联合国教科文组织中小学人工智能课程蓝图解读
0分享至《世界教育信息》投稿网址：http://jyxi.cbpt.cnki.net电话：010-66096958联合国教科文组织2022年2月发布的《中小学人工智能课程蓝图：亟需政府支持》指出，当前全球仅有11个国家开发并实施了人工智能课程，大多数国家并未将人工智能纳入中小学课程体系。基于此，联合国教科文组织从课程开发、课程融合方式、课程内容、课程实施和学习结果评估五个维度总结了人工智能建设的国际经验，并提出形成政府主导、多元参与的人工智能课程开发模式，推动人工智能融入现有课程，确保学习成果顺应人工智能时代需求，扎根人工智能基本原理等建议。自1956年人工智能正式成为一门学科以来[1]，经过60多年的发展，人工智能技术已在人类生活的方方面面得到了广泛应用。在教育领域，基于大数据和深度学习的人工智能技术彻底颠覆工业时代“输出—接受”式的师生互动方式。通过采集学习数据、分析学习模式、优化学习流程、改善学习成果以及实现管理流程自动化，人工智能为每个学生的个性化成长与全面发展创造了更加美好的蓝图。面对人工智能技术对教育系统的深刻影响，转变传统人才培养模式以满足智能时代发展需求，是建设科技强国与培养拔尖创新人才的应有之义。当前全球仅有11个国家正式实施了人工智能课程，多数国家未将人工智能课程纳入中小学课程体系。作为全球教育治理的关键领导者，联合国教科文组织认识到人工智能与教育深度融合的价值逻辑，对中小学人工智能课程实施的国际现状进行了调查，并于2022年2月发布《中小学人工智能课程蓝图：亟需政府支持》，以期为世界各国人工智能课程体系建设提供指导性框架。[2]一、人工智能课程蓝图的逻辑起点人工智能时代已经到来，世界各国需要设立新的教育愿景，以适应未来劳动力市场的变化。在人工智能技术发展、可持续发展需求与先行人工智能教育倡议等因素的推动下，联合国教科文组织推出了人工智能课程蓝图，以推动世界各国中小学人工智能课程建设进程。（一）现实逻辑：人工智能技术发展是教育系统改革的重要驱动力人工智能技术是第四次工业革命的核心。从制造业到银行业，从建筑业到运输业，人工智能技术在现代工作场所中俯拾即是。不可否认的是，人工智能与其他前沿技术的发展将造成部分现有职业的消失与新职业的涌现。一项调查显示，到2030年，全球30%的工作岗位将实现自动化，约3.75亿工人可能受到影响。[3]为了使现在与未来的劳动者胜任人工智能技术创造的新职业，实现人类与人工智能的协同共生，教育和培训机构应对技术变革趋势做出预测，将人工智能融入课程开发、课程实施、教学实践、学生评价等环节。通过创建智能化的教育环境，对学情进行数据追踪与智能诊断，为每个学习者提供独特的教育体验，人工智能可以重塑教师、学生与技术的交互方式，激发学生的自主性与创造力，为其在人工智能时代和谐生活和工作做好准备。（二）价值逻辑：人工智能技术是实现可持续发展目标的关键抓手联合国《2030年可持续发展议程》提出的17项可持续发展目标中，可持续发展目标4指向教育领域，重点关注幼儿教育及中小学教育普及、性别平等与教育包容、终身技能与职业培训等方面，以确保全民享有公平、优质且适合每个人的终身学习机会。[4]而人工智能在教育领域的应用，为可持续发展目标4的实现注入活力：在普及教育方面，人工智能技术可以打破时间和空间的限制，使泛在学习成为教育新常态；在提升教育的包容性方面，残障学生可以在人工智能技术辅助下实现自主学习；在确保优质教育机会方面，人工智能技术可以帮助教师收集和分析学生学习的过程性与终结性数据，使教师更好地了解学生的学习需求。人工智能在扫清教育障碍、满足学生个性化发展需求及连通正式学习与非正式学习等方面，发挥着越来越重要的作用，为可持续发展目标4的实现提供了关键着力点。（三）政策逻辑：先行人工智能教育倡议是课程蓝图绘制的基础联合国教科文组织十分关注全球教育发展趋势。无论是从政策影响还是从法律地位来讲，联合国教科文组织在推进世界教育改革方面一直扮演着领导者的角色。[5]随着人工智能技术的蓬勃发展，联合国教科文组织开始关注人工智能技术在教育领域的应用。2019年以来，接续发布了《关于人工智能和教育的北京共识》《人工智能与教育：政策制定者指南》等指导性文件，针对如何利用人工智能加快建设开放灵活的教育体系和如何提升决策者的人工智能胜任力等问题，提出了一系列切实可行的建议。[6]2021年9月，发起“人工智能与学习的未来”计划，2022年发布《在教育中使用人工智能的道德原则指南》。[7]在此基础上，于2022年2月发布《中小学人工智能课程蓝图：亟需政府支持》。该报告聚焦中小学人工智能课程建设，进一步凸显联合国教科文组织在全球人工智能教育改革中的引领作用。二、人工智能课程建设的国际审视为厘清当前中小学人工智能课程开发与实施的国际现状，联合国教科文组织分别对193个成员国和超过1万名私营及第三部门利益相关者进行了调查，最终得到29个国家、1个领地以及31个非政府组织、学术和企业伙伴的答复。基于调查结果，联合国教科文组织从课程开发、课程整合、课程内容、课程实施以及学习评价五个方面，对全球人工智能课程建设的经验进行了分析与总结。（一）多元的课程开发模式人工智能课程开发是动态的、不断完善的过程。根据各利益相关者的不同角色，课程开发模式可分为中央政府主导模式、政府领导下的去中心化模式、私人部门主导的非政府模式、政府委托私人供给模式四类。中央政府主导模式是指由国家级教育行政部门主导、关键利益相关者参与的人工智能课程开发模式；政府领导下的去中心化模式是指省级政府、地方政府或学校根据中央政府设立的课程标准，负责人工智能课程的开发；私人部门主导的非政府模式的关键在于灵活性，其开发的人工智能课程不仅与政府的课程框架和要求相契合，且能够针对特定国家的具体情况进行个性化定制；政府委托私人供给模式是指政府委托在信息通信技术课程建设方面享有良好声誉的私营企业开发国家人工智能课程。通常情况下，课程开发者还会对人工智能课程进行试点与评估，以判断课程设计的合理性并推动完善工作。（二）有机的课程整合方式人们普遍认为人工智能技术主要适用于科学、技术、工程和数学（STEM）学科，而实际上人工智能可以融入任何学科，甚至帮助教师和学校开发新课程。[8]具体而言，人工智能课程能够以多种方式整合至课程体系中，包括：独立人工智能课程，即在国家或地方课程体系中，将人工智能设为独立的学科类别，这些课程有独立的课时分配、教科书和资源；嵌入式人工智能课程，即在国家或地方课程体系中，将人工智能嵌入其他学科类别，成为计算机科学、信息通信技术、语言、数学、科学或工程等课程的某一主题；跨学科式人工智能课程，即在多学科系统中，以项目式学习方式开展人工智能课程；多模态人工智能课程，此类课程借助学校传统教学活动开展，同时辅之以非正式学习机会；灵活的人工智能课程，即学校或地区可采用一种或多种课程整合方式开展人工智能教育。无论采取何种方式，课程开发者需要以国家或地方当前的课程框架为基础，实现人工智能与现有教育体系的有机融合。（三）丰富的课程内容类别人工智能课程内容主要源自于学科本身的发展、学习者的需求与社会发展的需求。如表1所示，当前各国人工智能课程内容主要包括三大类别，可划分为九个领域。其一，人工智能基础课程内容主要包含最核心、最基础的人工智能概念与运作原理，旨在促进学生理解大数据及其功能，并使其具备解决现实商业或社会问题的设计思维。其二，伦理与社会影响课程内容不仅包含人工智能道德、人工智能的适当透明使用等概念内涵，为学生提供遇到不道德或非法使用人工智能时应当采取的应对措施；展示人工智能引发的劳动力流失、法律框架调整、治理机制创新等社会趋势，旨在引导学生树立正确的人工智能价值观、增强道德意识并厘清其可能造成的社会影响。其三，理解、使用和开发人工智能课程内容，包括人工智能底层技术的应用，如机器学习、深度学习、监督学习及无监督学习；人工智能科学技术的应用，如自然语言处理、计算机视觉；与编码、数学、数据科学相关的一系列复杂知识与技术，旨在帮助学生理解和使用与人工智能相关的技术与工具，并利用所学技能开发新型人工智能应用。人工智能课程涵盖内容广泛，为学生全面提升人工智能素养奠定了坚实的基础。表1人工智能课程内容维度[9]（四）灵活的课程实施策略面对人工智能技术的跨学科性、复杂性、专业性等特征，课程实施者需要根据具体的课程内容与实际教学条件，制定合理的实施策略。当前，绝大多数国家主要采取以讲授法为主、项目式学习和活动式学习为辅的人工智能课程实施策略。其中，项目式学习通过创造跨学科的机会，推动学生利用人工智能技术解决个人及其社区面临的现实挑战，以培养学生的批判性思维、创业精神、沟通和团队合作技能，因而逐渐成为许多国家和企业人工智能课程实施路径的首选。这些项目既可以是有时间要求的活动，如使用人工智能软件执行翻译任务，通过机器人工具包构建和操控机器人；也可以是在教师的指导下进行的周期性人工智能项目设计，如IBM公司的“教育技术青年挑战”、英特尔公司的“青年人工智能”。同时，许多人工智能课程还采用混合教学与远程教学方式。（五）合理的学习成果评价学生的学习成果评价是人工智能课程评价的重要组成部分。通过对已有的人工智能学习成果框架与人工智能课程项目进行分析与归纳，联合国教科文组织从知识、技能、态度与价值观三个维度出发，构建了人工智能学习成果评价指标体系。在知识维度，通过人工智能基础课程学习，学生应当具备算法定义与应用、算法要素与过程、编程语言、编程代理与模拟等方面的知识；通过理解、使用和开发人工智能课程学习，学生应当获得人工智能的定义及其成分、人工智能发展史、人工智能中的数据应用、计算机与人类感知、产品开发流程等方面的知识；通过伦理与社会影响课程学习，学生应当获得关于伦理术语及其定义与示例、知识产权、隐私与安全、环境影响、人工智能优势与不足、伪造与虚假信息等方面的知识。在技能维度，学生应当具备算法、编程、情境问题解决、数据素养、人工智能技术、人工智能开发、人工智能应用、人工智能伦理及社会影响等方面的人工智能技能。在态度与价值观维度，学生应当在个人层面获得对信息通信技术的兴趣、坚持不懈的态度、批判性思维、创业精神，在社会层面获得善于合作与沟通、尊重他人、正直宽容等素养，在人类福祉层面获得尊重环境、推进可持续发展、献身社会公平等价值观。在不同的学段，人工智能课程的学习成果具有不同的侧重点——小学阶段关注学生对人工智能基础知识的理解与兴趣培养，中学阶段注重人工智能技术的应用、创造及伦理意识的塑造。表2展示了中小学生在学习人工智能底层技术时能够获得的各项技能。基于学生的年龄特征与人工智能课程内容构建学习成果的评价指标体系，不仅有助于教师根据评估结果判断课程实施的有效性和调整下一阶段的课程计划，而且有助于学生明确各阶段的学习目标，针对自身的学习情况与策略进行自主评价。表2中小学人工智能底层技术技能成果表[10]三、关于人工智能课程建设的指导性建议基于对全球人工智能课程建设现状的广泛调查，联合国教科文组织强调了推进人工智能与中小学课程深度融合的重要意义，并从课程开发、课程整合、学习成果与课程实施四个维度出发，为各国建设与完善人工智能课程提出了指导性建议。（一）课程开发：遵循政府主导、多元主体参与原则在人工智能课程的开发与实施过程中，政府的支持与管理发挥着至关重要的作用。迄今，全球仅有11个国家正式开展了中小学人工智能课程开发与实施，还有部分国家在政策文件中强调将人工智能纳入中小学课程体系，但实际并未开展相应的课程建设。联合国教科文组织建议各国政府在中小学人工智能课程建设中发挥引领作用，鼓励行业专家、学者、教师等利益相关者参与到人工智能课程开发过程中，形成政府主导、多元主体参与的开发模式。在此基础上，政府应当设立明确的课程开发与认证机制，以保证各课程开发主体的目标与国家人工智能课程目标相统一。此外，各国政府还需广泛开展人工智能课程试点，加强对本国人工智能课程实施现状的审视。通过政府委托专家小组或开发者自评的形式，测试学习者的学习成果并对教师和政府相关部门的代表进行访谈和调查，以深入了解影响人工智能课程开发与实施的促进因素与阻碍因素，为决策者提供坚实的证据基础，从而根据反馈结果调整与改进人工智能课程设计。（二）课程整合：推动人工智能融入现有课程为了培养适应智能时代发展的创新人才，人工智能亟需融入中小学课程体系，从基础教育阶段开始提升学生的人工智能素养。联合国教科文组织建议各国因地制宜，对各学段现有的学科课程进行整合规划，不断探索与开发适当的人工智能课程整合方式。当前，大多数国家通常选择在一门或多门现有学科中实施人工智能课程，或是将人工智能课程设置为选修课或跨学科课程。无论采用何种方式，课程开发者都需要替代或压缩一定的现有课程内容或开发更多的课外活动机会，为人工智能课程整合参与创造充足空间。此外，人工智能与现有课程的整合也依赖教师培训。教师是实施人工智能课程的主体，人工智能能否顺利融入中小学课堂很大程度上取决于教师的教学胜任力与信息素养。因此，中小学要为在职教师提供人工智能概念和教学法培训，并鼓励教师参与课程资源开发；各大高校也需将人工智能纳入职前教师培训，从而整体提升教师队伍的人工智能胜任力，使其将精力更多集中在与学生交流、反思和探索所教授的课程上。（三）学习成果：顺应人工智能时代需求面对以人工智能和大数据为代表的新兴技术革命，培养什么样的人是人工智能课程体系建设需要回答的根本性问题。作为社会和经济转型的驱动力，人工智能引发的技术变革必将影响技术部门及更广阔劳动力市场的人才需求。因此，人工智能课程需要帮助学生获取在人工智能时代工作和生活所必需的价值观与技能，为学生发明创造新型人工智能工具提供更多机会，并将伦理道德规范融入利用人工智能解决现实生活问题的课程情境中。课程开发者应当与课程专家、计算机科学家和教育从业者协商，在保证课程目标契合国际与国家发展战略的基础上，对学生应获得的学习成果进行界定，制定、采用和调整适龄且跨学科的学习活动。此外，课程开发者应认识到，并非所有人工智能课程均需涉及科技产品和线上工具。在课程资源有限的条件下，人工智能课程可以从理解人工智能、识别人工智能、反思人工智能的社会影响等内容出发，促进学生人工智能知识、技能、态度与价值观的发展。（四）课程实施：扎根人工智能基本原理人工智能技术发展之迅速可能导致依赖某种人工智能产品的课程很快落后于时代发展——在面对新的现实生活问题时，学生可能无法迁移所获得的人工智能知识和技能。因此，人工智能课程以及范围更广的信息技术与通信课程不应依赖于某一特定的技术平台、设备或编程语言。为了保障人工智能课程不与特定技术挂钩，一方面，课程实施应当植根于学生的学习成果以及人工智能技术的运作原理、过程与价值取向，而非使用某种人工智能工具的能力；另一方面，课程实施者应从根本上转变教师准备材料、课堂组织与学生评估的方式，以项目式学习为重要依托，为学生创造跨学科的学习机会，培养学生在多元情境下运用不同人工智能技术的可迁移能力。同时，政府还需加大对中小学人工智能基础设施的投资力度，合理安排教师培训、构建质量保障机制，以确保基础设施能够推进学生人工智能素养的发展。四、结语人工智能在工作和生活中的应用从根本上改变了人们的社会互动方式。了解人工智能是什么、它是如何运作的以及它能做什么，能够使人们更好地了解世界、维护自己和他人的权利，并且为了公共利益合理利用科学技术和数据。为了培养符合人工智能时代发展的未来人才，各国政府承担着将人工智能正式整合至教育系统的重要任务。联合国教科文组织从课程开发模式、课程整合方式、课程内容类别、课程实施策略、学习成果评价等维度，为世界各国人工智能课程开发者绘制了基于证据的课程建设蓝图。当前，我国的人工智能课程建设已经走在世界前列，不仅印发了《新一代人工智能发展规划》《中小学人工智能课程开发标准(试行)》等文件，还在上海、北京、江苏、辽宁、山东等多个地区开展了人工智能课程试点。[11]为了建设人工智能人才高地、进一步提升国际竞争力，我国可遵循联合国教科文组织提出的指导性框架，深化人工智能课程改革，构建符合国家战略目标和国际人权与道德标准的人工智能课程体系。同时，我国还可加强对人工智能课程质量与效果的循证研究，并保障课程资源的充分性与教师培训的适切性，从多个方面推进高质量中小学人工智能课程体系建设。参考文献[1]刘三女牙，黄涛．人工智能与基础教育大数据应用[M]．武汉：华中师范大学出版社，2019：4．[2][9][10]UNESCO．K-12AIcurricula：amappingofgovernment-endorsedAIcurricula[EB/OL]．（2022-02-16）[2022-04-07]．https://unesdoc.unesco.org/ark:/48223/pf0000380602．[3]UNESCO．AIandeducation：guidanceforpolicy-makers[EB/OL]．（2021-04-09）[2022-04-11]．https://unesdoc.UNESCO.org/ark:/48223/pf00003767091=null&queryId=ffc7e26a-af07-4dbc-a7ef-c33f90908709．[4]UNESCO．Sustainabledevelopmentgoal4anditstargets[EB/OL]．[2022-04-13]．https://zh.UNESCO.org/education2030-sdg4/targets．[5]孙进，等．全球教育治理：国际组织、民族国家与非国家行为体的互动[M]．北京：人民出版社，2020：119．[6]UNESCO．BeijingconsensusonartificialintelligenceandEducation[EB/OL]．（2019-05-18）[2022-04-12]．https://unesdoc.UNESCO.org/ark:/48223/pf0000368303．[7]UNESCO．Artificialintelligenceandthefuturesoflearning[EB/OL]．[2022-04-11]．https://en.UNESCO.org/themes/ict-education/ai-futures-learning．[8]安东尼·塞尔登，奥拉迪梅吉·阿比多耶．第四次教育革命：人工智能如何改变教育[M]．北京：机械工业出版社，2019：160．[11]余胜泉．人工智能+教育蓝皮书[M]．北京：北京师范大学出版社，2020：227．作者简介：王建梁，华中师范大学教育学院教授、华中师范大学国家教育治理研究院研究员；栗嘉敏，华中师范大学教育学院硕士研究生来源：《世界教育信息》2022年第6期汇聚行业政策动向及前沿趋势微信号｜ictedu官网网址｜www.ict.edu.cn特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice:Thecontentabove(includingthepicturesandvideosifany)isuploadedandpostedbyauserofNetEaseHao,whichisasocialmediaplatformandonlyprovidesinformationstorageservices.
/阅读下一篇/返回网易首页下载网易新闻客户端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。