人工智能是目前信息领域科技生长最重要的偏向之一，而机械学习则是人工智能领域的焦点问题，其内容涉及人工智能理论、要领和实现的方方面面，起到了相同理论与实践、实现人工智能与各专业知识融合的作用，在人工智能学科建设中具有不行或缺的职位。

    信息与通信工程学院师君、潘力立、刘喆、王刚、韦顺军、崔宗勇、孟凡满等几位老师开设的“机械学习”课程，是信息与通信工程学科的专业课。自2016年开课以来，每年都有近600名学生选课。

    课程难度大、课堂人数多，而且学生来自差异的学院，专业配景差异，如何上好这样一门课，让学生学有所获，课程组老师们一直在积极探索。

    几年下来，同学们对这门课的评价很是好：“这门课加深了我对机械学习这一领域的理解，老师讲得很全面，提高了我的专业素养，引发了我对这门学科的兴趣。” “老师授课时思路清晰、语言流畅、重点突出，通过这门课我掌握了机械学习的原理和相应的实践操作，对以后的科研很有资助。”

    好评背后，课程组老师们支付了怎样的心血，他们又有怎样一些独到的经验，让我们一起来看看！

緊跟時代，培養人工智能領軍人才

     2017年，国务院印发了《新一代人工智能生长计划》，指出“人工智能是引领未来的战略性技术，世界主要发达国家把生长人工智能作为提升国家竞争力、维护国家宁静的重大战略，加紧出台计划和政策，围绕焦点技术、顶尖人才、尺度规范等强化部署，力图在新一轮国际科技竞争中掌握主导权”。

     作为人工智能的焦点技术，近年来，海内外许多知名高校都纷纷开设了“机械学习”相关课程。

     我校信通学院的“机械学习”课程由“模式识别”课程演变而来。“模式识别”作为学院的一门传统课程，其主要目的为识别光学信息、声学信息等，偏重于统计理论，涉及到比力传统的识别要领，如线性分类器、非线性神经网络、RBF网络。随着机械学习的快速生长，模式识此外许多内容都被涵盖其中，因此，经学校学院讨论，2016年，两课程合而为一。

     课程名称变化，其中涉及的教学内容、教学目标也随之变化。“模式识别”以识别应用为导向，而“机械学习”则以要领导向，注重应用机械学习的要领来解决问题。因此，课程的重点也发生变化，从传统的识别要领转酿成以机械学习理论和要领教学为主，着重突出课程内容的前沿性、连贯性。课程组老师们希望，通过这门课程，使学生理解机械学习的基本看法、研究要领和前沿动态，掌握机械学习领域的主流设计、分析要领，具备机械学习算法设计、分析能力及开端的实践能力，未来能够生长为人工智能领域的领军人才。

價值引領，引導學生樹立報國情懷

      在课程教学历程中，老师们会把国家的一些相关政策、外洋人工智能的结构等融入其中，使学生了解人工智能生长对国家生长的重要性和紧迫性，树立投身我国人工智能、智能制造事业的志向。

     课程组老师们首先会给学生解读国务院、教育部、科技部以及四川省关于勉励、促进人工智能技术生长的最新的政策文件，让学生了解现在政府对于人工智能的结构和计划，引导学生将自身的生长目标与国家需求相结合，找准从事相关研究的立足点、发力点。

     同时，老师们也会介绍欧美国家的人工智能战略和技术生长情况。客观来说，我国人工智能整体生长水平与发达国家相比仍存在差距，缺少重大原创结果，在基础理论、焦点算法以及要害设备、高端芯片、重大产物与系统、基础质料、元器件、软件与接口等方面差距还比力大。“这更需要我们高昂图强、锐意创新，未来才气在人工智能的要害焦点技术领域作出成电人的孝敬。”师君这样告诉学生。

     人工智能作为一项影响面广的颠覆性技术，它能为经济社会生长带来新的机缘。但同时不行忽视的是，它也会带来新的挑战。在授课历程中，老师们还会引导学生关注科技伦理的问题，高度重视人工智能技术研发历程中可能带来的宁静风险挑战，确保技术的进步能够真正造福社会、造福人类。

直面前沿，不斷叠代課程內容

   “机械学习”所涉及的要领十分庞杂，包罗概率与统计、线性代数、高等数学、矩阵理论、数值最优化、最优化原理、代数几何、变分要领等庞大看法。课程组老师们认为，如果片面追求教学内容的全面性，容易导致课程缺乏连贯性，陈旧要领占用大量教学时间，使学生发生“机械学习”就是本科阶段“模式识别”课程的错误认识，丧失对课程的兴趣；如果过于强调最新进展，则可能导致学生基本看法不清晰，无法跟上老师教学节奏，发生“机械学习过于庞大，我学不会”的认识，对相关知识的普及反而起到负面影响。

     如何来设置课程内容？经过研讨，课程组老师们首先确认了课程思路，那就是要对机械学习知识进行精心的梳理和筛选，为学生揭示其中理论、要领的生长脉络。“我们主要是给学生讲框架、讲看法，就像画画一样，画出树的主干和枝丫，至于树上的叶子，就需要他们自己课后动手去描绘。” 师君说。

     同时，考虑到外洋知名高校该课程起步相对较早，老师们调研了麻省理工学院、宾夕法尼亚大学、斯坦福大学、华盛顿大学等几所学校的相关课程内容，然后对这门课的  课程内容进行了选择和增减。

     作为当下的热门偏向，机械学习理论的更新速度也很快。要让同学们的知识结构跟上前沿！为此，课程组老师们不停学习，实时更新课程内容。好比，针对几年来深度学习技术生长的特点，老师们在课程中增强了深对学习内容的教学：增加了“信息处置惩罚系统结构”的讲述，让学生了解深度学习系统与冯-诺伊曼体系结构的区别、优劣，了解美国DARPA等机构在深度学习方面的生长战略；细化了反向流传算法的推导和物理意义的解说，让学生深刻理解反向流传的意义和实现要领；增加了生成反抗网络、循环神经网络等内容的教学，让学生掌握机械学习最新的生长偏向；增加了Wasserstein距离、t-SNE等目前流行的机械学习相关看法。

    信息与通信工程学院2019级研究生胡耘侨说，“老师在课堂上经常会给我们普及一些机械学习领域最新的技术生长和动向，内容新颖又有深度。在技术生长迅速的今天，我即将进入行业中，难免会发生迷茫的情绪，但通过一学期的学习，我逐渐找到了自己的偏向。”

    除此之外，课程还涉及许多学生难以理解的新看法。对此，老师们在课堂上经常接纳类比的要领，以已学的内容类比庞大内容，便于学生理解。如在教学深度学习时，师君舍弃了直接将上千个神经网络都介绍给学生的要领，转而接纳将神经网络与电路相类比的要领，让学生从其中的异同点学习神经网络。

  “在本科时的电路分析学习中，已知电路是由电源、电阻、电容、导线等元器件通过串联或并联等连接方式搭建成的网络，从而解决模拟、数字信号的问题。神经网络也是一种网络结构，但基本模块为全连接层、卷积层、池化、输入层、激活函数等，且目前神经网络连接方式为全连接、卷积连接、随机连接、延时连接，等同于电路的串联、并联与短路。”他这样一解释，学生马上就明白了！

學用結合，把知識變成學生的技术

     课程组老师们认为，机械学习课程具有很强的实践配景。一方面，课程教学的要领都具有很强的应用需求，另一方面，课程中所涉及的许多结论都来源于实际数据分析而非理论推导。如果片面追求理论教学，而忽略编程实践环节，容易导致学生在实际科研和工程中无法或不敢上手编程，最终导致理论和应用脱节。

     在授课历程中，老师们注重引导学生将理论与实践相结合，把知识酿成自己的科研技术。对此，信息与通信工程学院2019级研究生邹宗佑深有体会。“在‘机械学习’课程中，老师除了教学繁杂的理论知识，更多的是通过解说代码来引发我们对机械学习的兴趣，同时也能加深对理论的理解。好比师老师在解说张量的反向求导机制的时候，直接打开pytorch框架，带我们一步一步看梯度的流传。”

     课程组将目前主流的深度学习开发平台pytorch引入课堂，对pytorch的语言特点、设计思想、运行机制、AutoGrad技术、训练要领等内容进行了详细的解说，并在课堂上演示了pytorch法式的调试要领和注意事项，让学生能够快速上手利用pytorch开发深度学习法式，并提供了多个演示法式供学生学习、参考。

     由于课程知识点较多，因此老师们选择了把实践放在课后。每两三周给学生部署思考题，让学生利用课程所学的知识，自己动手去完成，这个历程就是“给树枝添上树叶”。信息与通信工程学院2020级研究生周怡航说，“在老师每次部署的思考题中，我需要查阅许多文献资料进行了解，这为我了解最前沿的算法与技术打下了坚实的基础。里面涉及到的算法在老师的解说下，我获得了深入的理解，可以将它们直接应用到我的科研课题之中，对我的科研学习发生了很大的资助。”

對于課程的考核，平時的課程作業占比50%，而期末報告也占比50%。對于期末報告的形式，老師們不給學生設限：側重于做學術研究的學生，可以完成課程裏的理論性題目；側重于工程實踐的學生，可以通過Python、Pytorch等編程語言搭建網絡；側重于調研的學生，可以檢索機器學習發展動態。通過差异的作業，來滿足學生對課程差异的需求。

去年，課程組申請並獲批了學校的“基于項目的研究生創新培養計劃”，希望通過設置機器學習項目開發、機器學習與計算機視覺、機器學習與信號處理、機器學習與智能控制等環節，進一步提升學生的實踐能力。

同時，課程組老師們還積極建設了高分辨率SAR檢測與支解數據集，爲後續課程項目建設提供了须要的數據集。最近，他們又忙著在錄制慕課，並開始了小班研討式教學探索事情。致力于培養人工智能領軍人才，他們，一直在路上！