matpool
matpool

矩池云 专注于人工智能领域的云服务商 https://matpool.com/

多学科人工智能教学分享与讨论|智识·致远 高等院校人工智能教学研讨会

面向不同学科的学习需求,课程框架内容搭建、知识体系和实践体系的建设都值得共同讨论。

近日,由北京大学光华管理学院主办、矩池云协办的“智识·致远 高等院校人工智能教学研讨会”在线上召开,会议吸引了约500余名老师、学生和工程师参与。本次研讨会以跨学科人工智能课程教学为背景,讨论不同院校AI课程开设的教学经验和遇到的挑战,拆解与讨论学生进行人工智能课程实践所遇到的难题。

本次研讨会邀请了来自北京大学、复旦大学、中国人民大学、上海财经大学、中央财经大学、矩池云等高校和企业的多位著名教授和专家进行报告。与会嘉宾和观众分享了他们最新的教学实践心得,并与线上观众进行了深入讨论。

本次研讨会首先由北京大学光华管理学院商务统计与经济计量系教授,系主任王汉生进行开场致辞。他认为,大数据和人工智能是国家既定的重要战略,高校老师都希望紧跟战略升级教学内容、为社会培养优秀的人才,但是面向不同学科的学习需求,课程框架内容搭建、知识体系和实践体系的建设都值得共同讨论。中央财经⼤学统计与数学学院副教授潘蕊老师主持了本次研讨会。


研讨会的第一个报告来自复旦大学大数据学院的青年研究员付彦伟老师,他带来的分享主题是“以模块化内容为核⼼实践的深度学习课程教学经历与反思”。

付彦伟老师认为,如果教师仅把教材、流行的深度学习框架、模块进行罗列教学,学生的学习和思考很难得到提升。课程的目标和关键点在于,培养学生以神经网络和深度学习的思想方法、处理并解决实际大数据问题的能力。

因此在课程设计上,他提出了三点课程设计原则:以实际场景出发设计知识模块;着眼于深度学习结构变化中每一个创新模块的设计思路;平衡学术前沿与经典内容的比例,鼓励学生进行前沿技术探索。


第二位演讲嘉宾为巴比特副总裁、矩池云负责人江汉儒先生,他分享的内容是“AI+知识体系与⼯程实践相结合的思考”。

江汉儒指出,AI与各个学科结合的过程中,能为学科注入更多的可能性以及新的思路,但是多学科背景的同学们在实践中会遇到大量的工程实践细节难题。面对工程难题,一方面学生可以系统化学习计算机工程知识,从根本上提升源头设计、实际运行到追踪优化的效率;另一方面则可以在大量工程实践中对效率与结果进行权衡。从平台的角度,则可以针对一些具备特定规律的工程难题进行优化和探索,以构建学习框架为目标,与行业共同打造知识库,最终为产业提供更多的创新力量。


接下来,北京大学光华管理学院应用经济学系翁翕教授,进行了主题为“人工智能与社会经济课程讲授经验分享”的报告。

翁翕老师基于经济学视角,开设人工智能与社会经济学的跨学科课程。翁教授的授课内容涉及人工智能和宏观经济、人工智能和市场设计、人工智能和政府政策等方面,课程目标是协助学生构建对人工智能思考框架。

他认为,课程要跳出传统的知识讲授型课程范畴,课程的展开实际上是老师和同学们共同探索的过程。他同时认为,学生需要更深入地理解技术,才能对行业与技术的结合有更好的理解,在AI技术和社会经济学的内容进行关联讲授方面,仍需进一步探索。


复旦⼤学管理学院王有为教授,分享报告主题是“为应⽤统计硕⼠项目开设深度学习课程的教学经历及反思”。王老师首先谈到,来自多专业的学生汇聚同一课堂,学生背景包含统计学、应用数学、商科金融工程、信息管理、财务管理、工业工程、电气工程等专业。

王老师认为教学要面向实践,在教学内容设置上一半内容为深度学习,一半为并行计算。王有为老师对课程构建进行了几点反思,理论和实践的结合,深度和广度的平衡,小组作业内容设计即要贴合课程讲授内容又要有所延展,小组作业与个人作业的比例,这四点在课程设计中要根据学生的情况不断进行调整。


中国⼈民⼤学统计学院副教授周静老师,对自己在教学中“案例驱动的深度学习课程建设经验”进行了分享。

周静老师介绍了在中国人民大学统计学院开设AI课程的经验,课程侧重实践部分,有50%的时间需要上机练习,学生也着实体会到跑深度学习模型时debug和调参的难度和重要度;作业以案例为背景,作业评分兼顾学生自主训练模型的训练精度,以及学生对案例问题的思考深度,以加强和实际问题的联结为考察的最终目的。

周静老师将教学理念总结为三点:一、以高度复杂的非线性回归分析方法切入介绍深度学习,消除学生陌生感;二、给学生树立正确的期待,不要过度依赖深度学习;三、课程基于案例,消除学生对深度学习的恐惧感。


上海财经大学统计与管理学院副教授邱怡轩老师,从统计计算的角度对深度学习教与学进行了讨论。

邱老师在教学中意识到,深度学习方法理论与实践之间的跨度非常大,很多学生对模型核心思想的掌握程度较高,但在实践动手时会遇到各类阻碍,尤其是想要实现的模型尚未有封装好的程序时。

邱老师从几个统计计算实例切入,展示了从公式到实践过程中,学生所需要掌握的数据结构和计算方法,指出这类知识点是散落在实践过程中的。他认为在了解了这些统计计算的原理之后,学生能在解决新问题时更加游刃有余。


上海财经大学统计与管理学院副教授周帆老师所进行的分享是“面向应用统计专硕的人工智能课程的建设与经验总结”。

周帆老师首先指出,专硕同学的学习目标更为明确,因此在课程建设中做了两点调整,一是将增加生成对抗网络、图像、自然语音处理、强化学习等理论在业界当中的应用和落地案例,这将更易于学生了解自己未来从事的工作方向;二是针对不同的专业介绍数据结构和类型,这可充分加强学生面对开放的问题的解决能力。

周老师同时提出,应当思考使面向统计学的人工智能课程更具有统计学特色,如何在课程面向应用的适应性与特色上的取舍,这些都值得在课程开设过程中进一步探索。


最后,来自北京大学光华管理学院教授王汉生老师,分享了他在光华管理学院面向MBA学生教授深度学习课程的思考。王汉生教授表示,MBA的学生大多在企业担任管理岗位,有4到5年以上的工作经验。很多MBA学生不是理工科背景,但是仍然对深度学习抱有极大的热情,一方面体现在学生在不断学习和提升编程能力,另一方面体现在时刻思考技术与自己所在的业务线如何进行融合。

在MBA学生背景各异的情况下开设深度学习课程,王汉生老师认为首先要将课程基于业务场景、面向商业产品,这是MBA学生的整体兴趣所在;其次是激发MBA学生的课程“获得感”,在课程实践中不局限于理论和编程本身,更要在课程中实现深度学习的“产品化的畅想”。

在研讨会结束前,王汉生教授感谢各位嘉宾、老师和同学的参与,希望未来能与各位老师紧密讨论如何将人工智能这门课开得更好,为国家的大数据和人工智能战略提供作出更多贡献,本次研讨会圆满结束。


CC BY-NC-ND 2.0 版权声明

喜欢我的文章吗?
别忘了给点支持与赞赏,让我知道创作的路上有你陪伴。

加载中…

发布评论