15 KiB
15 KiB
categories, tags, created, source, type, aliases, relations
| categories | tags | created | source | type | aliases | relations | ||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
|
2026-04-21 | 东京大学AI教学项目深度研究报告-20260420 | entity |
|
|
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 |
| 课程代码 |
| 课程名称 |
| 开课机构 |
| 课程类型 |
| 首次开课 |
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
- 项目驱动：8个实践项目让学生真正动手实践
- 循序渐进：从简单到复杂，逐步提升难度
- 真实场景：项目基于真实应用场景，提升学习动机
- 协作学习：翻转课堂和同伴互评促进深度学习
- 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）
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
- 项目驱动：8个实践项目让学生真正动手实践
- 循序渐进：从简单到复杂，逐步提升难度
- 真实场景：项目基于真实应用场景，提升学习动机
- 协作学习：翻转课堂和同伴互评促进深度学习
- 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）