当前位置:首页 > 人工智能

人工智能专业培养方案——西安电子科技大学《人工智能学院本硕博培养体系》重磅发布

发布时间:2019-09-25 11:38:30

西安电子科技大学人工智能学院系教育部直属高校首个致力于人工智能领域高端人才培养、创新成果研发和高层次团队培育的实体性学院。学院面向国家重大战略发展和国际前沿发展需求,深入贯彻十九大精神和《新一代人工智能发展规划》,践行“互联网+”“一带一路”和创新型国家建设、军民融合发展等一系列国家战略,着力打造人工智能领域高端人才培养基地、创新成果研发中心和高层次团队培育平台。

西安电子科技大学人工智能学院系教育部直属高校首个致力于人工智能领域高端人才培养、创新成果研发和高层次团队培育的实体性学院。学院面向国家重大战略发展和国际前沿发展需求,深入贯彻十九大精神和《新一代人工智能发展规划》,践行“互联网+”“一带一路”和创新型国家建设、军民融合发展等一系列国家战略,着力打造人工智能领域高端人才培养基地、创新成果研发中心和高层次团队培育平台。

《人工智能学院本硕博培养体系》提供了西电三十多年的人工智能人才培养心得,构建了具有西电特色的本硕博一体化育人体系,是最全面的人工智能学院人才培养体系教科书。


人工智能高端人才培养基地

【一】

确立了“用产学合作、产教融合、科教协同、本硕博衔接与协同的新工科方式,呈阶梯式、有针对性地完成学生‘会做、敢想、能创新’的培养”之育人基本理念。

【二】

构建了人工智能人才培养与科技创新融合的新模式;注重链式思维,形成“国际化+西电特色”的本硕博一体化培养体系。

【三】

创建了一流的实践教学平台和环境,建成了3个国家级平台、8个省部级科研平台和教学平台、6个省部级创新团队及16个校企联合实验室。

【四】

建设了我国第一个“4个A”“3朵云”“2主体”“1模式”的人工智能教育创新实验室,集教室与实验室的物理空间构建、教师与学生的关系空间构建、教育场景与教育过程的体验空间构建为一体,以人工智能技术支撑智慧教学、赋能教育创新。

【五】

形成了“名师、名课、名教材、名实验”。凝聚了国家级教学名师和长江学者领军的实验教学队伍。

【六】

建设了“经典与现代、先进与基础、硬件与软件、个体与组队、课内与课外”相结合的多层次、渐进式的实践教学新体系。

人工智能专业培养方案

节选自《人工智能学院本硕博培养体系》

培养目标

近年来,随着计算机和人工智能技术的飞速发展,信息系统在各行业、各领域快速拓展。这些系统采集、处理、积累的数据越来越多,数据量增速越来越快,数据已经成为比石油、黄金等更宝贵的财富。因此社会对人工智能人才的需求越来越大,能够从事智能数据分析和处理的毕业生就业市场前景广阔。本专业贯彻落实党的教育方针,坚持立德树人,培养爱国进取、创新思辨,厚基础、宽口径、精术业、强实践,具有扎实的数理基础知识、良好的外语水平和优良的综合素质,掌握计算机、统计和控制等多学科交叉知识,能够在生命科学、医疗保健、政府治理、教学教育和业务管理等技术领域从事与人工智能专业相关的技术骨干,为培养具有以数据为中心的思考能力的人工智能科学家做准备。

人工智能专业毕业生4年之后应达到以下目标:

(1) 具有高尚的职业道德和社会责任感,能够在工程设计中综合考虑对环境、社会、文化的影响;

(2) 在计算机、统计和控制等数据科学与人工智能的相关专业领域成功就业或进入硕士生、博士生阶段学习;

(3) 能够在跨职能、多学科的工程实践团队中工作和交流,具备一定的协调、管理、竞争与合作能力,能够将基本的工程管理原理与经济决策方法应用到实践中;

(4) 了解人工智能技术领域的有关标准、规范、规程,能够跟踪该领域的前沿技术,具有工程创新能力并将其应用到相关产品的设计、开发和集成中;

(5) 具有全球意识和国际视野,能通过继续教育、在线学习、培训或其他终身学习渠道增加知识和提升能力;

(6) 有丰富的专业技术工作经验,能够解决人工智能技术领域的复杂工程技术问题,主持开发一个中等以上规模的软硬件产品,进而成长为架构设计师、产品经理、项目经理等。

毕业要求

1. 工程知识

掌握本专业所需的数学、自然科学、工程基础和人工智能技术的专业知识,能将上述知识用于解决智能信息系统软硬件设计、图像处理算法设计等相关领域的复杂工程问题。

指标点1-1:能运用数学、自然科学、工程基础和专业知识,表述人工智能技术领域的复杂工程问题。

指标点1-2:能够运用恰当的数学、物理模型对智能信息系统软硬件设计、图像处理算法设计等复杂工程问题进行建模,保证模型的准确性,满足工程计算的实际要求。

指标点1-3:能够将数学、自然科学、工程基础和人工智能技术的专业知识用于复杂工问题的推导和计算。

指标点1-4:能运用数学、自然科学、工程基础和专业知识对复杂工程问题的解决途径进行评价,并提出改进思路。

2. 问题分析

能够应用数学、自然科学、工程基础和人工智能技术的专业知识,识别、表达和有效地分解复杂工程问题,并通过文献查阅等多种方式对其进行分析,以获得有效结论。

指标点2-1:能够应用高等数学、物理学的基本概念、原理和人工智能技术的专业知识对复杂工程问题进行识别和有效分解。

指标点2-2:能够识别和表达复杂工程问题的关键环节和参数,对分解后的问题进行分析。

指标点2-3:掌握科技文献、资料的分类; 能够通过图书馆、数据库、网上检索等多种方式快速、准确地检索相关信息,具备借助文献研究对复杂工程问题进行识别、表达、分析的能力。

3. 设计/开发解决方案

能够针对人工智能技术领域复杂工程问题提出解决方案,设计满足特定需求的系统和模块,并能够在设计环节中体现创新意识; 能够综合考虑其对社会、健康、安全、法律、文化及环境的影响。

指标点3-1:能够掌握本专业涉及的工程设计概念、原则和方法,能够针对复杂工程问题提出合理的解决方案。

指标点3-2:能够针对特定需求完成系统、模块的软件设计和硬件设计。

指标点3-3:综合利用人工智能领域的专业知识和新技术,在针对复杂工程问题的系统设计中体现创新意识。

指标点3-4:能够在系统方案设计环节中考虑多方面、多层次因素的影响,如社会、健康、安全、法律、文化以及环境等因素。

4. 研究

能够基于科学原理并采用科学方法对人工智能领域的复杂工程问题进行研究,包括设计实验、分析与解释数据,并通过信息综合得到合理有效的结论。

指标点4-1:能够对人工智能领域的软件、硬件模块进行理论分析和仿真。

指标点4-2:能够针对智能信息系统软硬件设计、图像处理算法设计等人工智能领域的复杂工程问题设计实验方案、构建实验系统和测试平台、获取实验数据。

指标点4-3:能够对实验结果进行合理分析、解释,并对多个子问题进行关联分析,找出冲突点并进行平衡,通过实验数据分析、信息综合等手段得到合理有效的结论。

5. 使用现代工具

能够针对人工智能领域的复杂工程问题,开发、选择与使用恰当的技术、资源、现代工程工具和信息技术工具,包括对复杂工程问题的预测与模拟,并能够理解其局限性。

指标点5-1:掌握基本的计算机操作和应用,至少掌握一种软件开发语言(如C、C++ 语言等),并能够运用集成开发环境进行复杂程序设计。

指标点5-2:能熟练运用文献检索工具获取人工智能领域理论与技术的最新进展信息。

指标点5-3:掌握人工智能技术专业仪器、设备的基本原理、操作方法,能够在复杂、综合型工程中合理选择和使用仪器、设备。

指标点5-4: 具备使用实验设备、计算机软件和现代信息工具对复杂工程问题进行模拟或仿真的能力,理解其使用要求、运用范围和局限性。

6. 工程与社会

能够结合相关的工程知识进行合理分析,评价专业工程实践和复杂工程问题解决方案对社会、健康、安全、法律以及文化的影响,并理解应承担的责任。

指标点6-1:具有工程实践经历,通过实践、实习过程了解工程实践和复杂工程问题的解决方案对社会、健康、安全、法律以及文化的影响。

指标点6-2: 能够结合相关的工程知识,通过在思政、人文、社科类课程学到的知识,综合分析和评价专业工程实践和复杂工程问题的解决方案对社会、健康、安全、法律以及文化的影响,并理解应承担的责任。

7. 环境和可持续发展

了解环境保护和可持续发展的基本方针、政策和法律、法规,能够理解和评价人工智能领域的专业工程实践对环境、社会可持续发展的影响。

指标点7-1:理解环境保护和社会可持续发展的内涵和意义。

指标点7-2:了解环境保护和社会可持续发展的基本方针、政策和法律、法规,能够正确认识针对复杂工程问题的专业工程实践对环境和社会的影响。

指标点7-3:能针对实际复杂工程问题,评价其资源利用率、对文化的冲击等工程实践对环境、社会可持续发展的影响。

8. 职业规范

具有人文及社会科学素养、正确的政治立场和社会责任感,能够在工程实践中遵守人工智能领域的相关职业道德和规范。

指标点8-1:具有人文及社会科学素养,了解国情,理解社会主义核心价值观,树立正确的政治立场、世界观、人生观和价值观。

指标点8-2:理解工程技术的社会价值以及工程师的社会责任,在工程实践中能自觉遵守职业道德和规范。

9. 个人和团队

能够在多学科背景的团队中承担个体、团队成员或负责人的角色,能够听取其他团队成员的意见和建议,充分发挥团队协作的优势。

指标点9-1:能主动与其他学科的成员共享信息,合作共事,独立完成团队分配的工作。

指标点9-2: 能够胜任团队成员或负责人的角色,能在团队协作中听取其他团队成员的意见和建议,充分发挥团队协作的优势。

10. 沟通

具备良好的表达能力,能够就复杂工程问题与业界同行及社会公众进行有效沟通和交流,包括撰写报告和设计文稿、陈述发言等; 掌握至少一门外语,具有一定的国际视野,能够在跨文化背景下进行沟通和交流。

指标点10-1:具有良好的口头表达能力,能够清晰、有条理地表达自己的观点,掌握基本的报告、设计文稿的撰写技能。

指标点10-2:掌握至少一门外语,具备一定的国际视野,并了解基本的国际文化礼仪。

指标点10-3:能够就复杂工程问题,综合运用口头、书面、报告、图表等多种形式与国内外业界同行及社会公众进行有效沟通和交流。

11. 项目管理

理解并掌握工程管理原理与经济决策方法,并能在多学科、跨职能环境中合理应用。

指标点11-1:理解工程管理与经济决策的重要性,掌握工程管理的基本原理和常用的经济决策方法。

指标点11-2:能够在多学科、跨职能环境中合理运用工程管理原理与经济决策方法。

12. 终身学习

具有自主学习和终身学习的意识,有不断学习和适应发展的能力。

指标点12-1:了解自主学习的必要性,具有自主学习和终身学习的意识,掌握跟踪本专业学科前沿、发展趋势的基本方法和途径。

指标点12-2:能够通过文献查询、网络培训等多种渠道进行终身学习,以适应职业发展的需求。

学制与学位

基本学制: 4年。

学位: 工学学士。

专业特色课程

1. 课程名称: 人工智能基础(双语)(Fundamentals of Artificial Intelligence,Bilingual Teaching)

学时/周学时: 32/2 学分: 2

内容简介: “人工智能基础”是智能科学与技术的专业基础课程。该课程是关于人工智能领域的引导性课程,介绍人工智能的基本理论、方法和技术,目的是使学生了解和掌握人工智能的基本概念和前沿算法和算法,为今后的更高级课程的学习及将来在人工智能领域的进一步研究工作和软件实践奠定良好的基础。通过本课程的学习,使学生掌握人工智能的基本思想和实现方法,掌握基本分析与设计方法,为人工智能在各领域的应用奠定基础,拓宽学生在计算机科学与技术领域的知识广度。

2. 课程名称: 模式识别(双语)(Introduction to Pattern Recognition,Bilingual Teaching)

学时/周学时: 48/2.5 学分: 2.5

内容简介: 模式识别是理论与应用并重的技术科学,与人工智能关系密切,其目的是用机器完成人类智能中通过视觉、听觉、触觉等感官去识别外界环境的工作。通过本课程的学习,使学生系统掌握模式识别基本原理和分类器设计的典型方法,具体包括贝叶斯决策理论、线性判别函数、近邻法、特征选择和提取、非监督学习方法、人工神经网络、模糊模式识别方法、支撑矢量机等。同时,通过大作业使学生了解模式识别方法在文本识别、智能图像处理等领域的应用,有助于学生综合能力和整体素质的提高。

3. 课程名称: 机器学习(双语)(Machine Learning,Bilingual Teaching)

学时/周学时: 40/2 学分: 2

内容简介: “机器学习”是智能科学领域一门非常重要的基础专业课程。通过本课程的学习,使学生对目前主流的机器学习理论、方法、算法与应用有一个较全面的综合认识,具体包括: 了解机器学习领域的发展及现状; 了解和掌握机器学习的基本概念、原理、方法与技术; 能够运用机器学习方法来解决实际问题(如智能博弈程序、图像识别、文本分类与处理等); 为进一步研究建立有关概念和方法的基础。本课程强调机器学习的理论原理的教学,注重从实例入手。使学生理解机器学习的概念与原理,从机器学习的基本框架上理解不同机器学习方法之间的异同点。课程同时强调理论与实践动手能力相结合。安排7或8次课外作业以及2或3次课程实验。课程要求学生能够依据所学的基本原理和方法来解决实际问题。

4. 课程名称: 图像理解与视觉计算(双语)(Image Understanding and Computer Vision,Bilingual Teaching)

学时/周学时: 40/2 学分: 2

内容简介: “图像理解与计算机视觉”是一门涉及多个交叉学科领域的课程。本课程侧重于计算机视觉中的图像基本处理和识别,并对图像分析的基本理论和实际应用进行系统介绍。目标是使学生在学习了本课程之后,对计算机视觉和图像处理的基本概念、基本原理以及解决问题的基本思想方法有一个较为全面的了解和领会; 学习智能图像分析与理解的基本理论和技术,了解各种智能图像理解与计算机视觉技术的相关应用; 具备解决智能化检测与识别、控制等应用问题的初步能力。

5. 课程名称: 智能数据挖掘(双语)(Intelligent Data Mining,Bilingual Teaching)

学时/周学时: 40/2 学分: 2

内容简介: 本课程以介绍各类数据仓库和知识发现技术为主,以培养学生的科研

能力为辅。课程主要包括两方面内容: 一方面是各类数据挖掘技术的原理、算法和实际应用; 另一部分是数据仓库技术的原理、复杂数据类型的规则挖掘,包括关系数据、空间数据、多媒体数据、时序数据、Web数据等。

6. 课程名称: 计算智能及应用(双语)(Intelligent Computing and Its Application,Bilingual Teaching)

学时/周学时: 40/2 学分: 2

内容简介: 计算智能是模拟自然以实现对复杂问题求解的科学,是生物学、神经科学、认知科学、计算机科学、免疫学、哲学、社会学、数学、信息科学、非线性科学、工程学、音乐、物理学等众多学科相互交叉融合的结果,是人们对自然智能认识和模拟的最新成果。目前计算智能已经成为智能与信息科学中最活跃的研究领域之一,它的深入发展将极大地改变人们认识自然,求解现实问题的能力和水平。这门课程主要介绍了计算智能的3个典型范例,即人工神经网络、进化计算和模糊系统。通过本课程的学习,要求学生了解并掌握人工神经网络、进化计算和模糊系统等计算智能模型以及前沿应用技术介绍。

7. 课程名称: 认知计算导论(全英)(Introduction to Cognitive Computing,English)

学时/周学时: 40/2 学分: 2

内容简介: “认知计算导论”是现代人工智能领域的一门重要专业课程。这门课主要介绍对人类认知行为建模的基本概念、理论、计算方法和应用,具体包括: 感知、推理、学习和决策的基本概念; 人脑和认知科学中实现上述能力的基础原理; 可对认知原理建模并在人工智能、机器学习、概率统计中广泛使用的方法,如神经元模型、神经网络、贝叶斯推理、强化学习等; 运用认知计算方法解决实际问题,如视觉感知、目标识别、视觉关注、学习与记忆、归纳推理。本课程强调脑神经和认知科学的理论及应用教学,注重从实例入手,帮助学生理解认知计算的理论和方法,建立学生从人类认知的角度解决实际问题的思维方式。课程同时鼓励理论与实践相结合,安排2或3次课程实验,培养学生解决实际问题的能力。

8. 课程名称: 大数据处理与信息检索(Big Data Processing and Information Retrieval)

学时/周学时: 36/2 学分: 2

内容介绍: 大数据浪潮席卷全球,已深入渗透到了各个领域,影响日益扩大。在大数据时代的特点下,信息检索也将面临全新的挑战。本课程将从大数据时代的4V 特点出发,讲解大数据时代下信息检索中的问题,引导学生如何在海量的、多模态的、高度不确定的数据中去获取/检索出有价值的信息,掌握网络信息检索的基本方法,常用搜索引擎等搜索工具的使用技巧,提升学生的信息素养和灵活运用信息解决各类问题的能力。

教学进程计划表

本课程教学进程计划如表1-6~表1-11所示。

人工智能学院本硕博培养体系

【独具特色】

确立了“用产学合作、汇总西电人工智能学院三十余年科教结合探索和实践,采取“国际化+西电特色”本硕博一体化人才培养、“国际学术前沿+国家重大需求”科学研究+创新实践协同育人和“高水平平台+高层次人才”服务人才培养的具有西电特色的本硕博一体化育人体系,全面阐述学院的本硕博培养体系以及平台建设和人才培养成效,梳理了相关的特色课程大纲。并将双语教育和全英专业培养采用双语论著,便于与国内外同行交流。

【一体化育人】

国内最为全面的培养体系教科书,涵盖西电人工智能学院的各类课程大纲及专业教育方面的最新进展。本书从本硕博培养体系入手,全面阐述在人工智能领域三十年培养心得和经验。全书包括了本科生两个专业——智能科学与技术国家级特色专业和人工智能全国首批专业的培养方案以及特色课程大纲,全英本科生培养方案以及特色双语和全英课程大纲,并包含硕博培养方案和特色课程大纲以及全英留学生硕博培养方案及特色双语和全营课程大纲。经过三十年科教结合的探索和实践,学院构建了“国际化+西电特色”本硕博一体化人才培养、“国际学术前沿+国家重大需求”科学研究+创新实践协同育人和“高水平平台+高层次人才”服务人才培养的具有西电特色的本硕博一体化育人体系。

【优秀作者】

· 焦李成

教授、博士生导师。现任西安电子科技大学计算机科学与技术学部主任、智能感知与图像理解教育部重点实验室主任、教育部科技委学部委员、中国人工智能学会副理事长、IET西安分会主席、IEEE西安分会奖励委员会主席、IEEE计算智能协会西安分会主席、IEEE GRSS西安分会主席,教育部创新团队首席专家,IEEE Fellow、IET Fellow、首批中国人工智能学会会士、CCF杰出会员。

· 李阳阳

博士,教授,博士生导师,国家教育部重点实验室骨干成员,教育部创新团队骨干成员,国家"111计划"创新引智基地骨干成员。李阳阳现为西安电子科技大学人工智能学院专业负责人,IEEE高级会员,中国计算机学会高级会员、中国电子学会高级会员。

· 侯彪

教授,博导/硕导、西安电子科技大学学术带头人,人工智能学院执行院长,智能感知与图像理解教育部重点实验室副主任,智能感知与计算国际联合研究中心副主任,智能感知与计算国际合作联合实验室副主任,陕西省大数据智能感知与计算2011协同创新中心副主任,智能信息处理研究所副所长。IEEE会员,IET西安分会执行委员会委员,中国人工智能学会智能科学专业委员会委员,中国电子学会高级会员,陕西省信号处理学会副理事长,中国航空学会信息融合分会委员,国际数字地球学会中国国家委员会微波遥感专业委员会委员,教育部创新团队成员,中国计算机学会会员

· 石光明

教授,博士生导师。现任西安电子科技大学副校长、教育部长江学者特聘教授、智能感知与图像理解教育部重点实验室副主任 、中国教育部实验教学指导委员会委员、教育部科技委委员、国家某科技委创新局生物交叉领域专家、国家高分探测重大专项工作组专家、国家某局“生物与环境”领域专家、IEEE 高级会员、IET Fellow、 IET西安分会常务副主席。

【精彩内容】

第1章本科生培养

1.1智能科学与技术专业培养方案

1.1.1培养目标

1.1.2毕业要求

1.1.3学制与学位

1.1.4专业特色课程

1.1.5教学进程计划表

1.2人工智能专业培养方案

1.2.1培养目标

1.2.2毕业要求

1.2.3学制与学位

1.2.4专业特色课程

1.2.5教学进程计划表

1.3人工智能与模式识别全英专业(Artificial Intelligence and Pattern Recognition Full-English Teaching Major)

1.3.1 培养定位

1.3.2 培养模式

1.3.3 培养方案

1.3.4 培养课程

1.4通电计相关专业全英文授课本科留学生培养方案(Training  Scheme for Foreign Undergraduate Students Majoring in Communication,  Electronic Information and Computer)

1.4.1培养模式与目标

1.4.2基本要求

1.4.3学分要求

1.4.4学制与学位

1.4.5教学进程计划表 

1.5特色课程培养大纲

1.5.1人工智能简史

1.5.2 Python编程和人工智能平台学习

1.5.3人工智能概论

1.5.4最优化理论与方法

1.5.5算法设计与分析(Syllabus  for Algorithm Design and Analysis) 

1.5.6计算智能导论

1.5.7智能系统专业实验

1.5.8模式识别

1.5.9机器学习(Syllabus for Machine Learning)  

1.5.10智能数据挖掘

1.5.11图像理解与计算机视觉

1.5.12计算机视觉及其应用(Syllabus for Computer Vision and its Applications)  

第2章研究生培养

2.1计算机科学与技术硕/博/直博培养方案

2.1.1计算机科学与技术学科硕士研究生培养方案

2.1.2计算机科学与技术学科博士研究生培养方案

2.1.3计算机科学与技术学科直博生培养方案

2.2电子信息类别人工智能领域专业学位培养方案

2.3西安电子科技大学图灵科学实验班实施方案(试行)

2.4人工智能与模式识别专业全英文授课硕士研究生培养方案(Artificial  Intelligence and Pattern Recognition MajorFull-English Teaching Postgraduate  Training Program)

2.5通电计相关专业硕/博留学生培养方案

2.5.1通电计相关专业全英文授课硕士留学生培养方案(Training Scheme for Foreign Master's Degree Students Majoring in  Communication, Electronic Information and Computer)

2.5.2通电计相关专业全英文授课博士留学生培养方案(Training Scheme for Foreign Doctor's Degree Students Majoring in  Communication, Electronic Information and Computer)

2.6 特色课程培养大纲

2.6.1人工智能

2.6.2神经网络基础与应用

2.6.3 机器学习和深度学习理论(Postgraduate Curriculum Syllabus for Machine Learning and Deep Learning)

2.6.4 认知计算(Postgraduate Curriculum Syllabus for Cognitive Computing)

2.6.5非线性表征学习与优化

2.6.6 自然计算

2.6.7 数据驱动优化学习(Postgraduate Curriculum Syllabus for Data-Driven Optimization and Learning)  

2.6.8 复杂网络与多智能体系统

2.6.9 SAR图像处理与解译

2.6.10 随机过程(Postgraduate Curriculum  Syllabus for Introduction to Stochastic Processes)

2.6.11 计算机视觉(Postgraduate Curriculum Syllabus forComputer Vision)

2.6.12 高性能计算实验

第3章 平台建设

第4章 人才培养

5章人工智能教育创新实验室

来源:书圈