《智能信息处理技术》课程简介
课程名称 | 智能信息处理技术 Intelligent information processing technology |
课程编码+选课编码 (教务系统中的编码) | 100765、100766 |
课程性质 | 必修 ○选修 |
授课类型 | ○在线课程 线下课程 ○线上线下混合式课程 ○社会实践课程 ○虚拟仿真实验教学课程 ○全英语课程 |
开课年级 | 本科二年级 |
面向专业 | 智能建造等 |
学 时 | 68学时(34+34) |
学 分 | 4(2+2) |
选用教材 | 《工程大数据挖掘及应用》,建工出版社(预计2024年出版),自编教材(该教材已列入住建部“十四五”规划教材和同济大学“十四五”规划教材) |
使用的在线课程 | “智能信息处理”,同济大学,负责人卫志华 |
使用方式: MOOC ○SPOC |
一、课程目标
面对以人工智能为引领的新一轮科技革命和产业革命的潮流,计算机技术对各行各业带来了巨大的冲击,尤其是以机器学习、数据挖掘为代表的智能信息处理技术正以前所未有之势改变着传统学科的思维范式。同济大学顺应这一历史潮流,于2018年率先建设了“智能建造”新工科专业。本课程正是针对智能建造专业学生开设的学科交叉课程,也是该专业最重要的专业基础课之一。
通过“智能信息处理技术(上,下)”的学习,使学生掌握运用计算机算法和工具对土木工程大数据进行采集、清洗、分析、挖掘和可视化等全流程的智能化处理技术,从而培养学生采用人工智能原理和技术对土木工程领域复杂工程问题进行分析和求解的能力。
整个课程所有知识点的讲解均采用问题导向型教学设计,即遵循“给出土木工程具体问题抽象为工程数据表示对应到求解范式落实到具体算法可视化实验展示工程现象与结果解释”的路径,将土木工程案例融入到每部分知识点的讲解中。具体而言,包括以下几方面的知识点:
(1)系统掌握基本的数据库与数据采集技术,掌握数据库的基本知识,掌握运用数据库进行数据的增删查改等操作的方法;
(2)理解数据采集和预处理的基本方法,并重点掌握常用方法;
(3)熟悉探索性数据分析方法,掌握经典的数据聚类算法;
(4)理解数据可视化的概念,掌握常用的数据可视化方法;
(5)掌握分类与回归的基础知识、基本方法和典型算法;
(6)理解深度学习的基本理论,掌握典型的深度学习模型;
(7)综合运用所学知识能解决土木工程及相关领域实际问题。
二、课程教学内容
按照工程大数据智能化处理的全流程,本课程整合知识点如图1所示。根据知识点的依赖关系,同时考虑两学期难度的平衡划分为两学期授课。考虑到“强化学习”知识点的难度较大,目前为选学内容,程度好学有余力的同学自学这部分内容,老师辅导答疑,其他知识点全部为课堂授课内容。
图1面向工程大数据全流程处理的知识点整合
智能信息处理技术(上)安排在第三学期,智能信息处理技术(下)安排在第四学期,均采用案例引入式教学,课程教学内容如表1所示。
表1 课程教学内容——知识点及案例
所属 学期 | 知识点 | 结合案例 | |
智能信息处理技术(上) | 数据采集与集成概述 | 数据库 数据仓库 数据采集与集成 | BIM数据库 |
经典分类算法 | 分类的概念与评价方法 传统分类算法:决策树、贝叶斯算法、SVM、集成学习Adaboost,(XGboost),过拟合问题 | 结构检测、裂缝检测、工地安全帽检测等 | |
智能信息处理技术(下) | 探索性数据分析与可视化 | 聚类(聚类的基本概念、K-Means聚类算法、层次聚类算法、DBScan聚类算法、高级聚类算法如谱聚类、聚类的评价、数据可视化概述 | 施工场景图像分割 |
深度学习概述 | 深度学习概述 CNN模型、RNN模型及LSTM GAN模型及案例、Transformer | 工地目标检测、施工场景语义分割等 |
三、课程资源建设
团队经过几年授课和教改的探索,已形成系统的课程体系和教学课件,为方便后续推广应用,团队已初步编写完成配套教材,目前正在出版流程中。
“数据工程”是本课程建设之初的课程形态,为方便学生反复学习,团队录制了“数据工程”MOOC课程,于2020年9月在智慧树平台上线。该平台包含了本课程70%以上知识点的授课视频,还包含了课堂弹题、章节练习、期末模拟测试等理论教学内容,课程中重要算法的实验小视频也发布在该平台,对于计算机基础相对薄弱的学生带来了极大的帮助,深受学生喜爱。
课程充分利用信息化手段提升教学效果,在课程网站(https://ci.tongji.edu.cn/29642/list.htm)的基础上,进一步利用Canvas平台整合课程资源,所有课件和作业都发布在Canvas,学生作业也保存在Canvas平台,极大方便了学生学习和老师整理课程资料;课程授课录像全部放在“同济云课堂”平台,方便学生回看,课程网站同步更新相关信息。
在课程建设中,教师团队针对实际授课情况不断优化课程体系,在课程实验和案例建设方面目前已发表三篇教改论文:
(1)卫志华,孔思尹,丁志军,赵才荣,新工科背景下数据挖掘课程综合性实验设计,计算机教育,2020.3;
(2)郭玉臣,卫志华,面向学科交叉的数据采集与采集课程教学设计,计算机教育,2021.8;
(3)李洁,魏宇轩,武妍,卫志华,程纬,马如进,机器学习课程中递进式实验案例设计,计算机教育,2022.1。
四、成绩评定方式
智能信息处理技术(上)更侧重基础知识的讲解,因此设置了期末考试环节,智能信息处理技术(下)则更侧重对所学知识的综合运用,因此设置了综合性大作业的考核环节。具体评价方式如下:
智能信息处理技术(上)评价和考核包括三部分:平时成绩(10%)、课程平时作业(编程实现的作业)约4次(每次10%)与期末考核(50%)。
智能信息处理技术(下)评价和考核包括三部分:平时成绩(20%)、课程平时作业(编程实现的作业)约2次(每次20%)、综合性大作业(占30%)与申优答辩(10%)。针对实验、大作业均建立了详细的评价标准。
表1:搭建CNN模型进行手写数字识别实验评价标准
评价细则及得分 | ||||
100-90 | 89-80 | 79-70 | 69-60 | 59-0 |
实验内容完整、逻辑性强、可读性好,能体现个人的思考或结合领域问题进行建模。 | 实验内容完整、逻辑性强、可读性好 | 实验内容较完整,具有较好的可读性好 | 实验内容较完整 | 未按时提交实验报告或实验内容混乱 |
表2:综合性大作业评分细则
支撑课程目标 | 评价细则及得分 | ||||
100-90 | 89-80 | 79-70 | 69-60 | 59-0 | |
课程目标2,3,4 | 选题新颖,能够综合运用多种算法解决一个实际工程场景的智能化分析问题,报告内容完整,结构清晰,具有前沿性 | 选题新颖,能够对基本的算法进行少许改进解决一个实际工程场景的智能化分析问题,报告内容完整,结构清晰 | 选题较新颖,能够运用基本的机器学习算法解决一个实际工程场景的智能化分析问题,报告内容完整,结构基本清晰 | 选题一般,能够阐明运用机器学习算法解决一个实际工程场景智能化问题的基本思路,报告内容完整,结构基本清晰 | 选题一般,报告内容混乱 |