《中软国际人工智能专业共建方案V1.0》由会员分享，可在线阅读，更多相关《中软国际人工智能专业共建方案V1.0（16页珍藏版）》请在金锄头文库上搜索。
1、. . . . .中软国际专业共建方案人工智能应用北京中软国际教育科技股份有限公司V1.02018年1月8日目录1.行业背景31.1.人工智能人才培养31.2.就业岗位31.3.中软国际与人工智能42.总体设计42.1.共建目标42.2.合作内容43.人才培养方案53.1.人才培养目标53.2.毕业要求及知识能力分解53.3.课程路线63.4.核心和特色课程64.联合人才培养服务74.1.2.5+0.5+1培养模式74.2.主干课程实施清单85.教学资源建设95.1.课件与案例95.2.人工智能虚拟实验系统95.3.双师队伍建设91. 行业背景1.1. 人工智能人才培养2017年7月国务院印发
2、的新一代人工智能发展规划中，明确分三步走的战略目标，到2030年使中国人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。随着人工智能上升为国家战略，顶层设计框架搭建完成，产业发展有望持续提速，带来投资新机遇。要实现上述目标，人工智能人才培养至关重要。自2004年起，经国家教育部正式批准设立“智能科学与技术”本科专业的高校已达36个。但是由于这一专业目前仍然不是一级学科，在资源、规模等方面远远不能满足产业的人才需求。规划提出要重点建设人工智能学科：完善人工智能领域学科布局，设立人工智能专业，推动人工智能领域一级学科建设，尽快在试点院校建立人工智能学院，增加人工智能相关学
3、科方向的博士、硕士招生名额。鼓励高校在原有基础上拓宽人工智能专业教育内容，形成“人工智能+X”复合专业培养新模式，重视人工智能与数学、计算机科学、物理学、生物学、心理学、社会学、法学等学科专业教育的交叉融合。加强产学研合作，鼓励高校、科研院所与企业等机构合作开展人工智能学科建设。目前，人工智能领域最为缺乏的高端科学家和研究人员，这类人才一般都需要博士学历，并具有多年的科研经验。但是，本科生的培养也至关重要。一方面，企业仍然需要招聘较大数量的工程型、应用型本科生，配合研究人员来从事人工智能应用领域的系统设计、开发、运维，并将科研成果应用到具体的行业中；另一方面，本科生也是高端人才的直接来源。因此
4、，在本科层面开展人工智能人才培养，同样具有重要的意义和可行性。1.2. 就业岗位目前，与人工智能相关的适合本科毕业生的岗位及对应能力要求主要如下：l 机器学习/数据挖掘工程师n 具备良好的数学、统计、计算机知识n 熟悉常用的机器学习和数据挖掘算法n 熟悉主流机器学习、深度学习(例如TensorFlow, SparkML等)框架开发n 熟悉主流的数据仓库和商务智能分析平台和工具n 良好的数据敏感度，能从海量数据提炼核心结果；具有一定的数据分析、挖掘、清洗和建模的经验n 熟练掌握Python、Java等编程语言l 人工智能应用开发工程师n 熟悉Java、Python或Node.js Web服务端开
5、发技术、框架n 熟悉H5、Android或iOS智能客户端开发技术n 能够设计与实现客户端与服务端的交互应用程序n 熟悉典型的关系型和非关系型数据库的使用和开发l 人工智能平台/大数据运维工程师。n 负责人工智能/大数据硬件、网络、软件、平台及应用系统的搭建、管理、维护、监控等n 熟悉Linux系统管理和维护，熟悉Shell编程n 熟悉关系型和非关系型数据库系统的配置、管理、维护及优化n 熟悉Hadoop等大数据平台的规划、安装、配置、管理、监控、维护等工作n 熟悉虚拟化系统的规划、配置和管理l 数据清洗员n 根据业务需求编写数据清洗脚本；按照模板输出清洗干净的数据；校验数据n 熟悉Java、
6、R或Python之一n 熟悉MySQL、Oracle或SQL Server关系型数据库之一；熟悉某种非结构化数据库n 熟练使用Excel等数据统计分析工具1.3. 中软国际与人工智能中软国际是中软集团的旗舰企业，2000年成立，2003年于香港创业板上市，并于2008年转入主板（股票代码HK354），是中国领先的应用软件和解决方案供应商。2016年软件和服务性收入超过60亿元人民币，员工超过5万人。中软国际总部位于北京，在美国、日本、香港以及中国大陆20多个主要城市设有子公司或办事处。中软国际是国内软件和服务外包的领军企业，是华为在国内最大的软件外包供应商，同时与微软、IBM、阿里巴巴、腾讯等
7、公司建立长期的、规模化的外包业务合作；中软国际同时也是烟草、审计、质检、社保、药监、金融、电子政务等行业信息化解决方案的主要供应商。早在2003年，中软国际就开始在烟草、审计等行业大规模应用数据仓库、商务智能分析、数据挖掘，大幅提高了上述行业和政务系统的效率和管理水平。2015年，中软国际与华为合作发布了金融大数据解决方案，实现精准营销和实施风控。迄今为止已为数十家金融机构提供了智慧化的金融服务。2017年7月，中软国际与华为联合发布“工业诊断云”和“智能制造服务”，将人工智能和智慧服务引入制造业。2017年12月，中软国际与百度签署战略合作协议，双方将发挥各自行业优势，在人工智能技术赋能、行
8、业拓展、技术创新、生态共享等方面展开全面合作，促进人工智能与软件信息服务领域的深入融合发展，推动各行业的利用人工智能技术实现智能升级；围绕烟草、政务、轨道交通、金融等行业，共同打造行业联合解决方案。2. 总体设计2.1. 共建目标l 探索出人工智能领域人才培养的有效模式l 加速培养合格乃至优秀的人工智能应用型人才，满足行业的人才需求，扩大院校专业知名度2.2. 合作内容中软国际与院校共建“人工智能应用”专业，将从以下几个方面展开合作：(1) 联合人才培养服务l 共同设计制定人才培养方案、课程体系和教学大纲l 协助院校招生及迎新l 参与入学教育和行业认知实习l 参与小学期实训l 课程/学分置换l
9、 为期一个学期的集中式实训l 创新创业指导l 毕业设计指导l 企业实习和就业(2) 教学资源建设l 课件/案例库l 人工智能虚拟实验系统 l 师资培训中软国际人工智能应用专业共建特色如下：l 在人才培养合作上，拥有从学生入学到就业的全程联合培养机制；校内联合培养与中软国际基地集中训练相结合，充分发挥校企双方各自的资源优势l 强调人工智能在行业中的具体应用，重点培养应用型人才而不是算法、理论研究型人才；同时兼顾考研深造的要求l 在提供人才培养服务的同时，也提供较为完善的课件、案例库、实验系统、师资培训等，服务于本专业的建设和发展3. 人才培养方案3.1. 人才培养目标“人工智能应用”专业培养德、
10、智、体、美全面发展，掌握人工智能基础知识、理论和技术，并能灵活应用到具体行业或场景中的工程型、应用型人才。包括：l 掌握相关的数学、统计学、计算机科学、软件工程等学科基础知识l 掌握数据挖掘、机器学习、深度学习等专业知识l 掌握人工智能应用系统分析、设计、实现及运维的方法、技术和工具l 能够结合移动互联、大数据、物联网等技术，将人工智能应用在实际生产、生活环境中3.2. 毕业要求及知识能力分解下表列出了本专业学生应具备的知识、能力和素质，以及对应的主要培养课程类别项目要求对应课程知识体系数理基础掌握数据科学领域必要的数学工具高等数学线性代数概率论与数理统计最优化方法离散数学IT基础掌握数据科学
11、领域必要的计算机和软件工具面向对象程序设计(Java)Python程序设计数据结构与算法数据库原理计算机网络操作系统人工智能理论掌握数据科学领域必要的理论知识体系人工智能概论机器学习深度学习数据仓库与数据挖掘专业技能公共技能熟悉人工智能应用编程工具面向对象程序设计(Java)Python程序设计科学计算与统计分析熟悉数据存储、计算和管理平台与工具数据库管理与开发分布式计算系统智能应用系统运维技术掌握人工智能应用的分析、设计、实现及运维技术智能应用系统设计与开发数据可视化计算机视觉语音识别自然语言处理R语言多元统计分析智能机器人推荐系统项目经验产品、项目过程管理熟悉人工智能产品或应用的生命周期，
12、包括阶段划分、人员分工、岗位协作等专业综合实训人工智能行业应用实训企业实习毕业设计行业经验了解至少一个行业的行业背景、业务模式、市场特点，以及人工智能在该行业中的应用综合素质职业素质良好的文档写作、演示汇报、商务沟通能力人工智能行业应用实训企业实习毕业设计学习能力快速学习，主动学习创新意识在日常工作和学习中的微创新能力，人工智能落地应用敏感度3.3. 课程路线下图列出了本专业主干课程的学习路线：3.4. 核心和特色课程l 人工智能概论。作为本专业概论课程，向学生全面介绍包括人工智能、云计算、大数据、移动互联、物联网在内的相关的概念、技术及应用，尤其是人工智能在产业中的应用场景。使学生建立对本专
13、业相关知识、技术及发展前景的初步认识，作为后续深化课程的引导。l Python程序设计。介绍Python语法和语言特性l 科学计算与统计分析。主要使用Python语言及numpy、scipy、pandas、matplotlib等工具包，实现机器学习中常见的线性代数、微积分、概率、统计、优化等数学问题，为机器学习和深度学习打下坚实的数学基础l 数据库应用。介绍典型的结构化数据库(Oralce/MySQL)和非结构化数据库(Mongodb/Redis)的基本概念、安装配置、管理维护、数据访问和开发(Java、Python)等内容 l 分布式计算系统。介绍Hadoop分布式计算系统的基本概念、安装配
14、置、分布式编程模型(Map/Reduce)，分布式文件系统(HDFS)，以及相关的调度、监控和维护工具，使学生建立对分布式计算系统的基本认识，掌握初级的分布式应用设计和实现方法，为后续深度课程奠定理论和实践基础l 机器学习。以Python为主介绍监督与非监督学习；线性回归及其实现；逻辑回归及其实现；贝叶斯分类器及其实现；支持向量机；神经网络；决策树；聚类分析；降维算法；推荐算法；算法评估方法；训练样本的质量和选择考虑。l 深度学习。介绍深度神经网络的设计要点，包括网络结构、权重初始化、梯度下降更新策略、Batch Normalization、Dropout等影响计算效能的因素；卷积神经网络的概念及其分别在Python及TensorFlow中的实现；循环神经网络的概念和基本实现；迁移学习、强化学些、GAN等。l 数据仓库与数据挖掘。介绍ETL方法与工具、数据仓库构建、多维数据集、维度/度量值/关联、数据挖掘算法、典型BI和数据挖掘工具使用等。l 数据可视化。介绍各种数据可视化的理论基础，以及平台和开发工具的设计和使用，包括Excel, 报表服务，Chart.js, D3.js, Tableau等。通过本课程学习，学生能够将数据处理的结果以高效、灵活和友好的方式呈现l 智能应用系统设计与开发。为人工智能后端算法库设计、实现服务平台，使之能对外提供服务接
