---
categories:
  - "[[LLM Wiki]]"
  - "[[Universities]]"
  - "[[AI Courses]]"
tags:
  - wiki
  - universities
  - ai-course
  - systematic-curriculum
  - project-based-learning
created: 2026-04-21
source: "[[东京大学AI教学项目深度研究报告-20260420]]"
type: entity
aliases:
  - EDUC91331
  - Systematic AI Course
  - 系统化AI教育课程
---

# EDUC91331 - 系统化AI课程

> 东京大学AI教学项目的旗舰课程，采用项目驱动学习（PBL）方法，培养系统化AI能力。

## 身份

| 属性 | 值 |
|------|-----|
| 领域 | 高等教育AI课程 |
| 课程代码 | EDUC91331 |
| 课程名称 | 系统化AI课程（Systematic AI Course） |
| 开课机构 | 东京大学（University of Tokyo） |
| 课程类型 | 核心AI课程 |
| 首次开课 | 2023年秋季学期 |

## 课程目标

EDUC91331课程旨在培养学生以下核心能力：

### 知识目标
- 掌握AI基础理论（机器学习、深度学习）
- 理解AI技术栈全流程（数据→模型→部署）
- 了解AI在各领域的应用场景

### 能力目标
- 能够设计并实现端到端的AI项目
- 具备系统化AI思维和工程实践能力
- 掌握AI伦理和社会影响的基本概念

### 素质目标
- 培养创新思维和问题解决能力
- 提升团队协作和沟通能力
- 建立持续学习和自我提升的意识

## 课程结构

### 模块设计

EDUC91331采用模块化设计，共4个核心模块：

| 模块 | 内容 | 时长 |
|------|------|------|
| **模块1：AI基础** | 机器学习、深度学习、数据科学 | 4周 |
| **模块2：AI工程** | MLOps、模型部署、性能优化 | 3周 |
| **模块3：AI应用** | 计算机视觉、NLP、推荐系统 | 4周 |
| **模块4：AI伦理** | 公平性、隐私、可解释性 | 3周 |

### 模块1：AI基础

**学习目标**：
- 理解机器学习的基本概念和算法
- 掌握深度学习框架（PyTorch、TensorFlow）
- 能够训练基础的机器学习模型

**主要内容**：
- 监督学习（分类、回归）
- 无监督学习（聚类、降维）
- 神经网络基础（多层感知机、CNN、RNN）
- 深度学习（Transformer、注意力机制）

**实践项目**：
- **项目1**：手写数字识别（MNIST）
- **项目2**：图像分类（CIFAR-10）
- **项目3**：文本分类（情感分析）

### 模块2：AI工程

**学习目标**：
- 掌握MLOps的基本流程和工具
- 能够将训练好的模型部署为可用的服务
- 理解模型性能监控和持续优化

**主要内容**：
- MLOps基础（数据版本控制、实验管理、模型注册）
- 模型部署（Docker、Kubernetes、云服务）
- 性能优化（推理加速、量化、剪枝）
- 监控与维护（日志、告警、A/B测试）

**实践项目**：
- **项目4**：模型训练流水线（使用MLflow）
- **项目5**：模型API部署（使用FastAPI + Docker）

### 模块3：AI应用

**学习目标**：
- 掌握计算机视觉和NLP的典型应用
- 能够针对特定领域设计AI解决方案
- 了解前沿AI应用（大语言模型、多模态AI）

**主要内容**：
- 计算机视觉（目标检测、语义分割、图像生成）
- 自然语言处理（文本生成、摘要、问答）
- 推荐系统（协同过滤、内容推荐、深度学习推荐）
- 大语言模型应用（RAG、Prompt Engineering、Fine-tuning）

**实践项目**：
- **项目6**：目标检测应用（使用YOLO）
- **项目7**：RAG问答系统（使用LangChain + OpenAI）

### 模块4：AI伦理

**学习目标**：
- 理解AI伦理的重要性和基本原则
- 识别AI系统中的偏见和风险
- 掌握可解释AI（XAI）的基本方法

**主要内容**：
- AI伦理框架（公平性、透明性、责任性）
- 偏见与公平性（数据偏见、算法偏见、缓解策略）
- 隐私与安全（数据隐私、模型安全、对抗攻击）
- 可解释性AI（LIME、SHAP、注意力可视化）

**实践项目**：
- **项目8**：偏见检测与缓解（使用Fairlearn）

## 教学方法

### 项目驱动学习（PBL）

EDUC91331采用项目驱动学习作为核心教学方法：

- **项目周期**：每个模块包含1-2个实践项目
- **项目难度**：循序渐进（从简单到复杂）
- **项目类型**：
  - 基础项目：跟随教程完成（项目1-3）
  - 应用项目：基于真实场景设计（项目4-5）
  - 创新项目：自主选题完成（项目6-8）

### 翻转课堂

采用翻转课堂模式，提升学习效果：

- **课前预习**：
  - 观看录播视频（理论讲解）
  - 阅读教材和论文
  - 完成课前测验
- **课内讨论**：
  - 讨论预习中的疑问
  - 小组讨论和协作
  - 教师答疑和指导
- **课后实践**：
  - 完成实践项目
  - 参与在线论坛讨论
  - 提交作业和获得反馈

### 同伴互评

引入同伴互评机制，促进学习交流：

- **互评内容**：
  - 项目代码质量
  - 项目文档完整性
  - 创新性和技术深度
- **互评流程**：
  - 学生随机分配互评小组（每组3人）
  - 每个学生评价2个项目
  - 最终成绩 = 教师评分 × 70% + 同伴评分 × 30%

## 评估方式

### 评估结构

| 评估项 | 权重 | 说明 |
|--------|------|------|
| **项目质量** | 60% | 8个项目的平均分 |
| **期末考试** | 20% | 理论知识测试 |
| **同伴互评** | 10% | 对同伴项目的评价质量 |
| **课堂参与** | 10% | 出勤、讨论、提问 |

### 评分标准

**项目评分标准**（满分100分）：

| 维度 | 分值 | 说明 |
|------|------|------|
| **功能完整性** | 30 | 是否完成项目要求的全部功能 |
| **技术深度** | 25 | 使用的技术是否合理和先进 |
| **代码质量** | 20 | 代码规范性、可读性、注释 |
| **文档完整性** | 15 | 项目说明、使用方法、技术报告 |
| **创新性** | 10 | 是否有创新点或独特见解 |

## 学生反馈

### 定量数据（2023-2024学年）

| 指标 | 数据 |
|------|------|
| **选课人数** | 156人 |
| **课程完成率** | 92% |
| **平均成绩** | 82/100 |
| **满意度** | 89% |

### 定性反馈

**正面反馈**：
- "项目设计很好，让我真正理解了AI的实践"
- "翻转课堂模式让我有充足的时间思考和实践"
- "同伴互评让我学到了很多其他同学的好想法"

**改进建议**：
- "项目时间有点紧，希望能有更多时间"
- "希望能提供更多的参考资料和代码示例"

## 关键成功因素

1. **项目驱动**：8个实践项目让学生真正动手实践
2. **循序渐进**：从简单到复杂，逐步提升难度
3. **真实场景**：项目基于真实应用场景，提升学习动机
4. **协作学习**：翻转课堂和同伴互评促进深度学习
5. **及时反馈**：教师及时批改作业并提供详细反馈

## 挑战与应对

### 挑战1：学生水平差异大

- **现象**：学生AI基础差异大，项目完成度不均
- **应对**：
  - 提供分层项目（基础版、进阶版、挑战版）
  - 提供额外的辅导和支持
  - 鼓励学生组队学习

### 挑战2：项目时间紧张

- **现象**：部分学生反映项目时间不够
- **应对**：
  - 优化项目设计，合理控制难度
  - 提供项目模板和代码框架
  - 允许延期提交（扣分）

## 与本Wiki其他内容的关联

- 与[[东京大学AI教学项目]]形成总览与具体课程的关系
- 为[[AI赋能课堂教学深度融合机制]]提供系统化课程设计的实践案例
- 与[[北师大AI教育四形态层级理论]]中的L3深度融合形态对应
- 使用了[[MLOps]]、[[RAG（检索增强生成）]]、[[可解释AI（XAI）]]等Wiki概念

## 来源

- [[东京大学AI教学项目深度研究报告-20260420]] — 东京大学AI教学项目深度研究报告（2026-04-20）