分别讲解文本、语音、图像、视频数据在机器学习中的应用场景，展示相关案例图片和视频，如垃圾邮件检测、语音识别、人脸识别、智能监控等，组织学生小组讨论不同数据类型应用场景的特点和技术需求。

1. 了解机器学习大模型的特点和应用领域，感受其强大功能。

2. 观看案例展示，分析不同数据类型在机器学习中的应用方式和价值。

3. 参与小组讨论，总结不同数据类型应用场景的特点，小组代表汇报讨论结果

知识目标：拓宽学生对机器学习模型和应用场景的认知。

能力目标：通过案例分析和小组讨论，培养学生的观察、分析和总结能力。

让学生了解我国在机器学习领域的成果，增强学生的科技自信，激发学生为科技发展贡献力量的决心。

机器学习方法分类（15分钟）

一、有监督学习

讲解有监督学习的定义和过程，通过案例说明其在图像识别、语音识别等领域的应用。

二、无监督学习

介绍无监督学习的定义和过程，讲解聚类等典型任务。

三、半监督学习

讲解半监督学习的定义和过程，讨论其在大数据时代的应用价值。

四、迁移学习

讲解迁移学习的定义和过程，讨论其在图像识别、自然语言处理等领域的应用案例。

五、强化学习

介绍强化学习的定义和过程，通过海豚训练的案例说明其原理。

1. 分析案例，理解有监督学习的特点。

2. 思考无监督学习在实际生活中的应用。

3. 讨论半监督学习如何结合有监督和无监督学习的优势。

4. 思考迁移学习如何加速新模型的学习过程。

5. 分析案例，理解强化学习的决策过程。

知识目标：帮助学生理解和掌握机器学习的分类体系。

能力目标：通过实例和案例分析，培养学生的知识应用和判断能力。

培养学生具体问题具体分析的思维方式，树立正确的学习和应用观念。

课堂总结及作业布置

（10min）

七、课堂内容总结

1.回顾本节课的重点内容，包括机器学习的定义、流程、基本问题、模型、应用场景和分类。

2.强调机器学习在人工智能领域的重要地位和广泛应用前景，鼓励学生课后继续探索。

八、实践任务

要求学生选择一个自己感兴趣的机器学习应用场景（如推荐系统、手写数字识别等），查阅资料了解其实现原理和基本流程。

1. 记录作业内容，明确作业要求。

2. 课后认真完成书面作业，查阅资料准备实践作业分享。

知识目标：通过作业巩固课堂所学的机器学习分类和应用等知识。

思政融入：培养学生的实践精神和自主探索能力，引导学生关注科技在生活中的应用。

课 后

教学内容

教师活动

学生活动

设计意图

课后

拓展

答疑

1. 在学习平台上查看学生的作业提交情况，对书面作业进行批改和反馈，针对学生的问题提供详细解答和指导。

2. 参与学生关于实践作业的讨论，在讨论区引导学生思考和交流，提供相关资料和思路，帮助学生更好地完成实践作业。

1. 根据教师反馈，认真反思自己的作业完成情况，对存在的问题进行改进。

2. 积极参与讨论区交流，分享自己在实践作业准备过程中的发现和疑问，参考教师和同学的建议完善实践作业内容。

设计意图

1.培养学生自主学习能力，探究创新能力；

2.加强与学生的互动，引导学生主动发现问题。

教 学 反 思

1.教学过程中需密切关注学生对抽象概念的理解程度，及时调整教学方法和节奏，借助更多实例和互动助力学生理解。

2.实践作业的指导应更具针对性，引导学生深入思考应用场景中的技术细节，培育学生的创新思维和实践能力。

3.鼓励学生在课后持续探索机器学习领域，可组织兴趣小组或开展相关竞赛，激发学生的学习热情和创造力。

授课班级

24审计1、2班

授课学时

2

授课地点

行健楼C301

授课时间

2025.2.19

选定及参考

教材

《人工智能基础与应用》唐滔、郁云、王震
  《人工智能应用概论》莫少林、宫斐

教学资源

多媒体课件（PPT）、视频案例（杭州亚运会人工智能应用）、人工智能相关软件演示（如文心一言、通义千问）、泛雅平台

教学内容分析

本次课程聚焦机器学习算法，涵盖线性回归、KNN、决策树、贝叶斯分类、支持向量机这几种常见算法。线性回归通过属性线性组合拟合数据，寻找最佳拟合线；KNN 依据样本邻近点类别进行分类；决策树基于先验数据构造树结构预测类别；贝叶斯分类运用概率公式计算后验概率分类；支持向量机旨在找到最大间隔超平面实现数据分类。通过学习这些算法，学生能够掌握机器学习的核心方法，为后续深入学习和实践应用奠定基础。

学情分析

知识基础

  具备计算机基础操作能力（如Office软件、网络搜索）；

  数学基础限于高等数学初步和统计学入门；

  学生已掌握人工智能的‌发展历程和‌基本概念，能区分专用AI与通用AI等基础术语。。

认知能力

  逻辑推理能力处于发展阶段；

  对抽象技术原理理解存在障碍；

  擅长规则性知识学习，但技术迁移能力较弱。

学习特点

  偏好结构化知识框架；

  对实操性内容兴趣较高，但动手能力需提升；

  关注技术的实用价值与职业相关性。

专业特性

  数据驱动性强：熟悉数据处理，但对大数据分析和AI工具的应用较为陌生；

  规则导向：习惯于遵循会计准则和审计规范，对AI的"黑箱"特性可能存在疑虑；

  风险敏感：对数据安全和系统可靠性要求高，关注AI技术的伦理与合规性；

  职业需求：未来职业发展需要掌握智能化工具，如智能审计系统、财务机器人等。

教学目标

知识目标

1.理解线性回归、KNN、决策树、贝叶斯分类、支持向量机算法的基本原理。

2.掌握各算法的应用场景及优势。

3.熟悉决策树中信息熵、信息增益的概念及计算方法，理解贝叶斯公式和朴素贝叶斯的条件独立假设。

能力目标

1.能够运用线性回归算法解决简单的预测问题，如根据学习时长预测分数。

2.运用 KNN 算法对数据进行分类，分析黑色点所属新闻类别。

3.利用决策树算法对给定数据进行分类决策，构建决策树模型。

4.运用贝叶斯分类算法计算事件发生概率，进行分类预测。

5.运用支持向量机算法解决二分类问题，如预测学生成绩是否及格。

素养目标

1.培养学生的逻辑思维能力，提升对复杂算法原理的理解和分析能力。

2.增强学生的数据意识和问题解决能力，使其能从数据中提取价值。

3.引导学生关注算法中的数据隐私和伦理问题，树立正确的价值观。

教学重难点

重点：

线性回归算法的原理、最小二乘回归法及应用。

KNN 算法的分类原理、距离计算方法及 K 值选择。

决策树算法的构造过程、信息熵和信息增益的计算与应用。

难点：

1.线性回归算法中损失函数的理解及优化算法的运用。

2.KNN   算法中 K 值对分类结果的影响及选择策略。

3.决策树算法中信息熵和信息增益的计算及属性划分选择。

教学策略

1.案例驱动：以探索学习时长与分数关系、水果识别分类、预测学生成绩等实际案例，引入和讲解各算法，让学生在具体情境中理解算法的应用和价值。

2.任务驱动：布置 “做一做” 任务，如使用无监督学习分析新闻类别、构建决策树模型等，让学生在实践中掌握算法的应用，提升动手能力。

3.对比分析：对比不同算法的特点、计算量、适用问题，帮助学生清晰区分各算法，选择合适的算法解决实际问题。

4.思政融入：在讲解算法过程中，引导学生思考算法中的数据隐私、伦理问题，结合我国在人工智能算法领域的发展成果，激发学生的民族自豪感和创新精神。

教学过程实施

课 前

教学内容

教师活动

学生活动

设计意图

发布任务

1. 在学习平台发布预习任务，要求学生观看机器学习算法相关的科普视频，如 “机器学习算法介绍”。
  2. 布置思考问题：“生活中有哪些场景可以应用机器学习算法？”

1. 观看视频，了解机器学习算法的大致内容。
  2. 思考并记录生活中可能应用机器学习算法的场景，如电商推荐、语音助手等。

1激发兴趣，为课堂讨论提供背景知识。

2.渗透科技自立自强意识。

课 中

教学内容

教师活动

学生活动

设计意图

具体课中环节及时间分配

复习旧课（5min）

1. 提问：“机器学习的定义是什么？一般流程包含哪些步骤？”

2. 展示几个简单的数据分类和预测问题，让学生判断属于哪种机器学习模型类型。

3. 总结过渡：回顾上节课内容，引出本节课将深入学习机器学习的核心算法。

1. 回忆并回答问题，巩固旧知识。
  2. 思考并判断数据问题所属模型类型，加深对模型类型的理解。

1. 知识目标：巩固机器学习的基础概念和知识体系。
  2. 能力目标：训练知识回顾和应用能力，建立知识之间的联系。
  3. 培养学生温故知新的学习习惯。

导入新课（5min）

1. 播放一段智能家居场景的视频，视频中展示智能音箱识别语音指令、智能摄像头监测异常情况等功能。

2. 提问：“在这个智能家居场景中，大家能发现哪些地方可能用到了机器学习算法？”   引导学生思考机器学习在实际生活中的应用。

3. 总结学生的回答，引出本节课要学习的机器学习算法，强调这些算法是实现智能家居等众多智能应用的核心技术。

1.观察与质疑

观看案例视频，思考人工智能技术的价值和意义。
  2.尝试列举技术支撑要素（如传感器数据、云计算平台）。

2.       知识目标‌：理解基础支撑对AI应用的重要性。
  2.‌能力目标‌：培养从现象到本质的分析能力。

通过国家科技成就案例，增强民族自豪感。

线性回归算法（15min）

1.
  结合探索学习时长与分数关系的案例，讲解线性回归算法的原理，包括线性回归方程、最小二乘回归法。

2. 展示线性回归算法的实现步骤，使用 Python 代码演示数据处理、模型训练和评估过程。

3. 提问：“线性回归算法在实际应用中可能会遇到哪些问题？”

1. 认真听讲，理解线性回归算法原理，记录关键知识点。

2. 观察代码演示过程，学习算法实现方法。

3. 思考并回答问题，如数据非线性关系、异常值影响等。

1. 知识目标：掌握线性回归算法的原理和实现步骤。
  2. 通过实际案例，让学生体会科技对教育的影响，激发学生探索创新的精神。

KNN算法（15min）

1.
  以绿色圆点分类为例，详细讲解 KNN 算法的分类原理，包括 “物以类聚” 的概念、“近邻” 的判断方法（欧氏距离计算）。

2. 布置 “做一做” 任务：使用无监督学习对 10000 篇新闻报道分析，对其新闻内容特征进行提取，判断黑色点所属新闻类别。

3. 引导学生讨论 K 值选择对分类结果的影响。

1. 理解 KNN 算法原理，掌握欧氏距离计算方法。
  2. 完成 “做一做” 任务，尝试运用 KNN 算法进行分类。

  3.   参与讨论，分析 K 值过大或过小的优缺点。

1. 知识目标：理解 KNN 算法的分类原理和距离计算方法。
  2. 能力目标：提升动手实践能力和数据分析能力，学会运用算法进行数据分类。
  3. 培养学生团队协作和探索精神，引导学生在实践中发现问题、解决问题。

决策树算法（10min）

1. 以电视机是否合格为例，讲解决策树算法的构造过程，包括根节点、内部节点、叶节点的含义，属性测试和决策结果的输出。

3. 布置任务：根据给定的客户信用卡发放数据，构建决策树模型。

1. 理解决策树算法的构造和决策过程，记录关键概念。
  2. 学习信息熵和信息增益的计算方法，通过案例加深理解。
  3. 完成任务，尝试构建决策树模型，锻炼实践能力。

1. 知识目标：掌握决策树算法的原理、信息熵和信息增益的概念及计算。
  2. 能力目标：学会运用决策树算法进行分类决策。

3. 通过案例分析，让学生体会算法在实际决策中的作用，培养学生的理性思维和决策能力。

贝叶斯算法（10min）

1. 从简单的取纸币概率问题入手，讲解贝叶斯公式的推导过程，结合天气预测案例，加深学生对贝叶斯公式的理解。

3. 布置任务：假设有一批邮件数据，已知邮件中包含某些关键词的概率以及这些关键词在垃圾邮件和正常邮件中的分布概率，运用贝叶斯分类算法判断邮件是否为垃圾邮件。

1. 理解贝叶斯公式的推导和应用，掌握条件概率的计算。
  2. 思考朴素贝叶斯条件独立假设的合理性，对比实际情况分析其局限性。
  3. 完成任务，运用贝叶斯分类算法进行邮件分类判断。

1. 知识目标：理解贝叶斯公式和朴素贝叶斯的条件独立假设。
  2. 能力目标：学会运用贝叶斯分类算法解决实际问题。
  3. 引导学生思考算法中的数据隐私和伦理问题，如垃圾邮件分类中的数据使用，培养学生的法律意识和职业道德。

课堂总结及作业布置

（10min）

1. 总结本节课学习的几种机器学习算法的原理、应用场景和特点。
  2. 强调各算法之间的联系和区别，帮助学生构建知识体系。

1. 认真听讲，回顾本节课重点内容，完善笔记。
  2. 思考算法之间的联系和区别，加深对知识的理解。

培养学生系统学习和总结的能力，引导学生树立正确的学习态度。

课 后

教学内容

教师活动

学生活动

设计意图

课后

拓展

答疑

1. 在学习平台发布课后作业，要求学生完成一份关于机器学习算法应用的小报告，选择一个实际场景，分析如何运用所学算法解决问题。

1. 完成课后作业，选择实际场景，运用所学算法进行分析和报告撰写。
  2. 阅读拓展学习资料，深入了解机器学习算法的前沿应用和发展趋势。

1. 培养自主学习能力、研究能力和书面表达能力。
  2.引导学生关注人工智能技术的发展，树立为科技进步贡献力量的志向。

教 学 反 思

本次机器学习算法教学，部分学生掌握了基本算法原理，但复杂内容理解不足。案例和任务驱动法激发了兴趣，思政融入有成效，但小组讨论和伦理探讨待深化。学生动手和自主学习能力有差异，教学内容应更前沿、结合专业。后续将改进方法，关注个体差异，提升教学质量。

授课班级

24审计1、2班

授课学时

2

授课地点

行健楼C301

授课时间

2025.2.19

选定及参考

教材

《人工智能基础与应用》唐滔、郁云、王震
  《人工智能应用概论》莫少林、宫斐

教学资源

多媒体课件（PPT）、视频案例、人工智能相关软件演示（如文心一言、通义千问）、泛雅平台

教学内容分析

本次课程聚焦机器学习算法与应用，涵盖聚类、降维、集成学习算法及在多领域的实际运用。在算法层面，聚类算法让学生理解无监督学习中数据分组的原理与方法；降维算法帮助学生掌握高维数据处理技巧；集成学习算法则使学生认识到如何整合多个学习器提升性能。在应用方面，通过介绍金融、财务、电商、网络安全、医疗等领域案例，让学生了解机器学习在实际场景中的价值与作用，为后续深入学习和应用机器学习技术奠定基础。

学情分析

知识基础

  具备计算机基础操作能力（如Office软件、网络搜索）；

  数学基础限于高等数学初步和统计学入门；

  学生已掌握人工智能的‌发展历程和‌基本概念，能区分专用AI与通用AI等基础术语。。

认知能力

  逻辑推理能力处于发展阶段；

  对抽象技术原理理解存在障碍；

  擅长规则性知识学习，但技术迁移能力较弱。

学习特点

  偏好结构化知识框架；

  对实操性内容兴趣较高，但动手能力需提升；

  关注技术的实用价值与职业相关性。

专业特性

  数据驱动性强：熟悉数据处理，但对大数据分析和AI工具的应用较为陌生；

  规则导向：习惯于遵循会计准则和审计规范，对AI的"黑箱"特性可能存在疑虑；

  风险敏感：对数据安全和系统可靠性要求高，关注AI技术的伦理与合规性；

  职业需求：未来职业发展需要掌握智能化工具，如智能审计系统、财务机器人等。

教学目标

知识目标

1. 理解聚类、降维、集成学习算法的概念、原理和分类。

2. 掌握主成分分析（PCA）的基本步骤及应用场景。

3. 熟悉机器学习在金融、财务、电商、网络安全、医疗等领域的具体应用。

能力目标

1. 能够运用聚类算法对简单数据集进行聚类分析。  

2. 学会使用PCA算法对数据进行降维处理。

3. 能根据实际问题选择合适的机器学习算法和应用领域解决方案。  

4. 提高学生分析和解决实际问题的能力，培养学生的数据处理和算法应用能力。

素养目标

1. 培养学生的创新思维和探索精神，激发学生对机器学习技术的兴趣。

2.  强化学生的数据安全和隐私保护意识，提升学生的职业道德素养。

3. 引导学生关注机器学习技术对社会发展的影响，增强学生的社会责任感。

教学重难点

重点 ：1. 聚类、降维、集成学习算法的原理和应用。 2. 机器学习在各领域应用中的关键技术和优势。

‌难点‌：1. 聚类算法中中心点数量的确定和聚类过程的理解。 2. 主成分分析（PCA）中特征值和特征向量的计算及主成分的选择。 3. 集成学习算法中弱学习器的多样性和集成方法的理解与应用。。

教学策略

1.   案例驱动：通过实际案例，如樱花耐寒性分析（聚类）、图像压缩（降维）、电商商品推荐（集成学习应用）等，引导学生理解算法原理和应用场景。  

2.  实践操作：安排学生使用Python等工具进行聚类、降维算法的实践操作，加深对算法的理解和掌握。

3. 小组讨论：组织学生分组讨论机器学习在不同领域应用中的挑战和机遇，培养学生的团队协作和问题解决能力。

4. 思政融入：在教学过程中，结合我国在机器学习领域的研究成果和应用案例，增强学生的民族自豪感和科技报国情怀；同时强调数据安全和隐私保护的重要性，培养学生的职业道德素养。

教学过程实施

课 前

教学内容

教师活动

学生活动

设计意图

发布任务

1.在泛雅平台发布预习资料，包括机器学习算法和应用相关的文档、视频

2布置预习任务：思考聚类算法与之前学习的分类算法的区别，以及机器学习在自己专业领域可能的应用。

观看视频并撰写200字观点摘要，列举3项战略优势。

1激发兴趣，为课堂讨论提供背景知识。

2.渗透科技自立自强意识。

课 中

教学内容

教师活动

学生活动

设计意图

具体课中环节及时间分配

复习旧课（5min）

提问：线性回归、KNN、决策树、贝叶斯分类、支持向量机这几种算法的核心思想和适用场景分别是什么？

结合笔记回答问题，参与课堂讨论，补充和完善对旧知识的理解。

巩固上节课所学知识,为学习新算法和应用做对比和铺垫。

导入新课

（5min）

一、案例导入

1.展示樱花种植的案例：一个北方公园想要种植樱花，樱花种类繁多，如何确定哪些樱花耐寒？

2.引出聚类算法的概念和应用场景。

3.展示高维数据可视化困难的图片，引出降维的需求和概念。

1.观察与质疑

观看案例视频，思考人工智能技术的价值和意义。
 
 

1.‌能力目标‌：培养从现象到本质的分析能力。

2.通过国家科技成就案例，增强民族自豪感。

聚类算法（10min）

1. 讲解聚类算法的特点、分类（硬聚类和软聚类），结合 PPT 中的散点图和示例，详细介绍硬聚类
  的过程，包括初始中心点的选择、计算虚拟中心和重新聚类的步骤。

2.引导学生思考聚类算法在其他领域的应用，如客户细分、图像分割等。

1.认真听讲，记录关键知识点，观察聚类过程的演示，理解聚类算法的原理和操作步骤。

2.积极思考老师提出的问题，参与课堂讨论，分享自己对聚类算法应用的想法。

1.知识目标：让学生掌握聚类算法的概念、特点、分类和硬聚类的过程。

通过聚类算法在不同领域的应用，引导学生关注科技对社会发展的推动作用，培养学生的社会责任感。

降维算法（10min）

1.介绍降维的概念和方法，重点讲解主成分分析（PCA）的基本思想、背景和引入原因。
  2.逐步推导 PCA 的基本步骤，结合公式和示例，解释数据标准化、协方差矩阵计算、特征值和特征向量求解、主成分选择和数据投影的过程。
  3.展示 PCA 在图像压缩和数据可视化方面的应用案例。

1.理解降维的概念和意义，跟随老师的推导过程，理解PCA算法的原理和步骤。

2.观察案例展示，分析PCA在实际应用中的效果，思考PCA在自己专业数据处理中的可行性。

知识目标：使学生理解降维的概念和PCA算法的原理、步骤及应用。

思政融入：介绍我国在数据降维技术方面的研究成果，增强学生的民族自豪感和科技创新意识。

集成学习算法（10min）

1.阐述集成学习的基本原理，强调弱学习器的多样性和集成方法的重要性。

2.介绍常见的集成学习类型，如Bagging、Boosting、Stacking，结合示意图和代表性算法（随机森林、AdaBoost、XGBoost、LightGBM等），讲解它们的工作机制和特点。

1.理解集成学习的基本思想和关键因素，对比不同集成学习类型的差异。

2.结合算法示例，深入理解Bagging、Boosting、Stacking的工作原理，记录代表性算法的特点和应用场景。

1.帮助学生掌握集成学习的基本原理、类型和代表性算法的特点。

2.强调团队协作在集成学习中的重要性，引导学生在学习和生活中注重团队合作。

机器学习应用（30min）

一、金融领域

1.介绍机器学习在金融领域的应用，如信用评分、欺诈检测、交易策略和投资、客户服务等。

2.对比传统信用评分模型和机器学习信用评分模型，分析机器学习在欺诈检测中的优势。

二、财务处理

1.讲解机器学习在财务处理中的应用，包括自动化审计、风险管理、财务预测与决策支持、税务管理和合规监管等。

2.结合实际案例，分析机器学习如何提高财务处理的效率和准确性。

三、电商领域

1.展示机器学习在电商领域的应用，如商品推荐、价格优化、欺诈检测、客服服务、供应链优化等。

2.分析个性化推荐对电商平台销售额和用户粘性的影响，以及机器学习在价格优化中的作用。

四、网络安全应用

1.介绍机器学习在网络安全领域的应用，包括异常检测、威胁情报分析、恶意代码分析、用户行为分析、身份认证等。

2.结合网络安全事件，讲解机器学习如何提高网络安全防护的效率和准确性。

五、医疗领域

1.讲解机器学习在医疗领域的应用，如预测模型、图像识别、管理患者、药物研发、智能医疗辅助系统等。

2.分析深度学习在医学图像处理中的优势，以及机器学习在药物研发中的作用。

一、金融领域

1.认真听讲，了解机器学习在金融领域的多种应用场景，对比不同信用评分模型的差异。

2.思考机器学习在金融欺诈检测中的实际操作和可能面临的挑战。

二、财务处理

1.理解机器学习在财务处理各环节的应用原理，分析实际案例中机器学习带来的价值。

2.结合专业知识，思考机器学习在财务领域应用的前景和潜在问题。

三、电商领域

1.观察案例展示，分析机器学习在电商各环节的应用效果，如个性化推荐算法的实现原理。

2.思考电商平台如何利用机器学习优化用户体验和提高运营效率。

四、网络安全应用

1.理解机器学习在网络安全各方面的应用机制，分析网络安全事件中机器学习的作用。

2.思考如何利用机器学习技术提升网络安全防护能力，保障个人和企业的信息安全。

五、医疗领域

1.了解机器学习在医疗领域的多种应用方式，分析深度学习在医学图像处理中的优势。

2.思考机器学习在医疗领域对改善医疗服务和推动医学发展的重要意义。

1.知识目标：使学生全面掌握机器学习在多领域的具体应用内容、关键技术及独特价值，构建系统的知识体系。

2.在教学过程中，展示我国在机器学习各领域应用的创新成果和显著成就，激发学生的民族自豪感和爱国情怀。

课堂总结及作业布置

（10min）

课堂内容总结

1. 总结本节课所学的机器学习算法（聚类、降维、集成学习）和应用领域（金融、财务、电商、网络安全、医疗）的重点内容。
  强调各算法的核心要点和应用中的关键技术，引导学生回顾学习过程中的难点和疑问。

2. 布置课后作业：
   选择一个实际数据集，使用聚类算法进行聚类分析，并撰写分析报告，包括数据来源、算法选择、聚类过程和结果分析。

1. 认真听讲，跟随老师的总结回顾本节课内容，整理笔记，提出自己的疑问。

2. 记录作业要求，明确任务内容。

1. 巩固本节课所学知识，强化重点内容。

2. 引导学生关注机器学习在专业领域的发展，提高学生的专业素养。

课 后

教学内容

教师活动

学生活动

设计意图

课后

拓展

答疑

1. 答疑解惑

2. 在泛雅平台讨论区关注学生的作业进展和疑问，及时给予指导和解答。
  3.推荐相关的学术论文、开源项目或在线课程，供学生进一步拓展学习。

1. 完成任务

2. 完成课后作业，在讨论区与老师和同学交流作业中的问题和困惑。
  根据老师的推荐，自主选择学习资源进行拓展学习。

1. 设计意图

2. 培养学生自主学习能力，探究创新能力；

3. 加强与学生的互动，引导学生主动发现问题。

教 学 反 思

本次教学中，大部分学生对机器学习算法和应用展现出兴趣，但仍存在不足。部分学生在理解 PCA 算法的数学原理时遇到困难，反映出理论讲解深度与学生基础的适配问题。小组讨论环节中，部分学生参与度不高，协作效果未达预期。后续教学应简化复杂理论，增加实例辅助理解；优化小组讨论形式，明确分工，提升学生参与度与协作能力，确保教学效果。

教学项目（单元）

4.1深度学习概述、4.2深度学习框架

授课班级

24审计1、2班

授课学时

2

授课地点

行健楼C301

授课时间

2025.2.19

选定及参考

教材

《人工智能基础与应用》唐滔、郁云、王震
  《人工智能应用概论》莫少林、宫斐

教学资源

多媒体课件（PPT）、视频案例、人工智能相关软件演示（如文心一言、通义千问）、泛雅平台

教学内容分析

本次课主要围绕深度学习展开，涵盖深度学习概述和深度学习框架两大部分。深度学习概述介绍其与机器学习的关系、兴起历程、神经元及神经网络相关概念，帮助学生建立深度学习的基础认知。深度学习框架部分详细讲解TensorFlow、Keras、PyTorch和PaddlePaddle等主流框架，包括框架的定义、特点、应用场景及具体应用案例。通过本节课学习，学生能系统了解深度学习的理论和实践基础，为后续深入学习和应用深度学习技术奠定坚实基础。

学情分析

知识基础

  具备计算机基础操作能力（如Office软件、网络搜索）；

  数学基础限于高等数学初步和统计学入门；

  学生已掌握人工智能的‌发展历程和‌基本概念，能区分专用AI与通用AI等基础术语。。

认知能力

  逻辑推理能力处于发展阶段；

  对抽象技术原理理解存在障碍；

  擅长规则性知识学习，但技术迁移能力较弱。

学习特点

  偏好结构化知识框架；

  对实操性内容兴趣较高，但动手能力需提升；

  关注技术的实用价值与职业相关性。

专业特性

  数据驱动性强：熟悉数据处理，但对大数据分析和AI工具的应用较为陌生；

  规则导向：习惯于遵循会计准则和审计规范，对AI的"黑箱"特性可能存在疑虑；

  风险敏感：对数据安全和系统可靠性要求高，关注AI技术的伦理与合规性；

  职业需求：未来职业发展需要掌握智能化工具，如智能审计系统、财务机器人等。

教学目标

知识目标

1. 清晰阐述深度学习与机器学习的关系，准确描述深度学习的兴起历程及关键节点。

2.  熟练掌握神经元、感知器、人工神经网络的概念、结构和工作原理。

3. 全面了解TensorFlow、Keras、PyTorch、PaddlePaddle等深度学习框架的定义、特点和应用场景。

能力目标

1.能够运用深度学习相关概念，分析和解释简单的深度学习模型和应用。  

2.针对给定的实际问题，选择合适的深度学习框架，并能初步设计解决方案。  

3.学会使用至少一种深度学习框架进行简单模型的搭建和训练，提升实践操作能力。

素养目标

1.培养学生对深度学习技术的探索精神和创新意识，激发学习兴趣。

2.通过了解国产深度学习框架的发展和应用，增强民族自豪感和文化自信，树立科技强国的使命感。

3.引导学生关注深度学习在实际应用中的伦理和安全问题，培养正确的价值观和职业道德观。

教学重难点

‌重点：

1. 深度学习的基本概念，如神经元、感知器、人工神经网络的结构与原理。

2. 主流深度学习框架的特点和应用，特别是TensorFlow和PaddlePaddle的应用案例。

‌难点‌：

1. 理解深度学习兴起过程中遇到的技术瓶颈及突破的关键因素。

2. 对比不同深度学习框架的优缺点，根据实际需求选择合适的框架。

教学策略

1.案例教学法：通过自动驾驶、医疗诊断、图像识别等实际案例，引导学生理解深度学习的应用，增强学生对知识的感性认识，提高学习兴趣。

2.对比分析法：在讲解深度学习框架时，对比不同框架的特点、应用场景和优缺点，帮助学生清晰区分和理解，培养学生的分析和比较能力。  

3. 实践操作法：安排学生进行简单的深度学习模型搭建和训练实践，让学生在实践中掌握深度学习框架的使用，提升实践能力。  

4.思政融入法：在教学过程中，融入国产深度学习框架的发展成果、技术创新等内容，培养学生的民族自豪感和科技强国使命感；引导学生思考深度学习应用中的伦理和安全问题，强化学生的职业道德和责任意识。

教学过程实施

课 前

教学内容

教师活动

学生活动

设计意图

发布任务

1. 通过学习平台发布上节课机器学习算法的复习资料和简单测试题，如聚类算法的原理、集成学习算法在金融风险预测中的应用等。

2. 推送深度学习相关的科普文章或短视频，如深度学习在人脸识别技术中的应用。

3.布置预习任务：思考深度学习与机器学习的联系和区别，记录自己的疑问。

1. 完成复习资料学习和测试题，回顾上节课知识。

2. 阅读科普文章或观看短视频，思考并记录问题。

1. 巩固上节课机器学习算法知识。

2. 能力目标：培养学生自主复习和预习的能力。

3. 激发学生对深度学习技术的好奇心和探索欲，培养学生积极主动的学习态度。

课 中

教学内容

教师活动

学生活动

设计意图

具体课中环节及时间分配

复习旧课（5min）

1. 随机抽取学生回答上节课机器学习算法的相关问题，如聚类算法的类型及适用场景、降维算法的作用等。

2. 引导学生回顾集成学习算法在实际应用中的优缺点，结合实际案例进行分析。

3. 总结学生的回答，强调机器学习算法在实际应用中的重要性，引出深度学习与机器学习的关联，为新课导入做准备。

1. 认真思考并回答问题，回忆上节课所学内容。

2. 参与课堂讨论，分享自己对集成学习算法应用的理解和看法。

3. 记录老师总结的重点内容，建立新旧知识的联系。

1. 强化学生对机器学习算法的记忆和理解，明确其在人工智能领域的地位。

2. 通过对机器学习算法应用的讨论，让学生认识到技术在推动社会发展中的作用，增强学生的社会责任感。

导入新课

（5min）

1. 展示一段深度学习在智能安防系统中应用的视频，如通过人脸识别技术快速识别犯罪嫌疑人，保障公共安全。

2. 提出问题：在这个智能安防系统中，深度学习是如何实现人脸识别的？它与我们之前学的机器学习算法有什么不同？引导学生思考并讨论。

1. 观看视频，感受深度学习在实际应用中的强大功能。

2. 思考老师提出的问题，结合预习内容，参与小组讨论，分享自己的观点。

1. 引发学生对深度学习的兴趣。

2. 培养学生的观察能力和问题分析能力。

3. 通过智能安防案例，让学生认识到深度学习技术在保障社会安全方面的重要作用。

深度学习概述（20min）

一、深度学习与机器学习的关系

1.结合PPT，详细讲解深度学习是机器学习的分支，是一种以人工神经网络为架构的表征学习算法，通过对比深度学习和机器学习在特征提取、模型结构等方面的差异，帮助学生理解。

二、深度学习的兴起

1.展示深度学习发展历程的时间轴，介绍关键节点和重要人物的贡献，如MP神经元数学模型、单层感知器、反向传播算法等，引导学生思考技术发展的推动因素。

三、 神经元、感知器、人工神经网络

1.通过动画演示和示意图，讲解神经元的结构和工作原理，包括线性变换和非线性变换；

2.介绍感知器的概念、结构和功能，对比感知器与现代神经网络的区别；

3.讲解人工神经网络的组成和基本术语，如输入层、输出层、隐藏层等。

1. 认真听讲，观看PPT和动画演示，理解深度学习与机器学习的关系。

2. 跟随老师的讲解，了解深度学习的兴起历程，记录关键信息。

3. 观察神经元、感知器和人工神经网络的示意图，理解其结构和工作原理，做好笔记。

1. 知识目标：让学生系统掌握深度学习的基本概念和发展历程，建立深度学习的知识框架。

2. 能力目标：培养学生的知识归纳和总结能力，提高学生对抽象概念的理解能力。

3. 课程思政：介绍深度学习发展过程中我国科学家的贡献，增强学生的民族自豪感和创新意识。

深度学习框架

（30分钟）

1. TensorFlow：介绍TensorFlow的开发背景、核心概念（张量和数据流图）和计算图构建方式；讲解其灵活性、多语言支持等特点，通过特斯拉自动驾驶系统、谷歌医疗诊断等应用案例，展示其应用；以金山WPS图片处理和中国移动智能割接助手为例，详细分析其在实际场景中的应用。

2. Keras：讲解Keras作为高层次深度学习框架的特点，如用户友好、模块化等，介绍其与底层库的关系；通过简单代码示例，展示Keras快速构建模型的过程；分析Keras在性能、控制度等方面的限制。

3. PyTorch：介绍PyTorch的开发团队和动态计算图的优势，讲解其易于使用、调试友好等特点；展示其在学术界和企业中的应用场景，分析其在工业应用中的限制。

4. PaddlePaddle：介绍飞桨是我国自主研发的产业级深度学习平台，讲解其核心框架、基础模型库等组件；以变电站智慧巡检、动力电池质量检测、农业智能化等应用案例，展示其在推动我国产业智能化升级中的作用。

1. 听讲并理解各深度学习框架的特点、应用场景和案例。

2. 观察代码示例，学习Keras构建模型的方法。

3. 对比不同框架，分析其优缺点，做好笔记。

1. 知识目标：让学生全面了解主流深度学习框架的特点和应用，掌握不同框架的适用场景。

2. 能力目标：培养学生对比分析和实际应用能力，提高学生的技术选型能力。

3. 通过介绍PaddlePaddle，增强学生的民族自豪感和对国产技术的自信心，激发学生投身科技报国的热情。

课堂总结及作业布置

（10min）

1.回顾本节课重点内容，包括深度学习的基本概念、主流深度学习框架的特点和应用。

2.强调深度学习在人工智能领域的重要地位和发展前景，鼓励学生课后继续探索。

3.布置作业：让学生选择一个实际问题，如手写数字识别，使用所学的深度学习框架（如   TensorFlow 或 PaddlePaddle）设计并实现一个简单的深度学习模型，要求记录模型搭建过程、遇到的问题及解决方法。

完成作业，尝试使用深度学习框架解决实际问题，提高实践能力。

1.知识目标：巩固本节课所学知识，强化记忆。

2.能力目标：培养学生的总结归纳能力，提高学生的自主学习能力。

3.激发学生对深度学习技术的持续学习热情，培养学生的创新精神和使命感。

课 后

教学内容

教师活动

学生活动

设计意图

课后

拓展

答疑

推荐学习资源，如深度学习相关的在线课程、学术论文、开源项目等，鼓励学生拓展学习。

利用推荐资源进行拓展学习，加深对深度学习的理解。

培养学生勇于探索、不断进取的精神，引导学生关注学术前沿，为未来的学习和工作打下基础。|

教 学 反 思

本次深度学习课程教学，通过案例教学和对比分析，学生对知识的理解较为直观，课程思政也增强了学生的民族自豪感。但部分学生实践操作困难，教学进度把控不够精准，学生参与度不均衡。后续教学需增加实践指导，优化进度安排，设计多样化活动，以提升教学效果，促进全体学生发展。

授课班级

24审计1、2班

授课学时

2

授课地点

行健楼C301

授课时间

2025.2.19

选定及参考

教材

《人工智能基础与应用》唐滔、郁云、王震
  《人工智能应用概论》莫少林、宫斐

教学资源

多媒体课件（PPT）、视频案例（杭州亚运会人工智能应用）、人工智能相关软件演示（如文心一言、通义千问）、泛雅平台

教学内容分析

本次课聚焦经典神经网络，涵盖径向基神经网络、Hopfield 神经网络等多种类型。通过学习，学生将深入理解各类神经网络的结构、原理及应用场景，为后续学习人工智能算法、进行项目实践奠定基础，也有助于学生在智能技术领域进一步探索和研究。

学情分析

知识基础

  具备计算机基础操作能力（如Office软件、网络搜索）；

  数学基础限于高等数学初步和统计学入门；

  学生已掌握人工智能的‌发展历程和‌基本概念，能区分专用AI与通用AI等基础术语。。

认知能力

  逻辑推理能力处于发展阶段；

  对抽象技术原理理解存在障碍；

  擅长规则性知识学习，但技术迁移能力较弱。

学习特点

  偏好结构化知识框架；

  对实操性内容兴趣较高，但动手能力需提升；

  关注技术的实用价值与职业相关性。

专业特性

  数据驱动性强：熟悉数据处理，但对大数据分析和AI工具的应用较为陌生；

  规则导向：习惯于遵循会计准则和审计规范，对AI的"黑箱"特性可能存在疑虑；

  风险敏感：对数据安全和系统可靠性要求高，关注AI技术的伦理与合规性；

  职业需求：未来职业发展需要掌握智能化工具，如智能审计系统、财务机器人等。

教学目标

知识目标

1.准确阐述径向基神经网络、Hopfield神经网络等经典神经网络的结构组成和工作原理。  

2.清晰区分不同类型经典神经网络的特点及适用场景。

3.理解深度学习中神经网络结构深度的意义，以及卷积神经网络、循环神经网络等在处理特定数据时的优势。

能力目标

1.能够根据实际问题的特点，选择合适的经典神经网络模型进行初步分析和设计。

2.运用所学神经网络原理，分析简单的人工智能应用案例，提出改进思路。

3.培养学生的逻辑思维和抽象思维能力，提升对复杂技术原理的理解和应用能力。

素养目标

1.培养学生对人工智能技术发展的敏锐洞察力，激发学生对前沿技术的探索热情。

2.引导学生关注人工智能技术在实际应用中的伦理和社会影响，树立正确的技术价值观。

3.通过了解我国在算力建设等相关领域的成就，增强学生的民族自豪感和爱国情怀。

教学重难点

重点 ：

1. 各类经典神经网络的结构、原理和特点。

2. 卷积神经网络、循环神经网络等在实际应用中的优势及应用场景。

难点 ：

1. 理解径向基函数在径向基神经网络中的作用机制。

2. 掌握Hopfield神经网络反馈循环过程及稳定状态的原理。

3. 领会玻尔兹曼机的编码解码过程和受限玻尔兹曼机的模型特点。

教学策略

1.案例教学法：引入图像识别、语音识别、智能推荐等实际案例，帮助学生理解各类神经网络在不同场景下的应用，增强学生对知识的直观感受和应用能力。  

2.类比教学法：对于抽象的概念和原理，采用类比的方式进行讲解，如将神经网络的结构类比为工厂的生产流程，将神经元类比为工人，使学生更容易理解。  

3.小组合作学习法：组织学生进行小组讨论和合作学习，共同分析案例、解决问题，培养学生的团队协作能力和沟通能力。

4.多媒体辅助教学法：利用PPT、动画、视频等多媒体资源，直观展示神经网络的结构和工作过程，帮助学生更好地理解复杂的技术原理。

5. 思政融入：在教学过程中，适时介绍我国在人工智能领域的研究成果和发展成就，如我国高性能计算芯片的应用、超级计算机的领先地位等，激发学生的民族自豪感和创新精神，培养学生的爱国情怀和社会责任感。

教学过程实施

课 前

教学内容

教师活动

学生活动

设计意图

发布任务

1. 在学习平台发布本次课程相关的预习资料，包括简单介绍各类经典神经网络的科普视频、文字资料等。

2. 布置预习任务：让学生阅读资料后，尝试总结不同类型神经网络的名称，并思考它们可能在哪些场景中应用。

1. 观看科普视频、阅读文字资料，完成预习任务，记录下自己的思考和疑问。

2. 在学习平台的讨论区分享自己对各类神经网络应用场景的初步想法，与同学交流。

1.让学生对各类经典神经网络有初步的认识。

2.通过预习资料中提及的我国在人工智能领域的成果，激发学生的学习兴趣和民族自豪感。

课 中

教学内容

教师活动

学生活动

设计意图

具体课中环节及时间分配

复习旧课（5min）

1. 提问：“深度学习的核心特点是什么？”“常见的深度学习框架有哪些，它们的优势是什么？”

2. 引导学生回顾上节课内容，总结深度学习与传统机器学习的区别，以及深度学习框架对模型开发的重要性。

3. 结合学生的回答进行点评和补充，自然过渡到本节课对经典神经网络的学习。

1. 思考问题，结合笔记和记忆回答教师提问。

2. 参与课堂讨论，补充自己的观点，与同学共同回顾上节课知识。

3. 记录教师强调的重点内容，将新旧知识建立联系。

1.巩固上节课所学知识。

3. 通过回顾我国在深度学习框架研发方面的进展，增强学生的民族自信心。

导入新课

（5min）

1. 展示一段人脸识别门禁系统的视频，提问：“这个系统能够准确识别不同人脸，背后可能运用了哪些技术？”引导学生思考人工智能技术在其中的应用。

2. 展示一些人工智能在医疗影像诊断、智能交通、智能客服等领域的应用图片，引出本节课要学习的经典神经网络，说明这些神经网络是实现这些应用的重要技术基础。

1. 观看视频和图片，思考教师提出的问题，积极发表自己的看法。

2. 观察图片中的应用场景，结合已有的知识储备，尝试分析人工智能技术的作用。

3. 带着对这些应用背后技术原理的好奇，进入本节课的学习。

1.让学生了解经典神经网络与实际应用的紧密联系。

径向基神经网络（5min）

1.通过PPT展示径向基神经网络的结构示意图，详细讲解输入层、隐藏层和输出层的功能。

2.举例说明径向基函数的特点，如以二维平面上的点为例，解释径向对称和衰减的概念。

3.结合简单的数学公式，介绍隐藏层如何通过径向基函数将低维数据转换到高维空间。

1.认真观看PPT、动画和演示，理解教师讲解的内容，记录重点知识和关键概念。

1. 知识目标：使学生全面掌握各类经典神经网络的结构、原理和特点，理解它们在不同领域的应用。

2. 能力目标：培养学生的逻辑思维能力、抽象思维能力和对复杂技术原理的理解能力，提高学生分析问题和解决问题的能力。

3.在讲解过程中，适时介绍我国在人工智能领域的研究成果和发展成就，激发学生的民族自豪感和爱国情怀，培养学生的创新精神和社会责任感。

Hopfield神经网络（5min）

1.利用动画展示Hopfield神经网络中神经元之间的连接方式和反馈循环过程。

2.以记忆数字的应用为例，讲解网络如何通过反馈迭代达到稳定状态，实现记忆功能。

3.分析Hopfield神经网络存在的问题，如存储模式冲突和训练耗时等。

跟随教师的思路，思考每个知识点，对于不理解的地方及时提问。

玻尔兹曼机（5min）

1.展示受限玻尔兹曼机的模型图，介绍可见层和隐藏层的神经元组成及连接关系。

2.以推荐系统为例，解释玻尔兹曼机的编码解码过程，说明如何利用用户评分数据进行模型训练。

1. 观看案例并总结AI应用的核心功能。

2. 小组讨论：设计一个“AI+教育”场景的解决方案（如智能阅卷系统），并标注技术层与基础层的支撑要素。

BP神经网络（10min）

1.通过PPT分步展示BP神经网络的前向传播和反向传播过程，结合动画演示信号的传递和权值的调整。

2.详细推导反向传播算法中梯度计算的过程，解释链式法则的应用。

3.强调损失函数和梯度下降在模型训练中的作用，通过简单的数学例子说明如何通过梯度下降调整权值以减小损失函数。

1.
  在学习BP神经网络时，尝试自己推导梯度计算过程，加深对反向传播算法的理解。

“深度”神经网络（5min）

1.展示深度神经网络的结构示意图，对比浅层神经网络，突出其多层隐藏层的特点。

2.以图像分类任务为例，讲解深度神经网络如何通过多层非线性变换学习到更抽象、更高级的特征。

3.介绍我国在算力建设方面的成就，如超级计算机和数据中心的发展，说明其对深度神经网络发展的支撑作用。

1.
  学习深度神经网络时，结合实际应用案例，思考多层隐藏层如何提升模型性能。

卷积神经网络（5min）

1.利用动画演示卷积神经网络中卷积核在图像上的滑动过程，讲解卷积操作如何提取局部特征。

2.展示不同卷积核提取的特征图，如边缘特征、纹理特征等，帮助学生理解卷积核的作用。

3.详细解释权值共享和局部连接的原理及优势，通过对比全连接神经网络，突出卷积神经网络在处理图像数据时的优势。

1.

循环神经网络（5min）

1.展示循环神经网络的结构和展开图，讲解隐藏状态的传递过程和记忆机制。

2.以文本翻译任务为例，说明循环神经网络如何利用隐藏状态处理具有时间依赖性的序列数据。

3.介绍长短期记忆网络和门控循环单元的改进之处，如门控机制如何解决长序列问题，对比它们与传统循环神经网络的性能差异。

1.
  学习循环神经网络时，分析文本翻译等案例中隐藏状态的作用，对比不同结构的优缺点。

课堂总结及作业布置

（10min）

1.引导学生回顾本节课所学的各类经典神经网络，让学生自主总结每种神经网络的关键知识点，如结构特点、工作原理、应用场景等。

2.结合学生的总结，进行补充和完善，强调重点和难点内容。

3.与学生一起梳理各类神经网络之间的联系和区别，帮助学生构建完整的知识体系。

4.提供一些参考的应用场景，如图像识别、语音识别、智能推荐、股票预测等，鼓励学生选择自己感兴趣的场景进行分析。

1.回顾本节课内容，思考并总结各类经典神经网络的关键知识点。

2.认真倾听其他同学的总结，补充自己的不足。

3.跟随教师的引导，梳理知识体系，明确各类神经网络之间的联系和区别，记录重点内容。

4.选择一种经典神经网络和具体应用场景，运用所学知识进行分析。

7.     检验学生对本节课知识的掌握程度。

8.     培养学生运用所学知识解决实际问题的能力、文字表达能力和独立思考能力。

3.在分析过程中，引导学生关注技术应用的社会影响，培养学生的社会责任感。

课 后

教学内容

教师活动

学生活动

设计意图

课后

拓展

答疑

1.在学习平台讨论区解决学生在完成课后作业及任务时遇到的问题，给予学生们适当的指导。

2.在学习平台发布与本节课内容相关的拓展资料，如前沿研究论文、学术报告视频等，鼓励学生自主学习。

1. 自主学习拓展资料，了解经典神经网络的前沿研究动态，拓宽知识面。

2. 积极参与线上讨论，提出自己的问题和见解，与教师和同学交流学习心得。

3. 按照要求完成课后作业，通过调研实际产品或项目，深入理解经典神经网络的应用和创新。

1. 知识目标：加深学生对本节课知识的理解。

2. 能力目标：培养学生的自主学习能力、信息收集和分析能力。

3. 通过拓展资料中展示的我国在人工智能领域的创新成果，激发学生的创新意识和爱国情怀。

教 学 反 思

本次课程采用多种教学法助力学生理解经典神经网络。然而，教学中仍存在不足。部分学生对复杂原理理解吃力，小组讨论参与度不均衡。后续应优化教学，对难点详细拆解，增加互动引导。同时，针对不同学生提供个性化辅导，提升学生学习效果，培养其对人工智能技术的探索精神与正确价值观。

授课班级

24审计1、2班

授课学时

2

授课地点

行健楼C301

授课时间

2025.2.19

选定及参考

教材

《人工智能基础与应用》唐滔、郁云、王震
  《人工智能应用概论》莫少林、宫斐

教学资源

多媒体课件（PPT）、视频案例、人工智能相关软件演示（如文心一言、通义千问）、泛雅平台

教学内容分析

本节课聚焦深度学习的应用，重点介绍TensorFlow游乐场这一工具，帮助学生直观理解神经网络原理，同时阐述深度学习在企业内部审计、智能眼镜视觉辅助系统等领域的实际应用。通过学习，学生将深入了解深度学习的实践价值，为后续学习和职业发展奠定基础。

学情分析

知识基础

  具备计算机基础操作能力（如Office软件、网络搜索）；

  数学基础限于高等数学初步和统计学入门；

  学生已掌握人工智能的‌发展历程和‌基本概念，能区分专用AI与通用AI等基础术语。。

认知能力

  逻辑推理能力处于发展阶段；

  对抽象技术原理理解存在障碍；

  擅长规则性知识学习，但技术迁移能力较弱。

学习特点

  偏好结构化知识框架；

  对实操性内容兴趣较高，但动手能力需提升；

  关注技术的实用价值与职业相关性。

专业特性

  数据驱动性强：熟悉数据处理，但对大数据分析和AI工具的应用较为陌生；

  规则导向：习惯于遵循会计准则和审计规范，对AI的"黑箱"特性可能存在疑虑；

  风险敏感：对数据安全和系统可靠性要求高，关注AI技术的伦理与合规性；

  职业需求：未来职业发展需要掌握智能化工具，如智能审计系统、财务机器人等。

教学目标

知识目标

1. 熟知TensorFlow游乐场的功能及操作方法，包括各参数含义。 2. 理解深度学习在企业内部审计、智能眼镜视觉辅助系统中的应用原理。

能力目标

1. 能够运用TensorFlow游乐场搭建简单神经网络并进行训练，分析训练结果。

2. 学会分析深度学习在不同领域应用中面临的问题及解决思路。

素养目标

1. 培养学生的创新思维和探索精神，提升对新技术的敏感度。

2. 增强学生的社会责任感，关注人工智能技术在改善社会生活方面的作用。

3. 强化学生的数据安全和隐私保护意识，树立正确的职业道德观。

教学重难点

重点

1.TensorFlow游乐场的参数调整与网络结构搭建。  

2.深度学习在企业内部审计和智能眼镜视觉辅助系统中的应用流程。

难点

1.理解深度学习模型在企业内部审计中如何精准挖掘风险特征并预警。

2.掌握智能眼镜视觉辅助系统中深度学习算法的优化原理。

教学策略

1.案例教学法：以TensorFlow游乐场、企业内部审计案例、智能眼镜视觉辅助系统案例为载体，引导学生理解深度学习应用。  

2.   任务驱动法：布置任务让学生操作TensorFlow游乐场，分析实际应用案例，培养学生动手能力和解决问题的能力。

3. 小组合作学习法：组织学生小组讨论深度学习应用中的问题，促进学生之间的交流与合作。