《人工智能基础》课程教学大纲
《人工智能基础》课程教学大纲
一、课程基本信息
英文名称
ArtificialIntelligenceBasic
课程代码
BEEE3702
课程性质
专业选修课程
授课对象
能源与动力工程等专业
学 分
1.5
学 时
36
主讲教师
陶永明
修订日期
2021年2月18日
指定教材
讲义
二、课程目标
（一）总体目标：
《人工智能基础》是一门能源与动力工程类专业选修课程。课程的总体目标是旨在帮助学生掌握人工智能的基本原理和相关技术，拓展知识和技能范围，为利用人工智能技术解决能源与动力工程领域中的问题打好基础，增强学生自主学习和终身学习的意识，增强其不断学习和适应发展的能力。
（二）课程目标：
课程目标1：帮助学生掌握人工智能的基本原理。
1.1帮助学生掌握人工神经网络的基本原理。
1.2帮助学生掌握深度学习正则化的原理。
1.3帮助学生掌握深度学习优化的原理。
1.4帮助学生掌握卷积神经网络、循环神经网络和生成对抗网络的架构和工作原理。
1.5帮助学生了解大语言模型的基本原理和架构。
课程目标2：帮助学生掌握人工智能的相关技术。
2.1帮助学生学会Keras的安装和使用方法。
2.2帮助学生掌握数据获取与处理的方法。
2.3帮助学生用Keras搭建各种神经网络模型，掌握模型的训练、评估和使用方法。
（三）课程目标与毕业要求、课程内容的对应关系
表1：课程目标与课程内容、毕业要求的对应关系表
课程目标
课程子目标
对应课程内容
对应毕业要求
课程目标1
1.1
第二章
毕业要求12
1.2
第四章
毕业要求12
1.3
第五章
毕业要求12
1.4
第六章、第七章、第九章
毕业要求12
1.5
第十章
毕业要求12
课程目标2
2.1
第三章
毕业要求6
2.2
第八章
毕业要求6
2.3
第六章、第七章、第九章
毕业要求6
三、教学内容
第一章绪论
1.教学目标
（1）了解人工智能和深度学习技术的发展过程。
（2）理解人工智能、机器学习和深度学习之间的关系。
（3）掌握Anaconda的安装方法。
（4）掌握AnacondaNavigator、AnacondaPrompt和JupyterNotebook的使用方法。
2.教学重难点
（1）掌握Anaconda的安装方法
（2）掌握AnacondaPrompt和JupyterNotebook的使用方法
3.教学内容
第一节人工智能、机器学习和深度学习
一、人工智能和深度学习技术的发展过程
二、人工智能、机器学习和深度学习之间的关系
第二节编程环境
一、Anaconda的安装
二、使用AnacondaNavigator
三、使用AnacondaPrompt
四、使用JupyterNotebook
4.教学方法
讲授与演示相结合：讲授过程中演示AnacondaPrompt和JupyterNotebook的使用方法。
5.教学评价
思考题：
（1）简述人工智能和深度学习技术的发展过程。
（2）请描述人工智能、机器学习和深度学习之间的关系。
（3）使用JupyterNotebook有哪些好处？
第二章人工神经网络基础
1.教学目标
（1）掌握感知器、sigmoid分类器、softmax分离器、多层感知器的模型架构和工作原理。
（2）读懂感知器、sigmoid分类器、softmax分离器、多层感知器的实现代码。
（3）了解深度神经网络的基本知识。
（4）掌握利用人工神经网络解决回归问题的原理和代码实现。
2.教学重难点
（1）掌握梯度下降法进行机器学习的原理。
（2）理解各种模型性能指标。
（3）理解模型的输入和输出。
3.教学内容
第一节感知器
一、感知器的原理
二、Python实现
三、模型的性能度量
四、监督学习和无监督学习
第二节sigmoid分类器
一、sigmoid分类器的原理
二、Python实现
第三节softmax多分类器
一、softmax多分类器的原理
二、Python代码实现
三、softmax多分类器用于二分类
第四节多层感知器
一、多层感知器的原理
二、用多层感知器解决异或问题的Python实现
第五节深度神经网络
深度神经网络的优化初探
深度神经网络的设计
定义模型的基准性能
第六节回归
回归问题与分类问题的异同
用于回归的损失函数
用回归模型预测门店销售额
4.教学方法
讲授与演示相结合：讲授过程中演示各种神经网络的代码实现和运行情况。
5.教学评价
思考题：
说说人工神经网络中的神经元、权重参数、激活函数的作用分别是什么？
人工神经网络的输入层、隐藏层和输出层分别指什么？
什么是阶跃函数、sigmoid函数、softmax函数？能否写出其导函数的形式？
什么是交叉熵损失函数？
机器学习的本质是什么？梯度下降法的工作原理是什么？
什么是有监督学习？什么是无监督学习？
什么是模型的基准性能？如何度量一个模型的性能水平？
二分类与多分类的区别有哪些？
什么是浅层神经网络？什么是深层神经网络？
回归问题与分类问题的有什么异同？
第三章深度学习Python框架
1.教学目标
（1）了解使用框架的优缺点。
（2）了解深度学习框架的分类方法及流行的各种框架。
（3）掌握Keras框架的安装和使用方法。
2.教学重难点
（1）Keras的安装。
（2）keras的使用。
3.教学内容
第一节为什么要使用框架
框架的优点
框架的缺点
第二节探索流行的深度学习框架
一、低级深度学习框架
二、高级深度学习框架
第三节Keras框架
keras概述
安装Keras
使用keras
第四节keras框架应用示例
例1
例2
4.教学方法
讲授与演示相结合：讲授过程中演示Keras的使用方法。
5.教学评价
思考题：
（1）说说使用框架的优缺点。
（2）有哪些流行的低级深度学习框架？有哪些流行的高级深度学习框架？
（3）如何安装Keras框架？
（4）如何使用Keras框架进行机器学习？
第四章深度学习正则化
1.教学目标
（1）理解深度学习正则化的目的。
（2）掌握各种正则化方法的原理。
（3）掌握在Keras中实现各种正则化方法。
2.教学重难点
（1）掌握各种正则化方法的原理。
（2）掌握在Keras中实现各种正则化方法。
3.教学内容
第一节参数范数惩罚
一、参数范数惩罚正则化的原理
二、参数范数惩罚正则化在keras中的实现方法
第二节稀疏表征
一、稀疏表征的原理
二、稀疏表征在keras中的实现方法
第三节数据扩充与注入噪声
数据扩充
注入噪声
第四节早停
一、早停的原理
二、Keras中设置早停的方法
第五节dropout
dropout的原理
在Keras中实现dropout
4.教学方法
讲授法
5.教学评价
思考题：
（1）什么是参数范数惩罚正则化？如何在keras中实现参数范数惩罚正则化？
（2）什么是稀疏表征？在keras中如何实现稀疏表征？
（3）数据扩充的目的是什么？如何对图片数据进行增强？
（4）为什么要往数据中注入噪声？如何实现噪声注入？
（5）模型训练时为什么要早停？Keras中如何设置早停？
（6）什么是dropout？如何在Keras中实现dropout？
第五章深度学习的优化
1.教学目标
（1）理解神经网络优化面临的各种困难和挑战。
（2）掌握各种常用的优化方法的原理。
（3）掌握Keras中常用的优化器的设置和使用方法。
（4）了解各种参数初始化策略以及Keras中内置的初始化器。
（5）理解批量归一化的原理。
（6）掌握Keras中BatchNormalization层的用法。
2.教学重难点
（1）理解神经网络优化面临的各种困难和挑战。
（2）理解各种优化方法和参数初始化策略以及批量归一化的原理。
（3）掌握Keras中优化器、初始化策略和批量归一化的用法
3.教学内容
第一节神经网络优化困难和挑战
局部最优
鞍点
梯度悬崖
梯度消失
梯度爆炸
梯度不精确
优化理论的局限性
第二节动量学习法
一、LearningRateScheduler
二、ReduceLROnPlateau
三、动量学习法的原理、
四、Keras的SGD优化器
第三节AdaGrad
一、AdaGrad的原理
二、Keras中AdaGrad的使用
第四节RMSProp
RMSprop的原理
Keras中RMSprop的用法
第五节Adam
Adam的原理
Keras中Adam的用法
Adam的优点
第六节keras中优化器的使用
Optimizer中优化器的调用
优化器中的公共参数
第七节参数初始化策略
一、参数初始化策略
二、Keras内置的初始化器
第八节批量归一化
批量归一化的原理
Keras的BatchNormalization层
4.教学方法
讲授法
5.教学评价
思考题：
（1）请解释以下概念：1.局部最优2.鞍点3.梯度悬崖4.梯度消失和梯度爆炸5.梯度不精确
（2）动量学习法的原理是什么？
（3）请解释以下优化器中的主要参数的意义：1.SGD2. AdaGrad3.RMSProp4.Adam
（4）各种优化器中的公共参数有哪些？
（5）什么是人工神经网络的参数初始化？参数初始化有哪些策略？在Keras中如何实现？
（6）批量归一化的目的是什么？Keras中如何实现批量归一化？
第六章卷积神经网络
1.教学目标
（1）理解卷积和池化的原理。
（2）掌握keras中搭建CNN网络的方法。
（3）理解ResNet和DenseNet的架构。
2.教学重难点
（1）理解卷积的原理。
（2）掌握keras中搭建CNN网络的方法。
（3）理解ResNet的架构。
3.教学内容
第一节卷积
卷积的概念
卷积的意义
多核卷积
跨步卷积
零填充
非共享卷积
第二节池化
同通道池化可以获得平移不变性
跨通道池化可以获得旋转不变性
第三节用keras搭建CNN网络
一、Conv2D函数
二、MaxPooling2D函数
第四节深度残差网络ResNet
深度残差网络的原理
ResNet的实例代码分析
第五节DenseNet
一、DenseNet的原理
二、DenseNet的代码分析
第六节其它卷积
其它卷积简介
代码实例分析——SpeakerRecognition
4.教学方法
讲授与演示相结合：讲授过程中演示卷积神经网络模型的搭建、训练和评估。
5.教学评价
思考题：
（1）为什么要采用卷积和池化？
（2）什么是多核卷积？什么是跨步卷积？
（3）什么是零填充？
（4）如何用keras搭建CNN网络？
（5）为什么要采用深度残差网络？
第七章循环神经网络
1.教学目标
（1）掌握循环神经网络的基本结构和变种。
（2）掌握LSTM和GRU的原理。
（3）掌握在Keras中实现LSTM和GRU的方法。
2.教学重难点
（1）掌握LSTM的原理。
（2）掌握在Keras中实现LSTM的方法。
3.教学内容
第一节循环神经网络的基本结构
一、循环神经元按空间维度展开
二、循环神经元按时间维度展开
三、循环网络训练
第二节基本循环神经网络的几个变种
双向循环网络结构
二、编码-解码网络结构
三、深度循环网络
第三节门控循环神经网络
LSTM
二、GRU
第四节RNN的keras实现
一、LSTM的keras实现
二、GRU的keras实现
第五节案例
案例1
二、案例2
4.教学方法
讲授与演示相结合：讲授过程中演示循环神经网络模型的搭建、训练和评估。
5.教学评价
思考题：
（1）循环神经网络与前馈什么网络有什么不同？
（2）循环神经网络在空间结构上一定是深层神经网络吗？
（3）什么是timestep？它与序列有什么关系？
（4）编码-解码网络结构可以用来处理什么样的问题？
（5）LSTM的特点是什么？含有哪些门？
第八章数据获取与处理
1.教学目标
（1）掌握数据获取的途径和方法。
（2）掌握数据清洗和预处理的方法。
2.教学重难点
（1）编写爬虫爬取数据。
（2）掌握各种数据清洗和预处理的方法。
3.教学内容
第一节数据的重要性
一、数据的重要性
第二节现成的数据集
一、经典图片数据集
二、自然语言数据集
三、声音数据集
四、财经数据集
第三节数据爬取
浏览器获取网页信息的原理
二、用requests+BeautifulSoup爬取网页信息
三、用selenium对动态加载内容的进行爬取
四、信息的保存
第四节其它数据获取方法
用random生成虚拟数据集
二、系统采集数据
问卷调查
第五节数据清洗
一、数据清洗目的及工具
二、缺失值处理
三、去重处理
四、异常值处理
第六节数据预处理
创建特征
二、分类特征数值化
三、布尔型特征的转化
四、数据标准化
第七节文本数值化
one-hot编码
二、word2vec
三、GloVe
第八节声音数据预处理
声音数据预处理
二、MusicEmbedding
第九节数据集划分和数据的调整
一、数据集划分
二、数据的调整
4.教学方法
讲授与演示相结合：讲授过程中演示如何进行数据爬取、清洗和预处理。
5.教学评价
思考题：
为什么说数据很重要？
说说用爬虫爬取数据的原理和方法。
如何用random生成虚拟数据集？
为什么要进行数据清洗？如何清洗？
如何根据时间数据创建更多特征？
如何将分类特征和布尔特征数值化？
为什么要进行数据标准化处理？如何处理？
文本数值化方法有哪些？word2vec的原理是什么？
声音数据预处理主要包括哪些方面？
为什么要进行数据集划分？如何划分？
第九章生成对抗网络
1.教学目标
（1）掌握原始的生成对抗网络的基本原理和代码实现。
（2）掌握DCGAN的原理和代码实现。
（3）掌握InfoGAN的原理和代码实现
2.教学重难点
（1）掌握原始的生成对抗网络的基本原理和代码实现。
3.教学内容
第一节GAN
生成对抗网络的基本原理
二、AI手写阿拉伯数字的代码实现
第二节DCGAN
一、DCGAN的原理
二、DCGAN实例代码分析
第三节分离表示GAN
一、InfoGAN原理
二、InfoGAN的实例代码分析
4.教学方法
讲授与演示相结合：讲授过程中演示几种GAN网络的搭建和训练。
5.教学评价
思考题：
（1）什么是GAN？GAN是如何实现AI写字的？
（2）DCGAN有什么特点？
（3）什么是分离表示GAN？InfoGAN如何实现？
第十章大语言模型
1.教学目标
（1）理解大语言模型的基本原理。
（2）了解Bert的特点。
（3）了解GPT的特点。
2.教学重难点
（1）Attention和Transformer的原理与实现。
（2）Bert和GPT的架构。
3.教学内容
第一节机器翻译和Attention
一、基本的RNNEncoder-Decoder模型
二、带Attention的RNNEncoder-Decoder模型
第二节Transformer
一、Transformer的架构
二、Transformer的实现
第三节Bert
一、Bert的架构
二、Bert的用法
第四节GPT和ChatGPT
一、GPT的架构
二、ChatGPT
4.教学方法
讲授法。
5.教学评价
思考题：
（1）什么是大语言模型？
（2）什么是Attention？什么是self-attention？什么是multi-headattention？
（3）什么是Transformer？
（4）Bert和GPT有什么异同？
（5）ChatGPT与GPT是什么关系？
四、学时分配
表2：各章节的具体内容和学时分配表
章节
章节内容
学时分配
第一章
绪论
2
第二章
人工神经网络基础
8
第三章
深度学习Python框架
4
第四章
深度学习正则化
2
第五章
深度学习的优化
3
第六章
卷积神经网络
3
第七章
循环神经网络
2
第八章
数据获取与处理
6
第九章
生成对抗网络
2
第十章
大语言模型
4
总计
36
五、教学进度
表3：教学进度表
周次
日期
章节名称
内容提要
授课时数
作业及要求
备注
1
第一章绪论
第一节人工智能、机器学习和深度学习
第二节编程环境
2
完成本章思考题
2-5
第二章人工神经网络基础
第一节感知器
第二节sigmoid分类器
第三节softmax分类器
第四节多层感知器
第五节回归
第六节深层神经网络
8
完成本章思考题
6-7
第三章 深度学习Python框架
为什么要使用框架
第二节探索流行的深度学习框架
第三节Keras框架
4
完成本章思考题
8
第四章 深度学习正则化
第一节参数范数惩罚
稀疏表征
数据扩充与注入噪声
早停
Dropout
2
完成本章思考题
9-10
第五章深度学习的优化
第一节神经网络优化困难和挑战
第二节动量学习法
第三节AdaGrad
第四节RMSProp
第五节Adam
keras中优化器的使用
参数初始化策略
批量归一化
3
完成本章思考题
10-11
第六章卷积神经网络
第一节卷积
第二节池化
第三节用keras搭建CNN网络
第四节深度残差网络ResNet
第五节DenseNet
第六节其它卷积
3
完成本章思考题
12
第七章循环神经网络
第一节循环神经网络的基本结构
第二节基本循环神经网络的几个变种
第三节门控循环神经网络
第四节RNN的keras实现
第五节案例
2
完成本章思考题
13-15
第八章数据获取与处理
第一节数据的重要性
第二节现成的数据集
第三节数据爬取
第四节其它数据获取方法
第五节数据清洗
第六节数据预处理
第七节文本数值化
第八节声音数据预处理
第九节数据集划分和数据的调整
6
完成本章思考题
16
第九章生成对抗网络
第一节GAN
第二节DCGAN
第三节分离表示GAN
2
完成本章思考题
17-18
第十章大语言模型
第一节机器翻译和Attention
第二节Transformer
第三节Bert
第四节GPT和ChatGPT
4
完成本章思考题
六、教材及参考书目
1.郑敦庄、胡承志.TensorFlow+Keras深度学习算法原理与编程实践.北京：电子工业出版设，2020
2.（日）巣笼悠辅.深度学习：Java语言实现.北京：机械工业出版社，2017
何福贵.Python深度学习逻辑、算法与编程实战.北京：机械工业出版社，2020
3.（印）乔·穆拉伊尔.Keras深度神经网络.北京：清华大学出版社，2020
4.杨云,杜飞.深度学习实战.北京：清华大学出版社，2018.
5.（印度）雅兰·萨纳卡.Python自然语言处理.北京：机械工业出版社，2018
6、(美)JoshKalin.实战GAN.电子工业出版社，2019
7、(韩)金兑映.keras深度学习基于Python.北京：人民邮电出版社，2020
8、（菲）罗韦尔·阿蒂恩扎.keras高级深度学习.北京：机械工业出版社，2020
9、(意)安东尼奥·古利,(印)苏伊特·帕尔.Keras深度学习实战.北京：人民邮电出版社，2018
七、教学方法
1．讲授法：通过讲授本课程的内容，帮助学生掌握人工智能的基本原理和相关技术，拓展知识和技能范围，为利用人工智能技术解决能源与动力工程领域中的问题打好基础，增强学生自主学习和终身学习的意识，增强其不断学习和适应发展的能力。
2．演示法：通过实例代码的运行演示，帮助学生更好地理解和掌握人工智能的基本原理和实现方法。
八、考核方式及评定方法
（一）课程考核与课程目标的对应关系
表4：课程考核与课程目标的对应关系表
课程目标
考核要点
考核方式
课程目标1
人工神经网络的原理和各种架构
笔试或口试
课程目标2
模型的搭建、训练、评估和使用
软件作品
（二）评定方法
1．评定方法
2．课程目标的考核占比与达成度分析
表5：课程目标的考核占比与达成度分析表
考核占比
课程目标
平时
期中
期末
总评达成度
课程目标1
0.2
0.3
0.5
1
课程目标2
1
0
0
（三）评分标准
课程
目标
评分标准
90-100
80-89
70-79
60-69
＜60
优
良
中
合格
不合格
A
B
C
D
F
课程
目标1
全面掌握人工智能的基本原理
较好掌握人工智能的基本原理
基本掌握人工智能的基本原理
大体掌握人工智能的基本原理
不能掌握人工智能的基本原理
课程
目标2
全面掌握人工智能的相关技术
较好掌握人工智能的相关技术
基本掌握人工智能的相关技术
大体掌握人工智能的相关技术
不能掌握人工智能的相关技术
《Python语言基础》课程教学大纲
《Python语言基础》课程教学大纲
课程名称：Python语言基础 课程类别：专业选修课
适用专业：电子信息工程 考核方式：考查
总学时、学分：32学时1.5学分
其中讲授16学时，实验10学时，其他6学时
一、课程性质、教学目标使学生在全面了解Python技术历史、现状与发展趋势的基础上，系统掌握Python基本概念、编程思想以及程序设计技术，具备熟练的Python编程技能和面向对象软件设计技术思想，完成本课程的学习后能够熟练地综合应用Python技术和面向对象的思想编写程序解决现实生活中的问题，最终提高程序设计水平和计算机应用能力，从而能胜任企业软件研发以及科研院所的研发、教学任务。具体课程教学目标为：
课程教学目标1：掌握脚本语言程序设计的基本知识，掌握程序设计的基本方法，掌握程序设计的基本理论、方法和应用，掌握高级程序设计国家标准的有关基本规定，会查阅有关国家标准和手册，养成严格遵守和执行有关国家标准的各项规定的良好习惯。
课程教学目标2：能够使用Python解决实际应用问题。培养学生计算思维能力、创新能力和发现问题、分析问题和解决问题的能力。
课程教学目标3：能够较正确而熟练地使用Python进行程序的设计；能够识读和编写较复杂程度的程序；
课程教学目标与毕业要求对应的矩阵关系
教学目标
毕业要求
1
2
3
4
5
6
7
8
教学目标1
L
L
M
M
L
L
教学目标2
L
L
L
M
M
H
M
H
教学目标3
H
H
H
M
H
M
二、课程教学要求理解Python的编程模式，熟练运用Python列表、元组、字典、集合等基本数据类型以及相关列表推导式、切片等特性来解决实际问题，熟练掌握Python分支结构、循环结构、函数设计以及类的设计与使用，熟练使用正则表达式处理字符串，同时掌握不同领域的Python扩展模块，并能够解决实际问题。
三、先修课程计算机基础与应用。
四、课程教学重、难点教学重点：
文本文件的基本操作、二进制文件操作、文件操作和目录操作、网络程序设计、多线程编程。
教学难点：
类的定义与使用、类的方法和属性、异常处理结构与程序调试、GUI编程。
五、课程教学方法与教学手段课堂教学为主，计算机仿真实验为辅。
六、课程教学内容第一章Python的安装与使用（2学时）
1.教学内容
（1）Python版本选择与安装；
（2）Python的对象类型；
（3）常用内置对象。
2.重、难点提示
（1） 重点是Pathon中对象的表达与操作、代码的编写规范；
（2） 难点是常用指令与常用函数的使用。
第二章Python数据结构（4学时）
1.教学内容
（1）列表；
（2）元祖；
（3）字典；
（4）集合及其他数据结构。
2.重、难点提示
（1）重点是Python中的常见数据结构及其使用差异；
（2）难点是Python运算符的多重含义。
第三章选择与循环（4学时）
1.教学内容
（1）条件表达式；
（2）选择结构；
（3）循环结构；
（4）break和continue语句。
2.重、难点提示
（1）重点是Python的关系运算符和条件表达式；
（2）难点是break和continue的使用。
第四章函数的设计与使用（3学时）
1.教学内容
（1）函数定义；
（2）形参与实参；
（3）参数类型；
（4）变量作用域。
2.重、难点提示
（1）重点是默认值参数，关键参数，可变长度参数，参数传递时的序列解包；
（2）难点是关键参数与参数传递、return语句的使用。
第五章面向对象程序设计（3学时）
1.教学内容
（1）类的定义与使用；
（2）类的方法分类与访问；
（3）常用的特殊方法；
（4）继承机制。
2.重、难点提示
（1）重点是类的定义与使用、类成员的访问与类的继承；
（2）难点是属性的定义与使用、Python对象的可变性。
七、实验教学内容实验项目(一)（2.5学时）温度转换程序
（1）项目类别：必做R 选做□
（2）项目性质：演示性□ 验证性□ 设计性R 综合性□
（3）项目主要目的要求：
掌握Python语言开发环境和运行环境配制方法；掌握解决计算问题的一般方法；掌握Python语言的基本语法，包括缩进、变量命名等；掌握Python语言绘制图形的一般方法；了解Python标准库的导入和使用。
（4）主要仪器：
计算机、Pycharm软件等。
实验项目(二)（2.5学时）科赫曲线绘制
（1）项目类别：必做R 选做□
（2）项目性质：演示性□ 验证性□ 设计性R 综合性□
（3）项目主要目的要求：
掌握函数的定义和调用方法；理解函数的参数传递过程以及变量的作用范围；了解lambda函数；掌握时间日期标准库的使用；理解函数递归的定义和使用方法。
（4）主要仪器：
计算机、Pycharm软件等。
实验项目(三)（2.5学时）基本统计值计算
（1）项目类别：必做R 选做□
（2）项目性质：演示性□ 验证性□ 设计性R 综合性□
（3）项目主要目的要求：
了解3类基本组合数据类型；理解列表概念并掌握Python中的列表使用；理解字典概念并掌握Python中的字典使用；运用列表管理采集的信息，构建数据结构；运用字典处理复杂的数据信息；运用组合数据结构进行文本词频统计。
（4）主要仪器：
计算机、Pycharm软件等。
实验项目(四)（2.5学时）体育竞技分析
（1）项目类别：必做R 选做□
（2）项目性质：演示性□ 验证性□ 设计性□ 综合性R
（3）项目主要目的要求：
了解计算思维的概念；掌握自顶向下的设计方法；掌握自底向上的执行过程；了解计算生态和模块编程思想；掌握Python第三方库的安装方法；掌握Python源文件的打包方法。
（4）主要仪器：
计算机、Pycharm软件等。
八、学时分配章目
教学内容
教学环节
理论教学学时
实验教学学时
其它
一
Python的安装与使用
2
0
0
二
Python数据结构
4
2.5
1.5
三
选择与循环
4
2.5
1.5
四
函数的设计与使用
3
2.5
1.5
五
面向对象程序设计
3
2.5
1.5
总计
16
10
6
九、课程考核方式1.考核方式：
笔试；开卷
2.成绩构成
期末成绩+平时成绩
十、选用教材和参考书目[1]《Python核心编程》（第三版）（英文版），WesleyChun著，人民邮电版社，2016年；
[2]《Python基础教程》（第二版），MagnusLieHetland著，人民邮电出版社，2014年；
[3]《Python学习手册》（第四版），MarkLutz著，机械工业出版社，2011年；
[4]《Python语言程序设计》，Y.DanielLiang著，机械工业出版社，2015年；
[5]《Python编程》，埃里克著，人民邮电出版社，2016年；
[6]《Python语言程序设计基础（第二版）》，嵩天，礼欣，黄天羽著，高等教育出版社，2017年。