智能计算平台应用程序开发（高级）课程大纲

“智能计算平台应用程序开发（高级）”课程大纲1.课程大纲中文: 智能计算平台应用程序开发（高级）课程名称英语: 智能计算平台课程代码应用程序开发（高级）课程学分4学时96小时，理论64小时，实践32小时课程类别通识教育: 基础课程核心课程通识课程开发课程教育: 基础课程核心课程开发课程计算机科学与技术，数据科学课程自然必修，选修和大数据技术，软件工程，适用的智能科学技术，人工智能，人工智能技术服务，网络工程和其他操作系统原理，原理，大数据采集系统原理，大数据存储原理和应用程序，软件测试原理，Pyt hon机器学习原理，人工智能实习，实习，毕业理论先修课程后续课程可以项目开发与管理，深度学习原理与应用，文学与自然语言处理原理与应用，图像处理原理与应用，语音识别原理与应用第一学期开学第二学期第二学期第三学期第四学期第五学期教学方法面对面实验练习网络研讨会其他_______学期6√2.课程定位与其他学生的IDE集成开发环境的部署，管理，故障诊断处理，高级数据处理和分析，人工智能应用产品开发和测试功能.

通过学习本课程，您可以完成IDE集成开发环境的部署，管理，故障诊断处理，数据的高级处理和分析，人工智能应用产品开发和测试的任务. 本课程针对企业需求. 通过与华为等世界一流主流企业建立紧密合作，将公司的教育资源整合到教学系统中，以确保学生学习最先进，最实用的人工智能技术. 完成本课程后，学生可以参加智能计算平台应用程序开发1 + X认证考试，这为将来的工作奠定了坚实的基础. 3.教学目标（1）知识目标1.掌握IDE集成软件开发环境的配置目的和过程； 2.掌握系统管理的主要工作内容和方法； 3.掌握问题管理和重大事件管理的工作流程和方法； 4.掌握通用数据存储解决方案； 5.掌握分布式集群和分布式文件系统的概念和配置过程； 6.掌握数据预处理和特征工程的概念，步骤和过程； 7.掌握灾难恢复备份的概念和通用解决方案； 8.掌握深度学习，计算机视觉，自然语言处理，语音识别的基本算法； 9.掌握算法优化的原理，方法和工具； 10.掌握人工智能软件开发和测试的过程和方法. （2）能力目标1.具有IDE集成软件开发环境的配置能力； 2.具备系统管理能力； 3.具有问题管理能力和重大事件管理能力； 4.具备数据存储方案的选择和设计能力； 5.能力配置和应用分布式集群和分布式文件系统； 6.可以进行数据预处理和特征工程； 7.可以选择和设计灾难恢复备份解决方案； 8.可以使用深度学习算法来完成自然语言处理，计算机视觉和语音识别的常见任务； 9.能够优化现有算法； 10.能够独立完工智能应用软件的开发和测试.

2（3）质量目标1.培养学生掌握人工智能算法和应用程序的设计，开发和使用能力； 2.培养学生的团队意识，协作意识，表达能力和记录能力； 3.培养学生的责任心和责任感. 严谨细致的工作态度和作风； 4.培养学生的创新意识和创新思维； 5.培养学生的标准意识，操作规范，服务质量，尊重产权和环境保护； 6.培养学生平台管理和数据管理意识，软件工程思想. 4.课程设计本课程以人工智能和智能计算人才的需求为基础，以企业实际的智能计算应用案例为载体，以企业涉及的智能计算平台应用开发技术为核心，以“职业岗位-学习领域-技能知识点”-“实验项目”为主要内容，以实际工作技能和知识为指导，以职业认证为出发点，根据企业的需求，从宏观到微观从简单到困难，从简单到复杂，遵循学生能力训练法，科学设计技能的学习路线和实验项目的基本原则，课程设计是对8章（第1章除影响分析，风险评估，8. 掌握重大事件管理流程开发管理策略，组织和实施计划，预防措施和恢复计划，制定恢复计划和程序，初步测试运维体系 实时计算平台，培训和意识培训，评估和审查，测试，变更管理，保证等. 13第41部分. 分布式和集群概念，包括两个部分: 概述o f集群系统和分布式系统概述1.了解分布式存储系统的基础2.分布式存储，主要是分布式存储的特征这个概念3.分布式简介，包括分布式数据2.了解起源和分布式基本的概念，常见分布式的技术概念和技术体系结构4数据存储体系结构两个部分3.掌握分布式的构建104.分布式的构建和配置示例包括HBase和配置这两个部分的部署和管理4.了解分布式文件系统的特性5.分布式文件系统的特性，包括可伸缩性，可靠性，易用性5.掌握分布式文件系统的结构6.分布式文件系统的构建示例和配置，包括建筑和建筑关于HDFS部署和管理的图示1.数据清理，包括缺失值的通用处理方法，异常值的检测和处理2.数据合并，包括数据堆叠和主键合并处理方法1.熟悉数据清理的通用方法3.数据转换，包括标准化，离散化和唯一性2.了解数据合并的常用方法3种方法3.掌握数据转换的常用方法4.特征选择，包括子集搜索和评估，过滤104.掌握特征选择，包选择的常用方法，嵌入选择和稀疏表. 5.熟悉主流特征降维方法和5种字典学习方法. 6.了解特征构建方法的特征5.降维，包括线性映射，基于核的方法和流形学习. 3.特征构造，包括集合特征构造和变换特征构造. 1.灾难和灾难恢复备份，包括背景和灾难类型1.了解灾难和灾难恢复备份的基本知识. 2.常见的灾难恢复技术，包括同步复制； 2.基于熟悉的灾难恢复技术，多时间片异步远程复制，文件系统异步远程. 3.了解主灾难备份解决方案和过程复制，远程复制主（ LUN）从属交换，不同应用场景下的远程复制多点技术-二级RPO，4.了解主动-主动灾难恢复解决方案和远程复制--应用程序一致性，在网络层完成空间数据备份并还原其应用场景6快照功能，网络层镜像原理，网络层远程恢复4多种5.了解两个中心和三个中心的灾难恢复解决方案及其他解决方案及其应用场景3.常见的灾难恢复解决方案，包括活动和备用灾难恢复，主动-主动能力6.了解本地gh可用性解决方案灾难，两个地方的三个中心，本地高可用性4个解决方案及其应用场景以及灾难恢复和备份解决方案的比较分析7.了解灾难恢复解决方案和备份4. OceanStor灾难恢复备份示例，包括主要的和二级备份灾难与解决方案的区别: 4种用于主动-主动灾难恢复的解决方案，两个位置的三个中心以及高本地可用性. 8.掌握OceanStor灾难恢复和备份解决方案的部署. 1.深度学习开发过程，包括第一代神经网络. 1.了解深度学习的发展历史和网络，第二代神经网络，第三代神经网络3个应用领域深度学习基础知识7分2.熟悉常见的深度学习算法20个算法建模2.深度学习应用领域，包括交通运输，翻译. 3.熟悉计算机艺术，医学，生物信息学，金融，安全，材料类型5流程，教育，农业和制造业4.掌握计算机视觉任务的深度. 3.完全连接的神经网络，包括完全连接的基础知识神经网络度学习方法的概念，多层感知器，BP神经网络，5. 熟悉常见的完全连接的神经网络任务类型的介绍，例如常见的RBF径向基神经网络和完全连接的神经网络的优缺点6.掌握自然语言处理任务. 4.卷积神经网络，包括基础深层概念卷积神经网络的学习方法，LeNet，AlexNet，ZFNet，VGGNet，7. 熟悉语音任务的常见类型GoogleNet，ResNet等. 常见的卷积神经网络8.掌握语音任务的深度学习简介以及优点和优点卷积神经网络的缺点5.递归神经网络，包括递归神经网络的基本概念，门控递归神经网络，长期和短期记忆神经网络，常见递归神经网络的引入，例如深度递归神经网络，双向递归神经网络以及递归神经网络的优缺点6.生成对抗网络，包括生成对抗网络的基本概念，infoGAN，CGAN，DCGAN，WGAN，LSGAN，BEGAN常见的对抗网络简介及其优点世代对抗网络的弊端7.转移学习，包括迁移学习的基本概念，基于样本的迁移，基于特征的迁移，基于模型的迁移，数据分布自适应，条件自适应，联合分布自适应，动态分布自适应，特征选择，子空间学习，深度迁移学习和其他常见的迁移学习算法以及迁移学习的优缺点8.图像分割，包括图像分割定义，基于图论的图像分割，基于像素聚类的图像分割，基于深度语义的图像分割9.图像分类，包括图像分类的定义，基于词袋模型的图像分类，基于深度学习的图像分类10.目标检测，包括两步法，单步法11.目标跟踪，包括目标跟踪定义，生成模型，判别模型12.词向量模型，包括常见的词向量模型word2vec，ELMo，OpenAI GPT，BERT13. 信息抽取，包括实体识别和抽取，实体歧义消除和关系抽取的3个部分的命名. 14.情感分析，包括情感分析的层次，情感信息抽取和情感分析方法3第15部分. 语义分析，包括词汇层次的语义分析，句子级语义分析16.机器翻译，包括规则方法，语料库方法3，混合方法.

17. 语音识别，包括语音特征提取，声学模型，语言模型，解码技术4部分618. 语音合成，包括规则驱动方法和数据驱动方法1.了解超参数优化的定义1.超参数优化，包括网格搜索，随机搜索； 2. 掌握四种常见的超参数优化，贝叶斯优化，遗传算法的方法； 2. 自动机器学习，包括自动机器学习； 3. 什么是自动机器学习概念，自动学习框架，ModelArts自动学习3、4. 熟悉具有主流自动机器学习框架的人工智能算法8部分框架8的优化3.并行计算，包括并行计算的原理和方法，5.了解并行计算和多GPU的原理并行计算实践3第6部分. 方法4.混合精度训练，包括e混合精度训练的原理7.掌握并行计算的实用方法，方法和应用3第8部分. 了解混合精度训练的原理和方法1. 人工智能软件产品开发概述，包括人工智能软件的概念，组成和特征，软件开发的特征，软件文档3部分2.软件过程模型，包括瀑布模型，增量开发，面向重用的软件工程1.熟悉具有人工智能应用程序软件开发3.开发活动，包括软件描述，软件设计和开发过程模型实现，软件有效性验证，软件演化4个部分2.熟悉边缘计算的定义和应用4.边缘计算简介，包括边缘计算的定义，应用领域的原因，关键技术，应用场景4第3部分. 熟悉智能边缘平台的功能先进的人工智能5.智能驾驶边缘计算的示例，包括智能驾驶和应用阳离子场景94应用软件开发，智能驾驶简介边缘计算场景的两个部分4.熟悉智能驾驶中的边缘仪表6.智能边缘平台，包括平台介绍，功能计算场景，应用场景3 5.掌握成本人工智能产品7.成本测试，包括样本开销时间开销，存储测试和安全性测试存储开销3部分6.熟悉人工智能产品的自动化8.安全性测试，包括L-BFGS，FGSM，化学测试JSMA， Deepfool，DE，MalGAN 6种对策样本生成技术9.自动化测试，包括测试数据生成和测试用例生成两部分，共64（两个）实验教学编号12实验名称图像数据存储和管理实时推荐系统实验要求真实产品1.可以掌握使用HBase Shell的常用方法2. 能够掌握使用Java操作HBase的方法. 3.能够掌握处理图像数据的HBase API的序列化方法. 1.将业务需求转化为能够进行定量分析的指标. 2.根据需求确定收集数据的字段和内容. 数据分析指标3.根据要收集的数据类型选择数据收集工具，数据缓存方案和实时数据处理工具. 4.收集数据7ѧʱ665. 数据缓存6.实时流数据处理7 . 统计指标的存储8.查看基于主成分分析的数据处理结果31.可以掌握主成分分析（PCA）的计算方法并使用代码来实现2图像压缩1.可以理解数据处理和特征工程的重要性4客户评论数据处理42.可以稳定数据预处理和功能工程的常用方法1.可以掌握华为云一站式Mo的使用delArts和对象存储服务OBS服务零售产品实时推荐服务54系统实践2.可以完成基于协作过滤的商品推荐系统3.可以完工智能的基础项目1.可以掌握汉英的主要流程基于Keras中英文翻译的项目2.可以理解seq2seq的概念和结构66翻译3.可以理解文本的预处理方法4.可以理解一键编码的重要作用1.可以理解迁移学习的意义使用迁移学习2.可以掌握如何使用Pytorch实现迁移学习74癌症预测3.可以了解学习率对于模型训练的重要性4.可以掌握将原始数据转换为Pytorch中的数据集. 总小时数为32. 评估方法本课程采用形成性评估方法，重点是在智能计算平台上测试学生的应用程序开发知识和技能.

评估的每个部分所占的比例如下: 1.课堂学习占50％（包括通常的成绩，定期考试成绩和课程设计成绩）. 其中: （1）出勤率和日常课堂表现: 15％（2）实际培训项目: 15％（4）智能计算平台应用开发技术理论测试: 20％2.实际操作考试占50％，主要评估学生智能化综合能力的计算平台应用开发技术. 3.鼓励学生参加1 + X认证考试，并通过考试的总分加15分. 8

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-279459-1.html