人工智能时代教师信息化教学能力提升研究
关楠楠，广东第二师范学院学报
一、问题提出
“人工智能”（ArtificialIntelligence，AI）作为专业术语最早于1956年的达特茅斯会议（DartmouthConference）上被提出，其在教育中的应用可追溯至20世纪70年代的计算机辅助教学。此后，人工智能成为引领教育发展、推动教育改革的创新驱动力。2017年，国务院发布《新一代人工智能发展规划》，将“发展智能教育”作为一项重要内容，直接推动我国信息化从数字化、网络化阶段发展到智能化阶段，并强调要利用人工智能技术推动教育教学改革，标志着人工智能已上升为国家战略。2018年，教育部印发《高等学校人工智能创新行动计划》《教育信息化2.0行动计划》《关于开展人工智能助推教师队伍建设行动试点工作的通知》等文件，提出了“培养教师实施智能教育的能力”“启动人工智能+教师队伍建设行动”“开展教师智能教育素养提升行动”的目标和举措，并决定在宁夏开展人工智能助推教师队伍建设行动试点工作。通过建立人工智能助推教师队伍建设行动实验校、建立教师教育创新基地、升级教师网络研修平台、建设和应用教师大数据、培养信息能力强的“种子”等途径推动人工智能与教师队伍深度融合。2020年，受新冠肺炎疫情影响，全国开展规模宏大的线上教学，有力推进了信息技术与教育教学的深度融合，催生了一场全国范围各级各类学校教师的线上教学实践，加速推动了教师信息技术水平的全面提升，有效促进了以人工智能、云计算、虚拟现实等新兴技术为支撑的智能教学在教育领域的发展。人工智能时代的教育必然以一种全新的形态呈现，促使学校传统教育发生系统而深刻的变革。
教师作为实施教育教学的主导力量，在教育教学中扮演着专业知识讲授者、技术技能传播者、疑难问题解答者、学生人格影响者的角色。随着人工智能融入教育系统，尤其是人工智能技术在脑科学、神经科学和认知科学领域的突破性进展，教师的角色定位将随之发生更新迭变。国内外学者大多认为，人工智能时代教师职业被取代的可能性极小，但不可否认的是，教育领域的人工智能在向知识、技能、交流、互动、评价等方面逼近，甚至赶超人类，教师的职业危机将会出现，未来教师需要在人工智能与教育深度融合中完成角色重构。智能教育素养成为教师的核心素养之一，其主要任务是“帮助教师把握人工智能技术进展，推动教师积极运用人工智能技术，改进教育教学、创新人才培养模式”；也有学者提出智能教育素养是指支撑教师在人工智能时代教育教学实践和专业发展的知识、能力、态度与伦理的集合，基本知识是基础，核心能力是关键，影响教学的主要因素即教师能否应用人工智能进行信息化教学。
目前，教师信息化教学能力尚未形成一致定义，学者们多从信息技术影响教学外部环境和内部要素等方面分析其构成。国内研究教师信息化教学能力的起点可追溯至20世纪90年代，南国农从信息技术的角度考察教学过程，提出了“信息化教学”的概念。21世纪初，顾小清等从信息技术构建教学环境的角度出发，认为信息化教学能力包括基本信息技能、信息化教学设计能力、信息化理念/职业道德/伦理及信息化教学实施能力四个维度。进入信息化2.0时代，学者对教师信息化教学能力的认知也随之更新，着重从锻炼技能、培养能力方面考量，例如徐章韬认为教师信息化教学能力是指教师运用信息技术手段（如学科工具）或在信息化教学环境下（如在线环境）为了实现教学目标而必须具备的教学开发、设计、实施、管理、诊断、评价、研究等能力，而信息化教学设计与实施能力处于核心地位；周金容将教师信息化教学能力构成分为信息化教学意识与态度、信息化教学知识与技能、信息化教学设计与实施能力、信息化教学监控能力和信息化资源建设能力。学者们对于教师信息化教学能力的提升研究大多采用量化研究的形式，倾向于通过问卷调查和数据分析展现某个地区和教师群体的信息化教学情况，结果显示现阶段教师已具备在课堂上使用信息技术手段进行教学的基本能力，但由于教师任教学段、学历、地区、教龄等不同而存在显著差异，部分教师将信息技术能力转化为信息化教学实践时存在困难，将信息技术与教育教学进行深度融合的能力有待进一步提升。
综上所述，分析人工智能融入教育领域后教师信息化教学能力的现状及其构成，理顺人工智能时代教师信息化教学能力提升的策略，成为提升教育教学质量、全面推动信息技术与教育教学深度融合的一项重要课题。
二、教师信息化教学能力发展现状
人工智能时代，教师的信息化水平和信息化教学能力作为教师综合素养的关键因素，深刻影响着教育信息化的进程。目前，我国在推动教师信息化教学能力发展方面仍然存在一些问题亟待解决。
（一）教师信息化教学能力的保障和考核机制不够完善
为推进新时代教育信息化发展，根据《国家中长期教育改革和发展规划纲要（2010—2020年）》《教育信息化十年发展规划（2011—2020年）》《教育信息化“十三五”规划》《教育信息化2.0行动计划》等文件要求，我国对教师信息技术能力提升进行了总体规划。2013年以来，通过实施全国中小学教师信息技术应用能力提升工程，使得教师应用信息技术改进教育教学的意识和能力普遍提高，而人工智能等新技术的发展与变革，对教师信息化能力的提升提出了新要求。全国中小学教师信息技术应用能力提升工程2.0于2019年应运而生。该工程立足于全面促进信息技术与教育教学融合创新发展，对校长、教师、培训团队的信息化能力提出了总体发展目标，为当下教师信息化教学能力提升指明了方向和路径。在教育部联合各部门发布的《关于加强新时代乡村教师队伍建设的意见》《深化新时代职业教育“双师型”教师队伍建设改革实施方案》《关于加强新时代高校教师队伍建设改革的指导意见》等文件中，对各阶段教师信息素养的提升作了详细规划和要求，强调了信息技术能力对于教师的重要作用。
然而，具体到各地区各学校的教师信息化教学能力，还缺乏详细且因地制宜的实施办法或细则；针对各级各类学校的教师信息化教学标准体系仍有待进一步构建、更新和完善，以便为未来教师信息化教学提供保障机制。关于教师信息化教学能力提升的效果虽然在各文件的保障措施中有所体现，但尚未形成专门的考核评价制度，对于信息化能力的提升缺乏明确、可操作性的奖惩措施和有效的督导考核。现有文献大多通过调研发现教师信息化教学能力的高低及差异，评价结果也尚未与教师职称评聘等方面挂钩，激励机制有待进一步完善。
（二）教师信息化教学能力提升的平台资源较为匮乏
为加强顶层设计，我国面向各级学校持续开展了国家级的平台资源建设。通过数次全国范围的教师教育优秀课程教材资源征集、遴选和展示及开展“一师一优课、一课一名师”活动，一定程度上调动了中小学教师信息化教学的积极性，唤醒了教师教学内生智慧；“教学点数字资源全覆盖”、国家精品课程建设工程、职业教育专业教学资源库建设、国家级精品视频公开课等项目，为提升各级各类学校教师信息化教学能力发挥了重要作用。然而，这些平台资源多是国家整体谋划、出资建设，各省市、县（区）、学校尚缺乏地区性的平台资源，且学校与企业合作开发智能平台和项目的机会较少，合作程度不深，未能借力企业进行信息化平台资源建设，为教师提供信息化培训和实践。同时，人工智能等科学技术和产品更新迭代的速度远超过教师信息化知识的更新速度，教师对智能平台和信息资源的需求难以得到满足，导致智能平台和信息资源的使用率较低，未能真正发挥平台资源的共享作用，造成了一定程度的流于形式。
（三）缺乏针对性的教师信息化教学能力培训课程
除“国培计划”中专门设有的信息技术方面的培训之外，我国周密设计、科学部署了三轮全国中小学教师信息化方面的全员培训，体现了教师对信息技术从了解到应用，再到深化创新的专业发展过程，目的在于构建以校为本、基于课堂、应用驱动、注重创新、精准测评的教师信息素养发展新机制。随着教师信息化培训覆盖面越来越大，校本研修、区域教研、教师选学等培训方式越来越多，培训效果也受到广泛关注，通过全国大规模问卷调查发现，城市教师的信息化教学能力显著高于乡镇教师、年轻教师的信息化教学能力相较于老教师具有全方位优势，可以看出，全国各级各类学校教师的信息化教学能力受地域经济水平限制呈现出不平衡状态，教师培训效果也受到不同学段、城乡及不同教龄段的影响。因此，培训缺乏分层次、全方位、系统性的整体谋划，容易造成培训课程难易程度与参培教师个体情况不相匹配等问题，造成培训课程资源的浪费，达不到预期培训效果。
（四）教师信息化教学能力的自我发展意识不够强烈
由于信息化水平与地区经济条件密切相关，经济欠发达地区的学校在教育新型基础设施建设方面存在短板，信息网络、平台体系、智慧校园、数字资源等方面建设不够先进，而信息化教学主要体现在实践操作层面，硬件条件的缺乏容易造成经济欠发达地区学校教师对信息化教学的认识度欠缺、积极性不高、使用度偏低，从而落后于经济发达地区学校的教师。同时，一些教龄较高的老教师习惯于使用传统手段进行教学，他们对于掌握新技术的认识不充分、学习新技术的能力不够强，未能深刻理解新一代科技革命即将给教育领域带来的深刻变革，缺乏积极主动参与到信息化教学实践中的意识;容易将信息化教学与信息化手段使用混为一谈，信息技术应用层次较低，仅停留在使用网络资源方面，未能充分在教学模式变革等方面应用信息技术，信息化教学实践的动机不足，缺乏外在和内在的激励机制。
三、教师信息化教学能力构成
在科技飞速发展的今天，信息化教学能力、信息素养与社会经济发展、科学技术前沿息息相关，其内涵也在不断深化与更新。由于我国尚处于人工智能发展的初级阶段，人工智能对教师的影响主要是以技术替代的方式来实现，即教师通过掌握和运用相应的人工智能技术，代替传统的教育教学手段来实施教学，进而达到提高教学效果的目的。人工智能进入教育教学场域后，对学生的学习方式、学习场景、学习生态与学习评价等各要素都会产生影响，这些影响进而要求教师具备利用信息技术进行教学设计的能力、采用信息化手段实施教学的能力、教学资源信息的整合能力与信息化融入教学的反思能力。基于此，笔者认为教师信息化教学能力包括四个维度的内容，这四个维度贯穿教学前、教学中和教学后的全过程，反映了教师所应具备的信息化教学能力，具体如图1所示。
（一）教学设计能力
学界对于教师信息化教学能力的分析认为，教学设计能力是其重要组成部分，它是指教师在课堂教学前，对教学过程、教学内容、教学方法等进行最佳优化设计的能力，并利用信息技术设计实现教学目标的精细过程，其最终目的是帮助学生有效地开展学习活动。由于人工智能促使学生的学习方式发生巨大变革，以教师为主导的传统课堂逐渐转为以学生学习为主体的智能课堂，师生互动、生生互动和人机互动的交互式体验将成为教学的关键环节。教学设计需要根据学生的学习方式变化调整教学策略和教学模式，依托人工智能创设的问题情境启发学生思考与探索，不能简单地采取“一刀切”或以往传统的教学方式设计教学环节。
此外，人工智能作为教师智能助手和教学辅助工具，凭借高精准、高强度、高效率的特点，在教学过程中能够替代教师完成重复性高的简单劳动，统计课堂教学的多维度数据，汇总生成课堂教学数据平台和可视化分析报告，供教师进行教学设计使用。依靠人工智能技术可以采集学生学业计划、学习进度、目标完成、考试成绩等情况，精准记录学生的错题量和错题率，科学地形成学生个人学习报告，量身定制个性化学习方案，为教师实施个别指导和因材施教提供技术支撑。学习方式的变革要求教师在教学设计时要融入人工智能要素，充分考虑人工智能给教学设计带来的变革。
（二）教学实施能力
教学实施能力包括教师对专业知识与技能和信息技术的运用能力。专业知识与技能是教师从事教学必备的能力，即教师能够在复杂的知识体系中迅速甄别出哪些知识与技能可以采用信息技术手段来呈现，以及采用何种信息技术手段来呈现效果最好。信息技术运用能力主要是教师能够实现从单纯的掌握信息技术工具到完成技术与课程教学整合的转变，并基于整个教学系统思考、探索如何更好使用创新技术支持教学模式和教学方法的改革，使得信息技术更好地融入课程教学的分析、设计、开发、实施和评价全过程。
良好的教学实施能力离不开对各种教学场景的理解与应用。当前，人工智能借助技术的力量正在构建智慧操作、类型多样的教育场景。随着MOOC教学、SPOC教学、翻转课堂教学、混合式教学、创客教学等新型教学方式的涌现，传统课堂之外的其他非正式学习空间拓展了教育教学的场域，使得泛在学习成为可能。基于人工智能基础上所建设的虚拟课堂和虚拟教室，极大激发了学生的想象空间，有助于将抽象的理论知识转化为直观有趣的教育场景，帮助学生习得知识，提升解决实际问题的能力。
（三）教学资源整合能力
人工智能时代，海量的知识与数据将更加轻易被获取与共享，智能机器的知识储备量和数据存储量将超过作为教学主导的教师，传统师生间“人－人”的交流关系将被打破，智能机器介入师生两主体关系之间，形成教师、机器和学生“人－机－人”三元主体关系，学生的学习生态得以激活和重塑。由于教师、学生和智能机器三者在教学中分担不同角色，学习将更加开放、有效、新颖。教师需要在海量的知识储备和数据存储中认清定位，并且能够将覆盖广泛、形式多样、内容丰富的教学资源进行整合，形成结构清晰、组织合理、使用方便的课程资源和教学案例等。
教学资源整合能力因人工智能带来的学习生态变革而显得尤其重要。教师首先要能够充分意识到“人－机－人”三主体之间的关系，主动变革传统的教学范式，根据不同学生个体的学习特点和心理状态，展开个性化教学，通过共同学习、共同体验、共同对话、共同实践，实现真正的教学相长。再者，智能机器作为桥梁将教师与学生联结起来，经过教师整合形成的网络化课程资源通过智能化的供给与个性化推荐，帮助学生选择适合个体的学习方式，提升学习效果，真正构建以学生为中心的学习生态。
（四）教学反思能力
信息化教学反思能力主要是教师基于信息技术工具对教学过程与学习过程进行评价，反思教学过程并作出诊断与改进的能力。由于人工智能时代学生的整个学习过程和学习痕迹将被智能机器记忆、存储和分析，传统的作业和考试也会通过智能机器完成并快速统计出结果。仅仅依靠作业和考试无法满足对学生的全面评价，依靠人工智能的技术支持，教师可以掌握丰富的学习数据，记录了解每位学生的学习能力和学习过程，根据每位学生个体的知识图谱生成个性化和定制化的学习方案与考核评价方案，使科学、合理、全面的学习评价变成可能。
教师根据智能机器统计分析出的学生学习过程和评价，不断反思并总结出最优教学路径，打破传统教育中标准化考试评价的束缚。一方面，教师要能够有效利用学生学习大数据，精准分析数据背后体现的学生学业表现和知识掌握程度;另一方面，教师要不断反思教学过程中信息技术的使用情况，时刻关注技术对于教学的重大意义。对于学校而言，育人始终是最本质的职责，技术作为一种手段其功能在于辅助教师教学，教师应该深入思考如何构建人机协作共同体，更好发挥智能机器和教师主导的双向激励功能。可见，信息化教学反思能力有助于启发教师对信息技术融入教育教学过程进行诊断与改进，是教师信息化教学能力的重要组成部分。
四、教师信息化教学能力提升策略
经过教育领域信息技术发展的不断深入推进，我国教师整体上已经具备了信息化教学的基本能力，但在信息技术与教育教学深度融合方面仍然存在不可忽视的问题，为有效提升教师信息化教学能力，建议从以下几个方面入手。
（一）筑牢教师信息化教学能力保障机制
教育部于2019年发布了《关于实施全国中小学教师信息技术应用能力提升工程2.0的意见》，提出“三提升一全面”的总体发展目标，教师信息化教学能力提升为“三提升”目标之一，标志着我国教师信息化教学能力提升工作进入了以新一代信息技术革命为基础的新发展阶段。新阶段教师信息化教学能力的提升从外部来看需要更加全面的保障机制。第一，加强制度保障。为适应信息技术的飞速发展，国家要从宏观层面制定规划和实施方案，细化在职教师教育相关法律法规，强化对教师信息化教学能力发展的保障，确保政策落实、落地；各地各校要结合当地实际情况，尽快出台与教师信息化教学能力相适应的实施办法或细则，使教师在具体操作出现问题时有规可依。第二，构建完善的教师信息化教学标准体系。早在2014年教育部颁布了《中小学教师信息技术应用能力标准（试行）》，经过数年发展，相关部门应以适应新阶段人工智能发展需要为目的，充分考虑人工智能平台及产品的发展趋势，对教师信息技术应用能力提出新的要求，制定相关标准规范，引领教师在教育教学与专业发展中高效应用信息技术。第三，落实经费保障。当前我国中央财政已通过“国培计划”、教师素质提高计划等项目支持开展国家级培训，各地各校要加强顶层设计、做好组织引导、强化经费保障、加大投入力度，为教师学习和应用信息技术创造良好的条件。
（二）构建教师数字化网络平台资源
人工智能时代，海量的知识和信息进入教师和学生的视野，如何在庞杂的数据中抽丝剥茧、分门别类，分析出对教学有用的知识和信息显得格外重要。构建教师数字化网络平台及资源不仅可以帮助教师快速搜寻定位到需要的知识，同时可以在全国范围内共享这些平台和资源，有效缓解中西部教师教育资源匮乏的困境。第一，深入挖掘信息化教学资源，利用人工智能等信息化手段创设教学环境。目前，我国持续开展教师数字化教学资源库、精品资源共享课等项目的建设，已加大相关的硬件投入，确保为教师提供学科齐全的教学资源。此外，学校和当地企业可共同合作，携手开发更加具体、更有针对性的数字化网络资源，以有效应对本地区、本学校、本学科的发展现状，校企开发数字化网络资源的重点不仅在于面向群体教师，更在于建设资源库的精准、特色和专业性，以适应学校与所在地区的产业发展，为当地教师信息化教学能力提升提供可复制的学习经验。第二，通过构建数字化网络平台资源，推动我国教育资源共享，为经济欠发达地区的教师提供同等的教育资源。国家可从宏观层面建设若干所人工智能助推学校教育典型试点，开展教师信息化教学能力提升行动计划，共享先进学校的发展经验，进而重点突破，全面推进，带动全国教师信息化教学能力提升。还可建立教育发达地区学校与贫困地区学校结对共建机制，打造远程同步智能课堂，利用信息技术方便、快捷、高效的优点，实现优质教育资源同步共享。
（三）全面实施教师信息化培训工程
教师培训作为提升在职教师信息化教学能力的重要途径，已得到了国家的高度重视。全面实施教师信息化培训工程重点在于“全面”———即以国家级、省市级和校级培训为基础，结合线上与线下培训多种方式，对教师全员进行全方位、全过程的培训。第一，教师信息化培训应覆盖全体教师，充分利用国培、省培和校本培训，让各地区、各学段、各教龄的教师都能够享有接触人工智能、培训信息技术的机会，培训尤其要重点关注经济欠发达地区学校和教龄较高的教师，帮助他们形成使用信息技术的意识和习惯，认识信息化教学已是未来教学不可避免的趋势，充分利用信息技术可为教学和教师工作带来全新的变革。第二，教师信息化培训涉及信息技术基础知识、实践操作、应用创新等全方位的培训，可根据教师现有的信息技术水平分设不同层次的培训班级，安排不同侧重点的培训内容，使得不同信息技术基础的教师能够享有最合适有效的培训，通过层次分明、重点突出的培训更有针对性地提升教师信息化水平，促使教师积极投身信息化教学探索。第三，教师信息化培训要贯穿教师教学和教师成长全过程，从教学过程来看，针对教师课前准备、课中实施、课后评价等环节设计专题信息技术培训，将信息技术充分融入教学实践全过程中，从教师成长来看，应针对新入职教师、教学熟练教师和教龄较高的老教师等不同群体形成贯穿教师职业成长的一体化系统培训，保障满足各教龄段教师对信息技术培训的不同需求。
（四）激发教师信息化教学实践动机
在充足的外部环境保障下，教师自身对信息化教学的认识、理解与实践是教师信息化教学能力提升的内在动力。一方面，教师要转变以往对信息技术的理解，充分认识到人工智能时代信息化教学可能发生的变革，树立持续学习、更新观念的意识，在教学中善用人工智能平台及产品，使得智能产品在教学中发挥积极的作用；另一方面，面对人工智能时代学习方式、学习场景、学习生态、学习评价的变革，应勤于思考、富于创新，将智能产品与信息技术充分融入教学设计、教学实施、教学资源整合及教学反思过程中，在相关政策和平台的支持保障下，采取信息化教学手段，不断创新教学模式，大胆尝试形式多样的在线教学策略，促进教学信息化能力的全面提升。此外，信息化教学能力的提升离不开反复实践与改进，除传统的课堂教学实践外，教师还可积极参与信息化教学类竞赛，将教学实践转化为教学成果加以推广，促成理论知识生成实践经验，并利用实践经验反向丰富和完善理论知识，引导教师构建个性化、特色化的专业发展路径。构建“国－省－校”三级竞赛选拔机制，有效促进学校信息化教学改革，达到以赛促教、以赛促改的良好效果，并形成一批优秀的信息化教学案例，加速学校教育教学的改革创新。
人工智能时代，教育领域的每个参与者都扮演着重要的角色，教师作为落实立德树人根本任务的主导力量，更应时刻保持学习的状态，科学认识“技术”这一武器在教育教学中的作用，理解提升信息化教学能力是为了让技术更好地服务于教育教学，实现培育具有完整人格的社会主义建设者和接班人的目标。教师要不断尝试改革创新、综合提升教学设计能力、教学实施能力、教学资源整合能力和教学反思能力，在国家相关政策背景和学校、企业大力支持下，以积极的信息化意识和扎实的信息化能力迎接更新的人工智能时代。
中小学人工智能教育：学什么，怎么教
*来源：中国电化教育（ID：iChinaET），作者：方圆媛、黄旭光
一、问题的提出(一)中小学阶段开设人工智能教育的国家政策要求
自上世纪50年代中期人工智能(ArtificialIntelligence，以下简称AI)概念正式提出以来，经过60多年的发展和积淀，伴随着互联网、大数据、云计算和新型传感等技术的发展，人工智能正引发可产生链式反应的科学突破，催生一批颠覆性技术[1]，对人类社会生产与生活的各个方面产生着深刻的影响。
2017年7月，中共中央、国务院印发《新一代人工智能发展规划》(以下简称“规划”)。作为抢抓人工智能发展重大战略机遇，构筑我国人工智能发展先发优势的重要战略部署，规划提出了到2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施。在保障措施有关要求中，规划指出“支持开展形式多样的人工智能科普活动”“实施全民智能教育项目，在中小学阶段设置人工智能相关课程”[2]。2018年4月，教育部印发《教育信息化2.0行动计划》，在“信息素养全面提升行动”中要求“加强学生信息素养培育……完善课程方案和课程标准，充实适应信息时代、智能时代发展需要的人工智能和编程课程内容”[3]。
其实在以上两个文件颁布之前，教育部于2003年4月颁布的《普通高中技术课程标准(实验)》中已首次在信息技术课程中设立“人工智能初步”选修模块[4]。在规划发布后，2018年1月出版的《普通高中信息技术课程标准(2017年版)》中，则更进一步地将人工智能的内容更充分地融入到信息技术课程中。最新的高中信息技术标准设计了“人工智能初步”(包含人工智能基础、简单智能系统开发、AI技术的发展与应用三部分内容)[5]作为高中课程方案选择性必修模块，明确制定了课程内容和学业标准，并对教学策略提出建议。
(二)中小学校开展人工智能教育的实践探索
与形势发展和政策要求相呼应，国内一些城市已有一批教师和专业人员开始了在中小学引入人工智能教育教学的实践探索。根据推动力量的不同，这些实践探索大致可以分为两类，一类是中小学内部，由学校和教师发展起来的实践。这一类实践又可细分为两种。一种是在STEM或创客课程中引入人工智能的内容。比如：北京第二外国语学院附属中学将人工智能的元素和技术引入学校传统的机器人课程以及机器人社团活动中，在机器人设计、编程开发等过程中渗透人工智能知识的学习与动手实践[6]；此外，北京景山学校和温州中学也有教师在教学中尝试寻找编程、机器人等人工智能技术在科学课程与综合课程中的定位，试图挖掘人工智能技术带给综合课程更大的创造空间[7]。另一种是开设专门的人工智能课程。中国人民大学附属中学开发了人工智能校本课程体系，从面向全体的常规课普及教育，到部分选修的跨学科实践应用，再到少数的前沿探究，形成人工智能纵向金字塔分层课程体系[8]。此外，人大附中还开设了全国中等教育领域首个人工智能实验班，为实验班研发了“人工智能与关于心智的生物学”等研修课程[9]。北京市海淀区翠微小学、北京市十一学校[10]、华南师范大学附属中学等也开设了人工智能内容的相关课程。
另一类是中小学外部力量如高校、事业单位、科研院所等推动发展的实践。比如：北京师范大学课程与教学研究院与有关单位合作，通过组建项目团队，研发测评系统及AI教学技术平台，并在全国几十所中小学校开展教学实践探索[11]。中央电化教育馆组织力量研发了中学(包括初中和高中)人工智能课程与配套数字资源，并在全国17个省(市、自治区)组织了22所实验校开展课程教学的实验。
(三)中小学开展人工智能教育的讨论和疑问
我国尚未出台人工智能课程的国家标准，现有的信息技术国家课程标准仅涉及了人工智能的部分内容。同时，各地师资水平、软硬件环境条件差别较大，随着实践的开展，围绕中小学开展人工智能教育的讨论和疑问也越来越多，主要包括以下几个方面：第一，在教育目标上，小学、初中和高中学段人工智能教育目标的应然状态是什么，是否要在小学阶段引入人工智能的内容或开设专门的课程？有人指出，从全国范围看，“中小学对人工智能课程价值的认识有待提高”[12]。第二，在学习内容上，人工智能不仅有着非常专业的理论知识，还涉及数学、生物、控制论、信息学等多个学科领域，并划分为计算机视觉、自然语言处理、数据挖掘等子领域。如何从复杂的知识体系中抽取适合学生学习的内容，并依据课程目标设计不同层次的学习内容？有研究者指出，目前存在“把人工智能课程窄化为编程语言课程”的现象[13]；还有人指出，中小学的人工智能教育多为编程教育和机器人教育，编程教育“多停留在指导学生利用程序设计语言完成具体的编程题目。机器人教育，多停留在简单的实体安装层次”，“教材大多属于产品说明书或用户指南类，缺少对学生思维能力培养的科学引导”[14]。第三，在课程设置的方式上，大部分人都提到了开设专门的人工智能课程，也有人通过分析国家课程标准后提出，小学阶段的人工智能技术教学内容可以安排在小学科学课程中，初中阶段的人工智能课程可以在综合实践活动(占初中课时总数的16%—20%)课程中做出适当安排，高中阶段可安排在信息技术和通用技术课程中[15]。第四，在有关资源上，很多人都提到了缺乏专业师资和软硬件资源。在师资方面，有人指出，“我国中小学人工智能相关内容的教学工作以信息技术教师承担为主……很多老师的知识理论储备和计算机操作技能距离专业水平还有一定的差距，专业的人工智能教师比较匮乏”[16]；也有人认为，“缺乏具有知识结构和专业素养的教师来执教……没有接受过专业的培训，难以掌握课程重难点、教学目标不明确，教学经验缺乏”[17]。在教学资源方面，有人提出，“除部分发达地区之外，多数地区还没有与教学相适配的实验室”[18]；有人认为“很多中小学教师拿到教材后，由于没有好的经验和做法作为参照，课堂实施存在困难”[19]；还有人指出，“人工智能课程不宜采用传统的‘讲授’式教学，更适合应用情境化、基于问题、基于案例的教学模式……有较好价值的中学人工智能教育案例研究的成果很有限”[20]。
尽管我国各地教育水平不一，在中小学阶段开设人工智能相关课程困难重重，但部分地区已经开始了中小学人工智能教育教学的探索。由于各地、各学校相关的软硬件条件存在差异，课程实施的类型不同，造成质量参差不齐，在课程目标和内容的制定，课程实施策略的使用和课程资源的选择和使用等方面还处于摸索阶段，亟需有价值的借鉴和参考。
二、美国K-12人工智能教育行动解读(一)背景、任务与进展
在美国国家科学基金会的资助下，2018年5月，美国人工智能促进协会(TheAssociationfortheAdvancementofArtificialIntelligence，AAAI①)联合美国计算机科学教师协会(ComputerScienceTeachersAssociation，CSTA②)和卡耐基梅隆大学计算机科学学院组成了联合工作组，启动了美国K-12人工智能教育行动(AIforK-12Initiative，以下简称AI4K12)[21]。该行动有三项任务。第一是为在K-12阶段开展人工智能内容的教学制定国家指南。第二是为K-12教师开发一套精心策划的人工智能资源目录。第三是推动形成K-12AI资源的开发社区。卡耐基梅隆大学教授，美国人工智能领域著名研究者大卫·图雷斯基(DavidTouretzky)任工作组组长。2019年7月，AAAI在费城发布了K-12人工智能教学指南(K-12GuidelinesforArtificialIntelligence，以下简称指南)，设计了基础教育从小学到高中开展人工智能教学的目标与内容。同时发布了AI教学资源目录(AIResourceDirectory)，目录中提供了包括知识点讲解视频、示范软件和教学活动等类型的资源，以为教师开展教学提供支持。由于这是第一次系统地研究如何在中小学引入AI教学，工作组主要在原有的K-12国家计算机科学课程标准的基础上开展“指南”研制工作，并进行了细致充分的论证。
(二)指南内容概览
在美国，各州K-12阶段开设人工智能课程的情况不尽相同。有的州将人工智能作为计算机科学课程的一个部分，有的州开设了单独的人工智能课程作为选修课。作为对美国中小学开展人工智能内容教学的专业指导，“指南”在阐述中小学阶段学习人工智能意义的基础上，设计规划了中小学生需要掌握的人工智能知识以及各学段不同层次的学习目标。
1.中小学阶段学习人工智能的意义
AAAI认为，人工智能在当今人类社会已经扮演了非常卓越而显著的角色。对于孩子们而言，他们生活的世界里随处可见人工智能的产品，尽管他们或许没有直接使用过，但是目睹了父母或家人使用，有一定的直观经验。不难想象，随着技术的进一步发展，人工智能在未来世界将会获得更进一步的发展，而作为未来世界的主人，现在的下一代有必要对人工智能知识获得基本的认识以更好地适应未来的生活。这种必要性体现在两个方面：其一，人工智能基础知识的学习有助于提升孩子们的信息素养。作为未来的公民，当他们面临人工智能技术应用的公共决策和伦理问题时，提升的信息素养有助于他们做出理性的决策。同时，由于人工智能正在取代简单重复的底层工作，让孩子们较早地意识到这一点有助于他们更好地适应未来的就业环境。其二，通过人工智能课程的学习，培养孩子对人工智能领域、对STEM的兴趣，同时在知识和技能层面奠定一定的基础，为他们未来走上专业的职业道路做好铺垫。
2.学习内容与目标
这部分内容主要围绕学生应该知道什么和做什么展开。美国最新版K-12计算机科学课程国家标准11—12年级的课程要求中已经包含了人工智能的有关内容，分别是“能描述人工智能如何驱动各种软件和物理系统，如：数字广告投放、自动驾驶汽车和信用卡欺诈检测(3B-AP-08)”和“能使用一种人工智能的算法与人类对手一起玩游戏或解决问题。这里的游戏不需要太复杂，简单的猜谜游戏、井字棋或简单的机器人指令足矣(3B-AP-09)”[22]。在这次的“指南”中对人工智能学习内容做了更系统的规划，并根据学段设计了不同层次的课程目标。
总体来说，“指南”将K-12阶段所需学习的人工智能知识分成了5个主题(FiveBigIdeasinAI)，他们分别是：感知、表示和推理、机器学习、人机交互、社会影响[23]。研制小组认为，这5个主题从性质上足以覆盖人工智能的各领域，但从数量上又是教师可以控制的。尽管5个主题的提法未必完全符合AI实践者审视AI的方式，但对于满足K-12学生的需求是合适的。因此，课程内容和目标以这5个主题为基本框架，并在此基础上设计了各主题中的主要概念和分级学习目标。
(1)感知(Perception)
计算机使用传感器来感知世界。感知是从传感器信号中提取意义的过程。AI领域迄今为止最重要的成就之一就是使计算机能够足够好地去“看”和“听”，以投入实际应用。该主题下的具体应用包括：人脸识别、语音识别、场景理解等。
a.主要概念。这一主题的主要概念包括：人类的感觉和机器传感器；从感觉到知觉；感知的类型：视觉、语音识别等；感知如何工作：算法；计算机感知的局限；智能与非智能机器。
b.分级学习目标如表1所示。
(2)表示与推理(RepresentationandReasoning)
智能代理(IntelligentAgent)(能够)通过特定的逻辑和模型表示现实世界，并用他们进行推理。表示是自然智能和人工智能的基本问题之一。计算机使用数据结构来构建表示，这些表示辅助推理算法。该主题下的具体应用包括：自动驾驶汽车的路线规划、网络搜索、智能下棋的最佳路线推理等。
a.主要概念。这一主题的主要概念包括：表示的类型；推理算法的类型；支持推理的表示：算法操纵表示；算法系统及其功能；一般推理算法的局限。
b.分级学习目标如表2所示。
(3)机器学习(MachineLearning)
计算机通过数据学习，机器学习是一种在数据中找到规律的统计推断。近年来，由于一些学习算法创造了新的表示，AI的许多领域都取得了显著进步。这种方法的成功需要大量的数据。这些“训练数据”通常必须由人们提供，但有时也可以由机器自身获取。该主题下的具体应用包括：训练手机识别人脸；训练语音识别系统；训练机器翻译系统；图片搜索等。
a.主要概念。这一主题的主要概念包括：机器学习；机器学习的方法；学习算法的类型；神经网络基本原理；神经网络架构的类型；训练数据对学习的影响；机器学习的局限。
b.分级学习目标如表3所示。
(4)人机交互(NaturalInteraction)
智能代理需要多种知识才能与人类自然交互。为了与人类自然地交互，智能代理必须能够用人类语言交谈，识别面部表情和情感，并利用文化和社会习俗的知识来推断所观察到的人类行为的意图。具体应用包括：智能代理(如Alexa、Siri)，聊天机器人，提供适应性教育的智能导师系统，动作和面部表情识别等。
a.主要概念。这一主题的主要概念包括：自然语言理解；情感计算；常识推理；意识与心灵哲学；自然交互应用；人机交互；AI在自然交互方面的局限。
b.分级学习目标如表4所示。
(5)社会影响(SocietalImpact)
AI的应用对社会既有正面影响也有负面影响。由于人工智能技术正在改变我们工作、出行、沟通和相互照顾的方式，我们必须注意其所能带来的危害。例如，若用于训练人工智能系统的数据存在偏见，可能会导致部分人受到的服务质量低于其他人。因此有必要讨论AI对我们社会的影响，并根据相关系统在道德层面的设计以及应用来制定标准。
a.主要概念。这一主题的主要概念包括：AI系统正在改变商务、政务、医疗和教育；从经济层面讲，AI使得新的服务变得可能，使得商务更有效率；在开发AI系统时，人类不仅要做出技术层面的决策，也要做出道德层面的决策；AI技术通过多种不同的方式影响社区和人们；人工智能和系统需要道德标准来为人们做出决策；AI和机器人会改变人们工作的方式，创造一些工作，淘汰一些工作。
b.分级学习目标如表5所示。
3.教学活动建议
如何针对以上学习内容和学习目标开展教学，“指南”推荐了四种类型的学习活动：第一种是实验类活动，教师可以组织学生使用各种类型的AI软硬件资源，通过实验，一方面体验AI的功能，对AI形成直观认识；另一方面在实验中探索AI的基本原理。第二类活动是手工模拟AI算法的活动(或不插电活动)，学生无需使用任何计算机设备，用纸和笔，通过绘图、计算来模拟AI的基本算法，理解AI解决问题的逻辑思路和技术路线。第三类活动是设计类活动，教师为学生提供支架，引导和鼓励他们使用AI开源软件或服务来开发自己的AI应用，在设计和应用中学习。第四类是案例分析类活动，教师提供与AI相关的多个社会问题的案例，引导学生从多个角度来探索其中的伦理道德问题并寻求改进的途径。
(三)K-12人工智能教学资源目录简介
为了对AI教学提供支持，AI4K12开发了一套资源目录，并在网站(https://github.com/touretzkyds/ai4k12/wiki/Resource-Directory)上公布了这套目录。目录汇集了各类AI科普资源，根据不同类型资源的教育特点进行了系统的梳理和分类，并作了统一标注。从媒体类型上，AI4K12划分了专业著作和报告、竞赛、课程材料、演示软件(Demos)、教师职业发展在线课程、K-12学生在线课程、软件包和视频七类资源。在此基础上，依据中小学AI学习特点，AI4K12进一步按照资源的教学功能进行了分类，具体如表6所示[24]。可以看到，这里的资源不仅包括软硬件资源，还包括教学活动。对资源教学功能的分析提示了何时以及如何使用这些资源，进而为教师教学策略的设计提供了支持。
三、美国AI4K12行动成果特色小结美国AI4K12行动是富有成效的。从短期看，它制定了K-12人工智能教学指南，开发了教学资源目录，对学习内容和学习目标给出了科学、专业的设计，对教学活动策略提出了具体可行的建议，对教学资源进行了系统的汇聚、梳理和分类。从长远看，行动联通了AI研究、实践和教学三个行业，促进了美国国内K-12人工智能教育专业团体的形成，为未来的发展奠定了基础。
(一)“指南”学习内容覆盖AI原理的基本方面，关注对AI技术的反思，学习目标按学段分级
在中小学开展AI教育，核心的问题就是学生学什么，达到什么水平？美国K-12AI教学指南以5个知识主题(感知、表示和推理、机器学习、人机交互、社会影响)作为框架，并在其基础上设计了从幼儿园到高中三年级的分学段目标。一方面，5个知识主题不仅涵盖了AI研究与应用的基本领域，同时还包括了AI的社会影响。这体现了不仅要求学生体验和学习AI的基本知识和技能，也要求他们能客观、全面、深刻地对这项技术进行审视和反思的目的。另一方面，所有学段均涉及5个知识主题，各学段目标的差异只在目标的层次上，而不在知识主题上，整体的学习是螺旋上升的过程。比如，“表示与推理”是一个逻辑性很强的主题，幼儿园—2年级学段的孩子和高中生都可以学习。只不过前者只需要达到较低的学习层次比如获得对有关原理体验和感性认识，如“使用决策树进行决策”；而后者则需要达到较高的学习层次如掌握底层的算法和原理，例如“描述不同类型搜索算法的差异”。
(二)“指南”教学策略与活动建议具体清晰，可操作性强，遵循学习规律
如何引导学生学习AI知识？AI4K12给出了具体清晰的建议，不仅提出了支持策略，还推荐了“实验”“手工模拟”“设计开发”“案例分析”四种类型的教学活动。这四类活动分别对应AI学习的几种学习目标：体验AI功能与理解AI基本原理，理解AI算法的原理，设计简单的AI应用与辩证地认识AI对社会的各方面影响。这些目标在5个知识主题中都有体现。教师可以根据5个主题下分级目标的类型，选择对应类型的活动进行设计和开展。值得注意的是，四类活动也分别对应AI学习从感性到理性，从理解到应用的各个阶段，遵循基本的学习规律。具体来说，除第四类活动是综合性活动，需要建立在对AI及其应用充分把握的基础上之外，第一类到第三类活动分别对应学生学习AI从感性认识(认识AI的功能)到理性认识(理解AI的基本原理)，从知识理解(理解AI基本算法)到知识应用(使用AI算法模块开发应用)的学习阶段，学生的认识水平在逐步上升。
(三)K-12AI教学资源目录充分挖掘现有AI资源，分析梳理其教育价值
国内很多人担心，在中小学开展AI教育缺乏专业的师资。这个问题在美国也存在。且不说人工智能科班出身的专业人员是否会到中小学任教，抑或在师范院校增设人工智能的专业是否可行，还是在信息技术专业教师的培养中增加人工智能的课程是否更合理，通过这些方式提升师资专业能力需要一定的周期和较多的资金投入。AI4K12系统地梳理与充分地挖掘现有高质量AI科普资源的教育价值，快速而高效地为教师和学生提供了全面而丰富的学习资源与活动支持资源，不仅制作了教学资源目录，给出实例与资源链接，同时标注适用主题、年段、应用功能等，既可以用于教师自学，也可以用于教师组织学生开展学习活动。目录中的资源或是高校AI科研院所(代表研究者)开发，或是谷歌等知名高新技术企业(代表实践者)开发，资源的设计与制作都是专业而规范的。不仅有助于教师快速成长，学生也能获得专业、规范的指导，在一定程度上确保了教学的质量。
需要指出的是，目录中的资源大多是以AI科普为目的而开发的，其面向的对象广泛，并不专门为K-12的AI教育，在系统性和针对性上比较欠缺。可以说，现有资源还远远不能满足中小学AI教育的需要。AI4K12也指出了几种目前缺少的资源，并呼吁领域内的专业人士更多地关注并开发。
四、思考与启示AI4K12是在美国基础教育领域开展人工智能教学的第一个专业行动。它研制了教学指南，开发了资源目录，促成了K-12人工智能教育专业社区的形成。虽然中美两国的教育体制和文化存在差异，但AI4K12行动中有关教学内容和分级学习目标的设计，有关教学资源的梳理和资源目录的开发，有关教学活动和策略的建议对我国中小学开展人工智能教育有着很好的启示与借鉴。
其一是进一步完善中小学信息技术课程标准中有关人工智能部分的标准，在现有基础上扩展修习学段，丰富课程内容，深化课程层次。目前，我国信息技术课程的国家标准中主要是在高中阶段对人工智能知识的学习提出了要求，内容主要涉及人工智能的基本特征、核心算法、特定领域人工智能应用系统的开发以及对人工智能及其应用的反思几个方面。与美国的标准相比，内容和目标的系统性还有待进一步提升。今天的孩子成长在一个由人工智能技术驱动的世界里，绝大部分孩子已经接触了各种形式的AI技术和产品，从低年段就可以开始对孩子进行AI教育，重要的是思考如何帮助他们理解AI技术是如何工作的[25]。
从课程目标看，中小学阶段组织学生学习人工智能，不是学习使用AI产品，也不是学习AI编程技术，重要的是学习AI认识世界、理解世界和解决问题的方式和方法，帮助学生形成一定的技术思维，同时又能辩证地审视AI技术，为未来在智能环境里工作和生活，或者为走上AI研究与实践的专业道路打下基础。可以借鉴AI4K12的内容框架，在系统考量AI研究与应用基本原理的基础上形成一个系统的主题框架，并在该框架下根据不同年龄学生认知能力与特点设计具体的学习目标。可为中低年段设置更多体验类的目标，引导他们体验AI的功能，感受其解决问题的思路和方法；针对高学段学生，更多设置理解AI功能底层的原理和算法，以及系统开发的目标。在课程内容上，可根据课程目标的要求，特别是不同年龄段目标的设定，选择相应的知识内容。
其二是进一步加强AI教学策略的研究和实践。作为计算机学科的一个分支，AI知识专业、复杂而深奥，不仅需要跨学科的知识，也需要较强的抽象逻辑思维。针对抽象逻辑思维并不发达，甚至还处于前运算和具体运算阶段的学生，如何引导他们学习AI知识？国内有学者提出“应用情境化、基于问题、基于案例的教学模式”[26]，也有人提出“基于项目学习的方式”[27]“应用任务驱动式、基于问题或融入游戏化机制的探究式教学”[28]。那么，AI教学策略可以有哪些？如何针对不同的教学目标设计相应的活动？
现有高中阶段信息技术课标有关人工智能部分的“教学提示”中比较笼统地给出了“案例分析”“项目学习”“小组合作”等教学策略和教学组织形式的建议，操作性有待进一步完善。同时现有研究较少，可供参考的理论或实践成果并不完善。可以借鉴AI4K12有关教学活动的建议，将教学活动和策略的选择充分建立在AI教学目标和AI知识内容特点的基础上。例如：感知AI特点，及其技术和产品功能的目标，适合开展实验类活动，通过实验操作AI软硬件资源，形成有关AI技术的直观认识；探究AI产品原理和算法原理的目标，更适合开展实验和模拟算法的活动，模拟算法的活动可以不依赖软硬件资源，通过简单的纸和笔就能探索AI解决问题的逻辑；应用AI原理和算法解决问题的目标，更适合开展设计类活动，在该活动中教师需要提供丰富的学习支架引导学生一步步达成问题的解决；辩证看待AI技术的影响的目标，适合开展案例分析的活动，通过实际例子引导学生多角度探索其中的伦理道德问题。依托以上由目标、知识内容与活动类型组成的设计框架，进一步设计和开发不同类型的活动流程与策略，并通过教育教学研究和实践进行检验和完善。
其三是进一步加强AI教学资源的挖掘和建设。在当前专业师资比较缺乏、地区差异较大的情况下，AI教学资源的建设显得尤其重要。各地可根据实际情况开展AI教育资源的建设。AI资源建设有两种方式。第一种是在基础较弱、师资缺乏的地方，可充分利用现有高质量的AI科普资源、开源软硬件等，先行开展一些以AI核心技术(如机器学习、自然语言处理等)作为教学对象的学习活动，在教学中不断检验和完善这些资源，并将其作为下一步课程开发的基础。第二种是在资源充足、软硬件条件成熟的地方，可组织有关力量开发专门针对中小学AI教育的教学资源，除了常规的教师用多媒体教学资源，还需要特别重视实验资源的开发，为学生提供富媒体资源的探究环境。各地、各校可根据具体情况在中学阶段开设AI选修课，或在科学课、综合实践课中安排AI的学习专题，使用并优化这些资源。
人工智能本身就是一个跨专业的综合领域，人工智能的教学自然也涉及多个学科。为了确保AI教学资源的科学性和规范性，需要加强人工智能领域内跨行业的合作。AI4K12行动充分体现了美国AI领域从高校研究者、知名企业实践者到教师的合作。不同行业的不同视角确保了AI中小学教育的专业性、规范性和适切性。此外，AI引入基础教育还处于初步发展阶段，特别需要高校、科研院所研究者、企业实践者和一线教师的共同努力，将AI理论知识、研究动态、实践应用与前沿发展以科学、专业、规范的方式进行组合，确保教学的质量。此外，研究者和实践者也可以作为外部的人力资源，为学生提供与AI科学家进行对话和学习的机会，提升学习兴趣，开阔视野。
参考文献：[1]吴飞,阳春华等.人工智能的回顾与展望[J].中国科学基金,2018,(3):243-250.[2]国务院.国务院关于印发新一代人工智能发展规划的通知(国发[2017]35号)[EB/OL].http://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm,2019-12-09.[3]中华人民共和国教育部.教育部关于印发《教育信息化2.0行动计划》的通知[EB/OL].http://www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html,2019-12-09.[4]教育部.教育部关于印发《普通高中课程方案(实验)》和语文等十五个学科课程标准(实验)的通知[EB/OL].http://www.moe.gov.cn/srcsite/A26/s8001/200303/t20030331_167349.html,2019-12-09.[5]教育部.教育部关于印发《普通高中课程方案和语文等学科课程标准(2017年版)》的通知[EB/OL].http://www.moe.gov.cn/srcsite/A26/s8001/201801/t20180115_324647.html,2019-12-09.[6]李建,孟延豹.充分利用多种教学APP，开展人工智能课程——教学、社团、比赛相结合[J].中国信息技术教育,2018,(8):69-70.[7][16][18][28]陈凯泉,何瑶等.人工智能视域下的信息素养内涵转型及AI教育目标定位——兼论基础教育阶段AI课程与教学实施路径[J].远程教育杂志,2018,(1):61-71.[8]武迪,张思等.横向跨学科纵向分层次人工智能课程的设计与实施[J].中小学信息技术教育,2019,(6):21-23.[9][19]袁中果,梁霄等.中小学人工智能课程实施关键问题分析——以人大附中人工智能课程实践为例[J].中小学数字化教学,2019,(7):19-22.[10]马涛,赵峰等.海淀区中小学人工智能教育发展之路[J].中国电化教育,2019,(5):128-132.[11][13]王本陆,千京龙等.简论中小学人工智能课程的建构[J].教育研究与实验,2018,(4):37-43.[12]刘尚琴.国内中小学人工智能课程现状、问题及推进策略分析[J].中小学电教,2015,(5):37-40.[14]谢忠新,曹杨璐等.中小学人工智能课程内容设计探究[J].中国电化教育,2019,(4):17-22.[15]艾伦.中小学人工智能课程定位分析[J].中国现代教育装备,2017,(10):1-5.[17][27]韩克.高中信息技术课程中的人工智能教学[J].中国校外教育(中旬刊),2019,(10):165-168.[20]张学军,董晓辉.高中人工智能课程项目案例资源设计与开发[J].电化教育研究,2019,(8):87-95.[21]AAAI.AAAILaunches“AIforK-12”InitiativeincollaborationwiththeComputerScienceTeachersAssociation(CSTA)andAI4All[EB/OL].https://aaai.org/Pressroom/Releases/release-18-0515.pdf,2020-01-05.[22]CSTA.K-12ComputerScienceStantards,Revised2017[EB/OL].https://www.csteachers.org/page/standards,2020-01-05.[23]DavidS.Touretzky,ChristinaGardner-McCune,etal.K-12GuidelinesforArtificialIntelligence:WhatStudentsShouldKnow[EB/OL].https://ae-uploads.uoregon.edu/ISTE/ISTE2019/PROGRAM_SESSION_MODEL/HANDOUTS/112142285/ISTE2019Presentation_final.pdf,2020-07-15.[24][25]DavidS.Touretzky,ChristinaGardner-McCune,etal.EnvisioningAIforK-12:WhatShouldEveryChildKnowaboutAI?[EB/OL].https://aaai.org/ojs/index.php/AAAI/article/view/5053,2020-07-15.[26]马超,张义兵等.高中《人工智能初步》教学的三种常用模式[J].现代教育技术,2008,(8):51-53.作者简介:
方圆媛：副研究员，在读博士，研究方向为教学设计与绩效基数、基础教育信息化(fangyy@moe.edu.cn)。
黄旭光：副研究员，研究方向为基础教育信息化、基础教育数字资源的设计与开发(huangxg@moe.edu.cn)。
本文转载自微信公众号“中国电化教育”，作者方圆媛、黄旭光。文章为作者独立观点，不代表芥末堆立场，转载请联系原作者。
人工智能1、本文是芥末堆网转载文章，原文：中国电化教育；2、芥末堆不接受通过公关费、车马费等任何形式发布失实文章，只呈现有价值的内容给读者；3、如果你也从事教育，并希望被芥末堆报道，请您填写信息告诉我们。来源：中国电化教育芥末堆商务合作：010-57269867人工智能课程实训方案
第一章发展背景当今，世界无时无刻不在发生着变化。对于技术领域而言，普遍存在的一个巨大变化就是为大数据（Bigdata）打开了大门。随着国家大数据战略推进实施以及配套政策的贯彻落实，大数据产业发展环境进一步优化，社会经济各领域对大数据服务需求进一步增强，大数据的新技术、新业态、新模式不断涌现，产业规模持续保持高速增长态势。并且，随着高校获准开设“数据科学与大数据技术”专业，大数据需要的复合型人才将源源不断形成。加之海外和传统行业跨界人才不断加入大数据行业，大数据产业将迎来创新发展。大数据时代的来临加快了人工智能应用的发展，随着大数据的应用，以及计算机算力的大幅提升，深度学习进一步提升和完善的需要得到了满足，数据驱动的人工智能时代已经到来，人工智能发展进入新阶段。当前，新一代人工智能相关学科发展、理论建模、技术创新、软硬件升级等整体推进，正在引发链式突破，推动经济社会各领域从数字化、网络化向智能化加速跃升，数据科学与人工智能的结合越来越紧密。大数据及人工智能成为国际竞争的新焦点，是引领未来的战略性技术，世界主要发达国家把大数据、人工智能的发展作为提升国家竞争力、维护国家安全的重大战略，加紧出台规划和政策，围绕核心技术、顶尖人才、标准规范等强化部署，力图在新一轮国际科技竞争中掌握主导权。当前，我国国家安全和国际竞争形势更加复杂，必须放眼全球，把大数据及人工智能发展放在国家战略层面系统布局、主动谋划，牢牢把握新阶段大数据及人工智能国际竞争的战略主动，打造竞争新优势、开拓发展新空间，有效保障国家安全。
第二章方案平台优势2.1.方案优势基于云模式的智慧教育人工智能教学实训平台的设计全面落实“产、学、用、监、评”一体化的思想和模式，从教学、实践、使用、监控、评估等多方面注重专业人才和特色人才的培养。学生可以通过在教学平台的学习熟练掌握人工智能的基础知识,通过掌握的知识在人工智能课程实验中进行动手实践。本实训系统平台方案融合操作系统、数据库、编程语言、Python数据处理、人工智能等课程，人工智能领域涉及深度学习、机器学习、深度学习、自然语言处理、计算机视觉等诸多方面，课程类型包括基础实训、关键技术掌握、应用创新等等各层次实践教学。从面向人工智能行业的需求、促进学生职业发展的角度，规划建设基于云模式的人工智能教学实训平台，真正在产业、学校及实际项目中相互配合，发挥优势，形成生产、学习、实践、运用、监控、评估的系统运作模式，从而建设大数据及人工智能特色专业。利用虚拟化教学资源，搭建实训实战平台，将理论学习、实践教学和大数据及人工智能搭建、挖掘、存储、分析实战融为一体，从易到难、循序渐进，逐步提升学生的学习技能和实践水平，提高“学”的质量和成效。定制专业化技能评估与教学监控功能，将学生的学习情况、专业喜好、适用岗位形成报告模版。秉承着“精准、先进、创新”的原则，实时监控学生操作，分析学习情况，评估学生知识水平，从而减轻学校及教师的压力。2.2.系统优势人工智能教学实训平台基于开源的Docker环境，构建硬件虚拟化设备，并基于同样开源的Kubernetes架构，实现GPU集群设备的自动管理和调度，以Yarn为核心，构建了资源管理系统，实现计算任务的智能调度与冲突协调。一个基础平台的生命力，有赖于系统的基础支撑能力与对外服务能力。在面向人工智能计算需求的建设开发上，必须要考虑如何开发组织系统对外服务的能力。而人工智能研发需求的两个基本要素就是计算和数据。因此，本系统也着眼于组建基础计算能力和基础数据处理能力。在计算能力建设中，系统将传统人工智能计算方法与计算模型、当前流行的人工智能计算模型与框架，完美地融入了整个系统的计算模块中，并且与底层的硬件管理与计算资源的调度，完美地结合在一起。在数据能力的建设中，系统将自建一套以非结构化数据的标记清洗，结构化数据的清洗为主要内容的数据处理系统。在系统底层硬件管理上，支持CPU、GPU、FPGA、ASIC等通用或专用计算硬件，实现对主流计算硬件的即插即用。在计算集群的设置上，往往也是分布式的，计算集群可以分布在不同机房中，不受空间限制，是人工智能教学实训平台在底层硬件管理上的特点。在系统最核心的调度算法上，通过系统自身构建的智能化调度策略，针对不同的计算框架和机器学习方法，系统自动分配相应的计算资源，包括处理器数量、内存数量，使计算请求与计算资源的使用达到最优匹配，提高计算资源的利用效率，降低单位时间的运行成本。同时，当用户发起计算请求时，系统会根据用户距离计算中心的“距离”,自动将用户的请求适配到距离用户最近的计算集群上，以便用户可以更快速地获取计算结果，提升用户的计算体验。在教学管理方面，平台自带人工智能课程推荐功能，可为学生提供个性化课程推荐及AI课程助手，助力学生定向就业。还可以通过大数据分析，自动生成学业报告，为学生就业提供桥梁，并作为教师教学的得力助手，为高校的学生能力培养及教师的工作提供强有力的支持。
第三章教学实训平台人工智能教学实训平台的建设采用B/S架构，用户通过浏览器进行访问，且支持内网与外网同时访问。平台的管理功能是针对前端系统设置的对应的管理功能，便于教学过程中对前端系统的自定义管理。系统课程学习模式包括实验平台、项目路径和职业路径，满足不同场景的教学需求。在教学管理方面，平台自带人工智能课程推荐功能，可为学生提供个性化课程推荐及AI课程助手，助力学生定向就业。还可以通过大数据分析，自动生成学业报告，为学生就业提供桥梁，并作为教师教学的得力助手，为高校的学生能力培养及教师的工作提供强有力的支持。实训平台采用私有云模式，所有课程均在云端进行，自主研发设计的教学平台可将硬件资源进行集中调度分配，可管理大规模CPU、GPU、FPGA等高性能分布式计算集群，利用容器技术对计算资源进行虚拟化，以智能调度的方式对外提供计算服务，并依托开源分布式计算框架和深度学习框架，支持训练、推理，支持CNN、RNN等各种类型的网络模型，支持Xgboost等传统机器学习模型，适合大数据、人工智能、深度计算；课程内容涵盖操作系统、编程语言、Python数据处理、机器学习、数据分析、数据挖掘、深度学习、计算机视觉、自然语言处理等诸多方面，课程类型包括基础实训、关键技术掌握、应用创新等，是一个综合性的学习研究平台；平台配合专用的资源监控系统、课程监控系统，可实时的监控整个平台的硬件资源负载以及学生学习的状态，可帮助教师合理的安排课程及对应资源。3.1.学习模式3.1.1.实验平台该模式以知识体系为核心，将人工智能内容按照不同类型的知识模块进行分类。体系下包含了：操作系统、编程语言、Python数据处理、机器学习、数据分析、数据挖掘、深度学习、计算机视觉、自然语言处理等诸多方面，该模式围绕一个内容展开了多方面知识的学习，与现在教育方式一致，保留了师生们传统的学习授课方法。不仅如此，为满足学校的已有的课程教学资源，老师可以自定义实验内容及实验镜像，将文本类、实操类、视频类课程上传到教学平台上满足教学需求。
实验平台3.2.练习算法3.2.1.算法集算法集提供了一个环境，用户可以在里面写代码、运行代码、查看结果，并在其中可视化数据，并与平台中的数据集功能进行交互式使用，可直接调用平台当中的数据集用于算法在实际数据中的实践测试。鉴于这些优点，它能帮助他们便捷地执行各种端到端任务，如数据清洗、统计建模、构建/训练机器学习模型等。算法集的一个特色是允许把代码写入独立的cell中，然后单独执行。这样做意味着用户可以在测试项目时单独测试特定代码块，无需从头开始执行代码。虽然其他的IDE环境（如RStudio）也提供了这种功能，但就个人使用情况来看，算法集的单元结构是设计的最好的。算法集的优势还体现在灵活性和交互性上，除了最基础的Python，它还允许用户在上面运行R语言。由于它比IDE平台更具交互性，教师也更乐于在各种教程中用它来展示代码。
3.2.2.数据集数据集功能提供数量众多的数据集，包括互联网、零售、电商、医疗等相关数据集，数据集中的数据可直接与算法集中的算法进行交互使用，为算法提供所需数据的调用支撑。教师可根据数据集的内容、格式、数量等为学生设定开放式课题，使用真实的数据集进行大数据、人工智能项目案例处理分析，深度理解掌握如何处理这些数据，例如，教师给定一份数据让学生进行预测实验，学生需设计算法进行清洗与预测等。平台提供开放式上传功能，支持用户将自己的数据上传至平台当中，并可设定是否与他人共用，可帮助用户解决数据存放管理问题，实现用户数据的开放式共享。
3.3.在线考试3.3.1.理论考核理论考核采用在线考核模式，将单选题、多选题、判断题、填空题、简答题添加在试卷上，每一道题的题目、正选、分值等内容可由管理员自行设置，简答题题采用关键词进行自动判分，同时也可以由教师手动判分。
理论考核3.3.2.实践测评实践测评考核模式是以实验操作过程为考核点，也称之为实操题考核模式，由教师在管理端设置考核步骤、分值权重，平台提供配套的实验考试环境。学生在实际操作过程中遇到的考核点，需要根据实际结果去填写，到最后统一汇总分数。该模式突破了传统的考核模式，通过实操的方式来加深印象，巩固知识。
实践测评3.4.智能教务3.4.1.教学进度分析课程实验具有核全局开关功能，打开全局考核后，进行所有实验时都必须完成实验当中设定的每一步考核才能查看下一步。接着，系统不仅自动检测到正在进行实验，也可以手动设定实验状态分析（也可以手动设置分析目标）。查看分析结果时可查看每个班级的学生在进行每个实验时完成度，查看每个实验的每个步骤的通过率、完成率、完成进度、实验总结信息等。教学进度分析功能可通过智能化的手段，有效帮助教师分析并掌握整个班级的学习情况，根据学生完成实验的进度过程进行授课，选择重点难点部分进行针对性讲解，有效降低教师授课压力，高效完成授课任务。
教学分析3.4.2.教学计划管理管理员在后台可以一次性布置全部的教学计划，规定上课时间与学习课程，随后学生通过在前端查看，即可了解到每一天的课程安排。
3.4.3.实验报告管理教师通过此功能查看学生的实验报告，支持预览和批阅等功能，后台自动统计学生学习数据，展示出每个步骤的学习通过时间、成绩正确率、班级排名等信息，并将实验数据与学生的实验报告有机结合，形成完成的实验报告。此功能相较于传统的实验报告，增加了学生的学习数据统计功能，可大大的减轻教师的负担，同时为教师了解班级整体的学习状况提供的有力的支持。
3.5.平台管理3.5.1.用户管理为满足教师方便的管理班级学院，平台提供用户组织管理功能。其中用户管理显示平台用户的信息列表，管理端可对平台用户信息进行编辑与删除，包含根据组织、专业、班级、姓名等信息进行用户模糊筛选，便于管理平台用户；角色管理显示平台现有角色，用户可编辑新的角色并赋予角色权限；组织结构管理显示平台现有的组织机构，管理端可以也可根据层级分步添加组织、学院、系别、专业、班级，对同级别下的机构进行排序。
3.5.2.资源管理用户可以在此查看版本信息、用户数量、实验数量，资源监控及用户虚拟机监控。同时后台资源监控中心可查看平台的用户数量、实验数量、职业路径数量、项目路径数量、算法集数量、数据集数量、用户分布、活跃用户等数据；实时的CPU、内存、硬盘、实例的使用情况和该时刻学生实验进行的状态；可对虚拟机进行监控所处的实验环境、创建位置、用户姓名、创建时间时间以及开启和关闭的状态。该功能的实现可便捷精准的反应出学生的问题所在，可对实验平台进行实时状态的查看，又同时提高了老师的教学质量和效率。
3.5.3.系统管理邮件系统配置是为了减轻管理端的任务负担，配置好邮件系统之后，学生在忘记登陆密码之后可以通过邮件找回密码。
第四章红亚教学资源4.1.人工智能基础课程资源4.1.1.Linux基础Linux系统是开源软件，其可靠性得到肯定，是当今举世瞩目、发展最快、应用最广的主流软件之一。在服务器平台、嵌入式系统和云计算系统所运行的操作系统中，Linux占很大比重。大数据主流框架Hadoop、Spark都架设在Linux系统上，所以现在学习和应用Linux成为众多用户和学生的首选。Linux基础Linux基础Linux系统概述Linux简介Linux应用领域Linux优势字符操作环境使用Shell字符编辑器VILinux文件系统Linux文件ext3文件系统安装和卸载文件系统进程管理Linux进程概述进程控制命令常用命令介绍目录操作文件操作磁盘操作文本编辑帮助命令用户管理Linux用户账户概述管理用户和群组命令行配置用户管理器配置系统监控与备份显示系统进程查看硬件信息查看日志文件数据备份与恢复软件包管理RPM概述RPM包的命令介绍查看软件包（检查软件包签名）软件包管理工具管理网络服务守护进程服务配置FTP服务配置邮件服务器Apache服务器
4.1.2.编程基础编程基础包含Python基础、R语言基础、Scala基础和Java基础四大模块共计82个实验项目。针对每一个所讲解的知识点都进行了深入分析，并使用生动形象的情境化举例，将原本复杂的、难于理解的知识点和问题进行简化，针对每个知识点，精心设计了相应的问题，让学习者不但能掌握和理解这些知识点，并且还可以清楚地知道在实际工作中如何去运用。编程基础Python基础Python基础Python介绍Python开发环境搭建Python基本数据类型Python变量Python基本输入输出Python模块Python运算符与表达式Python选择与循环结构Python序列操作Python列表常用方法Python元组Python列表解析式与生成器表达式Python字符编码Python字符串基本操作Python字符串格式化Python字符串方法Python正则表达式与re模块Python字典创建与使用Python字典方法Python集合创建与使用Python集合常用运算Python文件基本概念Python打开与关闭文件Python文件对象基本方法Python数据序列化与反序列化Python文件与文件夹基本操作Python函数的定义和调用Python函数参数Python变量作用域Python函数返回值Python函数嵌套定义、闭包、装饰器Python类的定义和使用Python构造方法与析构方法Python成员访问权限Python继承Python异常概念与常见表现形式Python常见异常处理结构Python的raise语句R语言基础R语言基础R语言开发环境搭建R语言对象与属性R语言向量R语言矩阵和数组R语言列表R语言数据框R语言构建子集lapply函数apply函数mapply函数split函数tapply函数R语言重复值处理R语言排序Scala基础Scala基础Scala开发环境搭建Scala控制结构和函数Scala数组相关操作Scala映射与元组Scala类与对象Scala包管理Scala继承Scala文件和正则表达式Scala特质Scala运算符(原本为scala操作符)Scala高阶函数Scala集合Scala模式匹配和样例类Scala类型参数Scala高级类型Scala隐式转换和隐式参数Java基础Java基础Java开发环境搭建Java的类和对象Java标识符、关键字与运算符Java基本数据类型Java流程控制Java继承与多态Java抽象类与接口Java内部类Java异常处理Java集合类Java基础类库Java泛型Java的输入与输出Java数据库操作
4.1.3.数学基础数字在数学体系中稳固的位置，而大数据技术也和数学紧紧地结合在一起。数学基础共计信息论、线性代数、概率论与数理统计、数值计算和最优化方法五大模块30个教学项目。大数据技术本身是一门交叉性学科，统计方法为核心，所以学习数学基础就显得尤为重要。数学基础信息论信息论熵联合熵条件熵相对熵互信息最大熵模型线性代数线性代数标量向量张量范数矩阵特征分解几种常用距离计算概率论与数理统计概率论与数理统计随机变量概率分布贝叶斯公式期望方差协方差常见分布函数最大似然估计数值计算数值计算数值计算概述上溢和下溢计算复杂性与NP问题最优化方法最优化方法最优化理论概述最优化问题的数学描述凸集与凸集分离方法梯度下降算法启发式优化方法牛顿法和拟牛顿法
4.1.4.数据库基础数据库已是当今信息社会须臾不可脱离的重要工具，数据库的教学也就成为计算机科学与技术专业的一门必修课程。在大数据技术中，数据仓库的搭建离不开传统数据库的支持，所以，学习数据库基础是为大数据的存储做准备。数据库基础excelExcleExcel函数与公式Excel数据统计与汇总VBA程序基础VBA数据类型VBA流程控制VBA综合应用mysqlMysqlMySQL简介与安装MySQL创建连接MySQL操作数据库MySQL操作数据表MySQL操作数据MySQL条件限定与正则表达式MySQL表的连接MySQL排序、分组与过滤MySQL结果合并MySQL函数MySQL导入与导出oracleOracleOracle安装与卸载Oracle数据类型（文本）表的创建与管理简单查询单行函数分组统计查询多表查询SybasePowerDesigner设计工具mongodbMongoDBMongoDB简介与安装MongoDB创建连接MongoDB操作数据库MongoDB操作集合MongoDB操作文档MongoDB条件操作符与正则表达式MongoDB之Limit与Skip方法MongoDB排序与聚合Redis+MemcacheRedis+MemcacheRedis简介、安装与配置Redis命令（包括Redis键）Redis数据类型Redis基数统计Redis服务器与连接memcached简介与安装memcached连接memcached存储memcached查找memcached统计SQLiteSQLiteSQLite简介与安装SQLite操作数据库SQLite操作数据表SQLite操作数据SQLite条件限定与通配符SQLite表的连接SQLite排序、分组与过滤SQLite结果合并SQLite之Explain细节描述SQLite函数
4.1.5.Python数据处理随着大数据疯狂的浪潮，新生代的工具Python得到了前所未有的爆发。简洁、开源是这款工具吸引了众多客户的原因。通过Python的实训练习，掌握数据采集、数据分析、模型调优等技术，实现人工智能与Python的完美融合。
Python基础知识Python基础简介Python语言概述为何学习Python语言Python主要应用领域Python开发环境搭建初识PythonPython基本数据类型Python变量Python基本输入输出Python模块Python运算符与表达式Python选择与循环结构Python猜数字游戏列表与元组Python序列操作Python列表常用方法Python元组Python列表解析式与生成器表达式字符串与正则表达式Python字符编码Python字符串基本操作Python字符串格式化Python字符串方法Python正则表达式与re模块字典Python字典创建与使用Python字典方法集合Python集合创建与使用Python集合常用运算文件操作Python文件基本概念Python打开与关闭文件Python文件对象基本方法Python数据序列化与反序列化Python文件与文件夹基本操作函数Python函数的定义和调用Python函数参数Python变量作用域Python函数返回值Python函数嵌套定义、闭包、装饰器面向对象Python类的定义和使用Python构造方法与析构方法Python成员访问权限Python继承异常处理结构Python异常概念与常见表现形式Python常见异常处理结构Python的raise语句
Python数据采集爬虫初识爬虫简介爬虫应用场景爬虫基本工作原理网络请求基础TCP/IP协议HTTP请求格式HTTP常用请求头响应状态码浏览器发送HTTP请求的过程cookie和session使用Python发送网络请求Requests模块介绍使用Requests发送post请求使用Requests发送get请求使用Requests发送带Header请求使用Requests发送带参数请求Python爬虫实战XPATH介绍及节点选择LXML介绍及使用对抗反爬虫措施网站数据爬取实验IP代理数据爬取
Python数据分析分类与预测决策树K近邻分类算法支持向量机Python随机森林Logistic回归分析人工智能网络常用聚类分析算法K-Means聚类算法系统聚类算法DBSCAN聚类算法关联规则算法Apriori算法简介Apriori算法应用协同过滤算法基于用户的协同过滤算法基于物品的协同过滤算法时间序列数据分析时间序列预处理平稳时间序列分析非平稳时间序列分析Python主要时序模式算法离群点检测方法离群点检测概述基于密度的离群点检测方法基于聚类的离群点检测方法基于距离的离群点检测方法数据降维数据降维概述常用降维方法-1.机器学习简介常用降维方法-2.机器学习数学预备知识常用降维方法-3.常用降维方法的目的常用降维方法-4.常用降维方法解读模型调优与实战模型评估与调优模型评估和调优的意义评估指标模型调优建议与注意事项数据分析与挖掘实战电子商务的智能推荐财政收入分析电商产品评价分析电力窃漏识别分析电器使用情况分析
4.2.人工智能课程资源4.2.1.机器学习机器学习是人工智能中发展最快的分支之一，是人工智能的主要技术途径。在本课程体系中，机器学习处于基础地位，是学好后续课程的基础。本课程讲授机器学习的基本原理和方法，涵盖了线性回归实验分析、Python从零实现线性回归方程、机器学习模型评估方法对比分析、逻辑回归实验分析等课程的主要方法。机器学习线性回归线性回归实验分析Python从零实现线性回归方程机器学习模型评估方法对比分析逻辑回归逻辑回归实验分析Python从零实现逻辑回归方程项目实战-信用卡交易数据欺诈检测决策树与集成实例决策树算法实验分析Python从零实现决策树模型集成算法实验分析集成模型搭建实例项目实战-基于随机森林的气温预测贝叶斯算法Python从零实现贝叶斯算法项目实战-基于贝叶斯的新闻数据分类贝叶斯优化及其工具包使用实战贝叶斯分析实例聚类算法分析Python从零实现Kmeans算法聚类算法实验分析支持向量机基于SVM的简易人脸识别案例支持向量机实验分析降维算法线性判别分析实验主成分分析提升算法Xgboost建模调参实战xgboost-gbdt-lightgbm算法对比分析项目实战-使用lightgbm进行饭店流量预测隐马尔科夫模型HMM实现中文分词机器学习综合项目制作自己常用工具包特征工程试验分析项目实战-从零开始打造音乐推荐系统推荐系统实验分析关联规则工具包实战Python从零实现关联规则科比职业生涯数据分析建模Python时间序列分析实战ARIMA模型实战项目实战-人口普查数据集项目实战-收入预测模型学习曲线分析基于统计分析的电影推荐项目实战-贷款申请最大利润分析NLP-文本特征方法对比项目实战-用户流失预警机器学习项目建模模板
4.2.2.数据分析数据分析指用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。本课程涵盖了数据分析的主要知识内容。
数据分析统计分析方法假设检验分析相关分析方差分析科学计算库-Numpy数据分析处理库-Pandas可视化库-Matplotlib可视化库-Seaborn数据降维常用策略数据降维分析鸢尾花数据集分析数据预处理与缺失值分析数据科学你得知道的几种分布实例商品可视化展示与文本处理数据分析经典案例多变量分析实例纽约出租车运行情况分析建模基于统计分析的电影推荐任务商品订单数据集分析KIVA贷款数据分析汽车价格回归分析手写字体识别对比分析员工离职预测基于NLP的股价预测借贷公司数据分析
4.2.3.数据挖掘数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，作出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，作出正确的决策。本课程涵盖了数据挖掘的主要知识内容。数据挖掘数据挖掘经典实例解读数据特征预处理实验文本特征处理方法对比项目实战-爱彼迎数据集分析与建模项目实战-基于相似度的酒店推荐系统项目实战-商品销售额回归分析项目实战-绝地求生数据集探索分析与建模项目实战-银行客户还款可能性预测图像特征聚类分析实践竞赛优胜解决方案项目实战-快手短视频用户活跃度分析项目实战-工业化工生产预测项目实战-智慧城市-道路通行时间预测特征工程建模可解释工具包项目实战-医学糖尿病数据命名实体识别贷款平台风控模型-特征工程项目实战-新闻关键词抽取模型数据特征常用构建方法项目实战-用电敏感客户分类项目实战-京东购买意向预测项目实战-泰坦尼克号获救预测数据挖掘常用策略实战用户画像分析数据特征常用构建方法集成策略实例模型解释方法实战kaggle数据科学调查分析项目实战-房价预测项目实战-fbprophet时间序列预测自然语言处理常用工具包实战Pandas数据处理实战
4.2.4.深度学习深度学习是人工智能第三次浪潮的核心技术，广泛应用于图像识别、语音识别、机器翻译、医疗影像处理、自然语言处理、人机博弈等众多领域，使得这些领域取得了突破性进展。本课程是AI课程系列中的核心，讲授深度学习的原理、技巧和前沿技术。
深度学习神经网络算法神经网络算法实验分析word2vec词向量模型实验基于word2vec的文本分类实战维基百科数据集训练词向量模型Python从零实现神经网络PyTorch框架与实战PyTorch框架基本处理操作神经网络实战分类与回归任务图像识别核心模块实战解读迁移学习的作用与应用实例递归神经网络与词向量原理解读新闻数据集文本分类实战对抗生成网络架构原理与实战解析Keras框架与实战搭建神经网络模型再战卷积神经网络基于keras的LSTM时间序列预测任务多标签与多输出任务实战keras文本分类实战Keras实战对抗生成网络数据增强实战迁移学习与Resnet残差网络Keras框架实战模板总结Tensorflow框架与实战tensorflow安装与简介搭建神经网络进行分类与回归任务猫狗识别实战图像数据增强实例训练策略-迁移学习实战基于TensorFlow实现word2vec基于RNN模型进行文本分类任务tfrecord制作数据源将CNN网络应用于文本分类实战TF2时间序列预测Tensorboard可视化模块Tensorflow基础操作致敬经典：Alexnet网络实战Tensorflow卷积神经网络实战CNN文本分类任务验证码识别
4.2.5.自然语言处理自然语言处理和理解是智能的核心之一，在深度学习时代，自然语言理解取得了很大的进展。本课程讲授自然语言理解领域的基本概念、原理和方法，以及最新的一些技术进展。自然语言处理自然语言处理基础自然语言处理必备工具包实战-1自然语言处理必备工具包实战-2自然语言处理必备工具包实战-3NLP-文本相似度计算实例自然语言处理综合项目实现word2vec词向量模型项目实战-问答机器人项目实战-构建自己的输入法项目实战-NMT机器翻译框架项目实战-LSTM时间序列预测任务项目实战-地址邮编多序列任务
4.2.6.计算机视觉计算机视觉研究从图像中理解现实世界的技术，是人工智能的主要研究方向之一。本课程讲授计算机视觉的核心原理和方法，涵盖了主要的经典算法原理和最新的前沿成果。计算机视觉OpenCV图像处理基础Opencv图像基本操作Opencv的DNN模块分析常用图像处理策略图像阈值与平滑处理图像金字塔与轮廓检测直方图与傅里叶变换图像计算实例图像形态学操作实例图像梯度计算实例边缘检测实战图像特征-harris实例图像特征-sift实例背景建模实例光流估计实例计算机视觉综合项目项目实战-人脸检测数据与网络制作项目实战-实现人脸检测项目实战-关键点检测网络训练项目实战-关键点定位模型实现项目实战-信用卡数字识别项目实战-文档扫描OCR识别案例实战-全景图像拼接项目实战-停车场车位识别项目实战-答题卡识别判卷项目实战-目标追踪项目实战-图像风格转换（style-transfer）项目实战-图像缺失自动补全项目实战-超分辨率重构项目实战-疲劳检测第五章数据安全科研保障箱数据安全科研实验箱是在建立在学生具备完善的数据安全基础知识的层面上的，在学生掌握了一定的数据安全攻击防御学科知识的同时，亦可进行学科性的知识拓展研究；在一定程度上可延伸学生的学习和知识掌握能力；同时更加全面的提高了学生的综合知识能力。数据安全科研实验实验箱集成了四种处理器，包括A8处理器、M4处理器、Z32处理器、FPGA编程板，可通过编程实现如下科研项目：SM2密码算法与实现、12684液晶屏串行显示实验、SLE4428逻辑加密卡实验、SM3密码杂凑算法程序设计。