人工智能专业人才培养方案
（2022级）
一、 培养目标
本专业立足闽东南，培养适应区域经济社会发展和行业产业发展需求，具备良好的人文社会科学素养和职业道德，具备扎实的自然科学基础知识以及人工智能、计算机软硬件专业知识与技术，富有人工智能领域科学思维能力、工程实践能力、科技创新能力及团队协作能力，满足区域经济社会发展需要，能够胜任人工智能领域相关技术的教学、开发、管理与应用等工作的高素质应用型、技术技能型人才和职业教育师资。专业培养的毕业生有望在毕业5年后成为新兴IT企业、工业互联网企业、职业教育教学单位、事业单位等的骨干人员，成长为人工智能应用领域产品设计、项目管理、关键技术研发、业务创新等骨干力量，成为推动人工智能在区域经济落地发展的专业人才。
培养目标1：具有良好的思想道德素质及工程、人文、社科素养，理解并能在科研或生产活动中践行社会主义核心价值观，充分运用经济、管理、安全、法律、环保、可持续发展等知识和理念。
培养目标2：具有扎实的自然科学、人文社会科学和工程技术基础，掌握人工智能、计算机软硬件理论基本知识，能够用系统的观点分析、处理人工智能相关的科学研究和工程技术问题。
培养目标3：掌握人工智能系统的各个组成部分工作原理和协作关系，能够集成、设计和实现关键模块，并应用到实际生产系统中，对传统业务流程、平台架构和技术手段等进行智能化升级改造。
培养目标4：养成良好的职业习惯和团队意识，能够在团队中发挥分工协作、交流沟通、组织协调乃至领导指挥等作用。
培养目标5：有能力通过自主、终身学习事情社会和职业的可持续发展；具备追踪国内外人工智能教育的新理论、新方法的能力，能够在全球化、多文化环境下开展继续学习、交流合作及创新、创造活动。
二、 毕业要求
1. 毕业要求及指标点分解
本专业要求毕业生获得12个方面的知识、技能和素质：
毕业要求1 工程知识：能够将数学、自然科学、工程基础和专业知识用于解决人工智能及应用领域的复杂工程问题。
1.1 模型表述：能借助数学、自然科学和专业知识，正确理解和表示人工智能系统，尤其是机器学习、深度学习中的计算模型（例如：数值优化、微分求导、矩阵、概率模型等；以及视觉、语音等AI模型中对应的物理原理模型）。
1.2 模型构建：能针对人工智能系统及其计算和推理过程选择或建立适当的描述模型（例如：与AI应用系统相关的架构模型，与机器学习、深度学习相关的回归、分类模型，本指标点主要考查数学模型和算法，而不是工具或特定的软件实现）。
1.3 模型分析：能够运用相关知识对模型进行推演、分析，能够基于多个模型进行比较和综合（模型训练、模型效能评价、优选。本指标点主要考查数学模型和算法，而不是工具或特定软件）。
毕业要求2 问题分析：能够应用数学、自然科学和工程科学的基本原理，识别、表达、并通过文献研究分析人工智能及应用领域的复杂工程问题，以获得有效结论。
2.1 微观分析：掌握问题分析的基本方法，能够对人工智能应用程序和算法进行相应的分析和模拟（包括对应用程序和应用编程算法的分析，也包括对机器学习、深度学习算法的分析；此处涉及将数学、物理、算法等原理用程序实现，而不仅是模型本身）。
2.2 宏观分析：具有一定的系统观，能够针对人工智能应用系统设计与实现需要进行系统分析和模拟（从系统总体上的分析，例如体系结构，客户端、服务端，硬件系统、网络等）。
2.3 问题发现：能够运用数学、自然科学和工程科学的原理，发现、识别和判断人工智能特定领域复杂工程问题的关键因素和特征（AI特定专业领域：例如视觉、语音、语义等的因素和特征）。
2.4 问题探究：能够借助文献研究，分析和对比多个可替代解决方案，并在方向性、框架性或关键影响因素上得出有效结论（宏观上的多种解决方案分析对比，例如调用第三方服务对比自行实现 AI 模型算法）。
毕业要求3 设计/开发解决方案：能够设计针对人工智能及应用领域复杂工程问题的解决方案，设计满足特定需求的系统、功能模块或工艺流程，加强实践能力，并能够在设计环节中体现创新意识，考虑社会、健康、安全、法律、文化以及环境等因素。
3.1 模块：能够根据给定的功能和非功能需求设计和实现单个子系统或模块（数据访问，UI 设计，网络调用，模型的封装和发布等）。
3.2 系统：能够基于用户需求、业务流程和技术条件等要素，按照工程设计和产品开发流程，制定合理的设计目标和总体方案（完整的开发流程，完整系统的总体技术架构，服务端应用程序，客户端应用程序，智能终端应用程序等及它们之间的交互）。
3.3 综合：能够在设计中能够考虑安全、健康、法律、文化及环境等制约因素并在实现中加以落实，能够从用户需求、业务功能、技术方法等方面进行创新，优化解决方案（加入非技术性考虑）。
毕业要求4 研究：能够基于科学原理并采用相应科学方法对人工智能及应用领域复杂工程问题进行研究，通过设计实验，分析与解释数据以及信息综合得到合理有效的结论。
4.1 实验实施：能够根据预设的实验方案构建实验系统，安全、正确的采集数据，开展实验 （搭建机器学习、深度学习实验环境，能够从各种数据源采集数据，能够调用API来训练模型）。
4.2 实验设计：能够基于科学原理，选择合适的路径，针对工程中的关键问题设计合理的实验研究方案（包括单体的设计以及把多个单体组合起来形成一个大的实验系统；选择合适的实验方法和工具，确定合理的实验目标）。
4.3 归纳总结：能够通过对实验结果的分析和解释，检验预期目标，得到合理有效的结论 （数据处理，数据可视化；编写实验报告、论文）。
毕业要求5 使用现代工具：能够针对人工智能及应用领域复杂工程问题，开发、部署和选取恰当的硬件设备、技术框架、平台资源、开源软件和工程工具等，进行预测、模拟、计算、分析和展示，并且能够理解和分析这些工具和方法的局限性。
5.1 工具准备：掌握人工智能及应用领域主流硬件设备、技术框架、平台资源、开源软件和工程工具的安装、部署、配置、使用和维护（完整的人工智能软硬件、前后端系统）。
5.2 工具使用：能够使用现代工具，针对人工智能通用领域和专业细分领域的建模需求，完成数据准备、模型构建、模型训练和效能评测等工作（数据采集、模型训练，模型效能测评。本指标点重在使用工具，而不是算法）。
5.3 工具评估：能够分析和理解不同工具的使用场景、优势与局限，及其对结果的影响，并能在一定程度上给出的改进或替换方案（对不同软硬件系统、技术框架、开发平台进行比较，并且能给出多种不同的解决方案）。
毕业要求6 工程与社会：能够基于工程相关背景知识进行合理分析，评价人工智能及应用相关的工程实践和解决方案对社会、健康、安全、法律、伦理以及文化的影响，并理解应承担的责任。
6.1 知晓与理解：了解和掌握与人工智能及其所应用领域相关的产业政策、法律法规、技术标准、知识产权及发展趋势。
6.2 评价与应用：能分析和评价人工智能与社会、伦理、健康、安全、法律和文化等因素的相互影响，理解工程实践过程中受到的制约和产生的结果，以及应承担的责任。
毕业要求7 环境和可持续发展：能够理解和评价针对人工智能及应用领域的工程实践对环境、社会可持续发展的影响。
7.1 知晓与理解：具有环境保护和社会持续发展意识，能够认识到人工智能产品及应用系统的开发、运行和更新换代对环境保护和社会持续发展的影响。
7.2 评价与应用：能够在人工智能产品及应用系统的开发、运行、更新换代中评估对环境保护和人类造成的损害和隐患，并考虑采取相应的措施。
毕业要求8 职业规范：爱国进取，具有人文社会科学素养、社会责任感，能够在工程实践中理解并遵守工程职业道德和规范，并履行相应责任。
8.1 核心价值观：具有爱国进取思想，正确价值观和科学的世界观，了解中国国情和形式政策；
8.2 理解工程师对产品质量、用户体验及公众安全、健康、福祉的责任，能够在工程实践中自觉履行责任。
8.3 职业素质：具备诚实公正、诚信守则的职业道德，认真负责的职业态度，严谨务实的职业作风和高效干练的职业习惯。
毕业要求9 个人和团队：能够在多学科背景下的团队中承担个体、团体成员以及负责人的角色。
9.1个体工作：能够按照团队的分工独立完成本职工作，履行个体职责和义务。
9.2 团队协作：具备一定的人际交往能力、能够与团队其他成员尤其是不同学科的成员开展有效沟通和协作，能够在团队中起到粘合、协调、组织乃至领导、决策作用。
毕业要求10 沟通：能够就人工智能及应用领域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、清晰表达或回应指令，并具备一定的国际视野，能够在跨文化背景下进行沟通和交流。
10.1 写作与展示：具有良好的表达能力和报告撰写能力，能够就复杂工程方案和技术问题进行陈述发言、演讲演示和讨论交流。
10.2 外语与国际化：掌握一门外语，能熟练查阅本专业外文资料，并具备一定的外语交流能力； 了解本专业的国际、国内发展情况，能在工程实践中考虑和引入国际化因素。
毕业要求11 项目管理：理解并掌握人工智能产品和应用系统全生命周期的工程管理原理和经济决策方法，并应用于多学科交叉的工程实践中。
11.1 项目管理知识：了解工程及产品全周期、全流程的成本构成，掌握工程项目设计的管理和经济决策的基本知识与方法。
11.2 项目管理应用：熟悉人工智能产品和应用系统的设计开发中主要的工作流程、内容及对应的人员、设备设施，能够合理分配资源，降低成本。
毕业要求12 终身学习：具有自主学习和终身学习的意识，有不断学习和适应人工智能及应用领域发展的能力。
12.1 独立解决问题：善于检索各类资料，解决工程实践中碰到的各类问题。
12.2 持续学习：能认识到包括人工智能在内的新一代信息技术的飞速发展，持续设定合理的学习目标，充分利用网络资源达成学习目标。
以上 12 个毕业要求对培养目标形成了完整的支撑，通过对毕业要求的分析可有效评价培养目标的达成。毕业要求与培养目标之间的支撑关系如表1所示：
表1 毕业要求与培养目标的支撑关系
|
培养目标 1 |
培养目标 2 |
培养目标 3 |
培养目标 4 |
培养目标 5 |
毕业要求 1 |
|
√ |
|
|
|
毕业要求 2 |
|
√ |
√ |
|
√ |
毕业要求 3 |
√ |
|
√ |
√ |
|
毕业要求 4 |
|
√ |
|
|
√ |
毕业要求 5 |
|
√ |
√ |
|
|
毕业要求 6 |
√ |
|
√ |
|
|
毕业要求 7 |
√ |
|
|
|
|
毕业要求 8 |
√ |
|
|
√ |
|
毕业要求 9 |
|
|
|
√ |
|
毕业要求 10 |
|
|
|
√ |
√ |
毕业要求 11 |
|
|
√ |
√ |
|
毕业要求 12 |
|
|
|
|
√ |
2. 课程体系与毕业要求的关联度矩阵
表2 课程体系与毕业要求的关联度矩阵
课程名称 |
毕业要求 |
工程知识 |
问题分析 |
设计/开发解决方案 |
研究 |
使用现代代工具 |
工程与社会 |
环境与可持续发展 |
职业规范 |
个人和团队 |
沟通 |
项目管理 |
终身学习 |
思想道德与法治 |
|
|
|
|
|
|
|
H |
M |
|
|
M |
中国近现代史纲要 |
|
|
|
|
|
|
|
H |
|
|
|
M |
马克思主义基本原理 |
|
M |
|
|
|
|
|
H |
|
|
|
M |
毛泽东思想和中国特色社会主义理论体系概论 |
|
|
|
|
|
|
|
H |
|
|
|
M |
形势与政策 |
|
|
|
|
|
|
H |
M |
|
|
|
|
思想政治理论课实践 |
|
|
|
|
|
|
M |
|
|
|
M |
H |
大学英语 |
|
|
|
|
|
|
|
|
|
H |
|
L |
大学体育 |
|
|
|
|
|
|
|
|
H |
|
|
L |
心理健康教育 |
|
|
|
|
|
L |
|
|
H |
H |
|
|
职业生涯规划 |
|
|
|
|
|
|
|
H |
|
M |
L |
|
就业指导 |
|
|
|
|
|
H |
|
M |
M |
|
|
|
军事理论 |
|
|
|
|
|
|
|
H |
|
|
|
|
军事训练 |
|
|
|
|
|
|
|
|
H |
L |
|
|
创业教育（必选） |
|
|
|
|
|
M |
|
M |
H |
|
M |
|
艺术课程（必选） |
|
|
|
|
|
M |
|
|
M |
|
|
L |
“四史”课程（必选） |
|
|
|
M |
|
|
|
|
|
M |
|
|
工科数学分析（1） |
H |
|
|
M |
|
|
|
|
|
|
|
|
工科数学分析（2） |
H |
|
|
M |
|
|
|
|
|
|
|
|
大学物理（1） |
H |
|
|
|
|
|
|
|
|
|
|
|
大学物理（2） |
H |
|
|
|
|
|
|
|
|
|
|
|
大学物理实验（1） |
|
|
|
|
M |
|
|
|
|
|
|
|
大学物理实验（2） |
|
|
|
|
M |
|
|
|
|
|
|
|
人工智能导论 |
H |
|
M |
|
|
|
|
|
|
H |
L |
|
高级语言程序设计 |
|
|
|
|
H |
M |
|
|
|
M |
|
|
线性代数 |
H |
|
|
M |
|
|
|
|
|
|
|
|
数据结构 |
|
|
|
H |
|
M |
|
|
M |
|
|
|
离散数学 |
H |
|
|
M |
|
|
|
|
|
|
L |
|
概率论与数理统计 |
H |
|
|
|
|
|
|
|
|
|
L |
|
单片机原理 |
|
|
L |
|
H |
|
|
|
|
|
|
|
数字电路基础 |
H |
|
|
M |
|
|
|
|
|
|
|
|
Python程序设计 |
|
|
|
|
H |
L |
|
|
|
H |
|
|
最优化理论 |
|
M |
|
M |
|
|
|
|
|
|
|
|
机器学习 |
|
M |
|
H |
|
|
|
|
|
|
|
|
智能语音识别 |
|
|
M |
|
|
|
|
|
|
|
H |
|
神经网络与深度学习 |
|
H |
|
M |
M |
|
|
|
|
|
|
|
自然语言处理 |
|
|
|
M |
|
|
|
|
|
|
H |
|
图像处理与模式识别 |
|
|
M |
|
M |
|
|
|
|
|
H |
|
机器人学基础 |
H |
H |
|
|
|
M |
|
L |
|
|
|
|
智能检测技术 |
|
M |
M |
|
M |
|
|
|
|
|
H |
|
人工智能哲学基础与伦理 |
|
|
|
L |
|
|
|
|
|
|
|
H |
计算机网络 |
|
|
H |
|
L |
|
|
|
|
|
|
|
数学建模 |
|
|
M |
|
H |
|
|
|
|
|
|
|
数据库原理及应用 |
|
|
M |
|
M |
|
|
|
|
|
|
M |
操作系统 |
|
|
M |
L |
|
|
|
|
|
|
L |
|
算法设计与分析 |
|
|
|
M |
|
|
|
|
|
M |
|
|
控制理论与方法 |
|
|
M |
L |
|
|
|
|
|
|
|
|
通信原理 |
|
|
M |
|
|
|
|
|
|
|
|
|
数字信号处理 |
|
|
M |
M |
|
|
|
|
|
|
|
|
职业教育中的人工智能应用 |
|
|
M |
|
|
|
H |
|
|
|
|
L |
工业人工智能 |
|
|
|
|
|
H |
|
|
|
|
|
|
多智能体系统 |
|
M |
M |
|
|
|
|
|
|
|
|
|
智能边缘计算 |
|
|
M |
|
M |
|
|
|
|
|
L |
|
智联网无线技术 |
|
|
M |
M |
M |
|
|
|
|
|
|
|
人工智能中间件 |
|
|
M |
M |
|
|
|
|
|
|
|
|
区块链技术与应用 |
|
|
M |
|
M |
|
|
|
|
|
L |
|
智能机器人系统 |
|
M |
M |
|
M |
|
|
|
|
|
|
|
数据标注工程 |
|
|
|
|
M |
|
|
|
|
|
L |
|
数据可视化技术 |
|
|
|
M |
|
M |
|
|
|
|
|
|
人工智能前沿讲座 |
|
|
|
|
|
|
|
|
|
|
|
M |
劳动教育 |
|
|
|
|
|
|
|
|
M |
|
L |
|
高级语言程序课程设计 |
|
|
|
H |
|
|
|
|
|
|
L |
|
python课程设计 |
|
|
|
H |
|
|
|
|
M |
|
|
|
人工智能框架实践 |
M |
|
M |
|
H |
|
|
|
|
|
|
|
数据结构课程实践 |
|
|
|
H |
|
|
|
|
|
|
L |
|
机器学习课程设计 |
M |
|
|
H |
|
L |
|
|
|
|
|
|
深度学习课程设计 |
M |
|
|
H |
M |
|
|
|
|
|
L |
|
自然语言处理课程设计 |
|
|
|
H |
M |
|
|
|
M |
|
L |
M |
图像处理课程设计 |
|
|
H |
|
M |
|
|
|
|
|
|
M |
专业综合实践 |
|
H |
|
|
|
M |
|
|
|
|
|
|
产业综合实践 |
H |
|
|
|
H |
|
|
M |
|
|
|
|
社会实践 |
|
|
|
|
|
H |
|
|
|
|
|
M |
专业实习 |
|
|
|
|
M |
|
|
|
M |
M |
|
|
毕业论文(设计) |
H |
M |
H |
|
|
|
|
|
|
|
M |
|
表3 课程体系与毕业要求的对应表
毕业要求 |
实现环节或途径 |
1．工程知识：能够将数学、自然科学、工程基础和专业知识用于解决人工智能及应用领域的复杂工程问题。 |
工科数学分析、大学物理、线性代数、概率论与数理统计、人工智能导论、单片机原理、数字电路基础、机器学习、神经网络与深度学习、机器人学基础、毕业论文(设计) |
2．问题分析：能够应用数学、自然科学和工程科学的基本原理，识别、表达、并通过文献研究分析人工智能及应用领域的复杂工程问题，以获得有效结论。 |
大学英语、大学物理实验、机器学习、神经网络与深度学习、机器人学基础、人工智能前沿讲座、专业综合实践、毕业设计 |
3．设计/开发解决方案：能够设计针对人工智能及应用领域复杂工程问题的解决方案，设计满足特定需求的系统、功能模块或工艺流程，加强实践能力，并能够在设计环节中体现创新意识，考虑社会、健康、安全、法律、文化以及环境等因素。 |
计算机网络、数据库原理及应用、操作系统、控制理论与方法、数字信号处理、通信原理、多智能体系统 智能边缘计算、智联网无线技术、人工智能中间件、毕业论文(设计) |
4．研究：能够基于科学原理并采用相应科学方法对人工智能及应用领域复杂工程问题进行研究，通过设计实验，分析与解释数据以及信息综合得到合理有效的结论。 |
数据可视化技术、高级语言程序课程设计、Python课程设计、数据结构课程实践、机器学习课程设计、深度学习课程设计、自然语言处理课程设计、图像处理课程设计 |
5．使用现代工具：能够针对人工智能及应用领域复杂工程问题，开发、部署和选取恰当的硬件设备、技术框架、平台资源、开源软件和工程工具等，进行预测、模拟、计算、分析和展示，并且能够理解和分析这些工具和方法的局限性。 |
人工智能框架实践、数据标注工程、智能机器人系统、产业综合实践、数学建模、毕业实习 |
6．工程与社会：能够基于工程相关背景知识进行合理分析，评价人工智能及应用相关的工程实践和解决方案对社会、健康、安全、法律、伦理以及文化的影响，并理解应承担的责任。 |
职业生涯规划、就业指导、人工智能哲学基础与伦理、工业人工智能、社会实践 |
7．环境和可持续发展：能够理解和评价针对人工智能及应用领域的工程实践对环境、社会可持续发展的影响。 |
形势与政策、创业教育、职业教育中的人工智能应用、劳动教育 |
8.职业规范：爱国进取，具有人文社会科学素养、社会责任感，能够在工程实践中理解并遵守工程职业道德和规范，并履行相应责任。 |
思想道德与法治、中国近现代史纲要、马克思主义基本原理、毛泽东思想和中国特色社会主义理论体系概论、思想政治理论课实践、军事理论与训练、职业生涯规划、职业教育中的人工智能应用 |
9.个人和团队：能够在多学科背景下的团队中承担个体、团体成员以及负责人的角色。 |
心理健康教育、大学体育、军事训练、产业综合实践、社会实践、创业教育、劳动教育 |
10.沟通：能够就人工智能及应用领域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、清晰表达或回应指令，并具备一定的国际视野，能够在跨文化背景下进行沟通和交流。 |
人工智能导论、大学英语、心理健康教育、人工智能哲学基础与伦理、高级语言程序设计、数据结构、Python程序设计、最优化理论、算法设计与分析、产业综合实践 |
11.项目管理：理解并掌握人工智能产品和应用系统全生命周期的工程管理原理和经济决策方法，并应用于多学科交叉的工程实践中。 |
智能语音识别、自然语言处理、图像处理与模式识别 、智能检测技术、区块链技术与应用、毕业论文(设计) |
12.终身学习：具有自主学习和终身学习的意识，有不断学习和适应人工智能及应用领域发展的能力。 |
人工智能哲学基础与伦理、证书认证、以赛代课、知识产权、人工智能前沿讲座、思想政治理论课实践 |
三、学制、授予学位及毕业最低学分
1.学制：标准学制为4年，弹性学制3-6年。
2.授予学位：工学学士学位，平均学分绩点达到2.0以上方可获得学位。
3.毕业最低总学分：160学分。
四、课程设置
1.专业基础课程：工科数学分析（1）（2）、大学物理（1）（2）、人工智能导论、高级语言程序设计、线性代数、数据结构、离散数学、概率论与数理统计、数字电路基础、单片机原理。
2.专业核心课程：Python程序设计、最优化理论、机器学习、智能语音识别、神经网络与深度学习、自然语言处理、图像处理与模式识别、机器人学基础、智能检测技术。
3.主要集中实践课程：高级语言程序课程设计、Python课程设计、人工智能框架实践、数据结构课程实践、机器学习课程设计、深度学习课程设计、自然语言处理课程设计、图像处理课程设计、专业综合实践、产业综合实践（边缘开发/机器人创新/大数据可视化）、社会实践、专业毕业实习、毕业论文(设计)。
4.主要专业实验：大学物理实验（1）（2）、高级语言程序设计实验、数据结构实验、单片机原理实验、数字电路基础实验、Python程序设计实验、最优化理论实验、机器学习实验、智能语音识别实验、神经网络与深度学习实验、自然语言处理实验、图像处理与模式识别实验、机器人学基础实验、智能检测技术实验。
5.课程结构比例
课程 比例 |
通识教育课程 |
专业基础课程 |
专业核心课程 |
专业模块课程 |
集中实践课程 |
合计 |
理论 |
实践 |
理论 |
实践 |
理论 |
实践 |
理论 |
实践 |
学时数 |
582 |
256 |
528 |
128 |
272 |
176 |
144 |
112 |
43周 |
2294 |
学时比例 |
25.37% |
11.16% |
23.02% |
5.58% |
11.86% |
7.67% |
6.28% |
4.88% |
|
100% |
学分数 |
27 |
16 |
34 |
8 |
17 |
11 |
9 |
6 |
34 |
160 |
学分比例 |
16.88% |
10.00% |
20.63% |
4.38% |
10.63% |
6.88% |
5.63% |
3.75% |
21.25% |
100% |
6.课程拓扑图
五、教学计划表
课程 类别 |
课程 代码 |
课程名称 |
开课 单位 |
学分 |
总学时 |
学时 |
开课学期及周学时数 |
讲授 |
实验实践 |
一 |
二 |
三 |
四 |
五 |
六 |
七 |
八 |
秋 |
春 |
秋 |
春 |
秋 |
春 |
秋 |
春 |
通识课程 |
必修 |
11030010202 |
思想道德与法治 |
马克思学院 |
2 |
32 |
32 |
|
|
2 |
|
|
|
|
|
|
11030020301 |
中国近现代史纲要 |
马克思学院 |
3 |
48 |
48 |
|
3 |
|
|
|
|
|
|
|
11030030304 |
马克思主义基本原理 |
马克思学院 |
3 |
48 |
48 |
|
|
|
|
3 |
|
|
|
|
11030040400 |
毛泽东思想和中国特色社会主义理论体系概论 |
马克思学院 |
4 |
64 |
64 |
|
|
|
2 |
2 |
|
|
|
|
11030050200 |
形势与政策 |
马克思学院 |
2 |
64 |
56 |
8 |
8节 |
8节 |
8节 |
8节 |
8节 |
8节 |
8节 |
8节 |
11030060204 |
思想政治理论课实践 |
马克思学院 |
2 |
32 |
|
32 |
|
|
|
暑假 |
|
|
|
|
11070071000 |
大学英语 |
外语学院 |
10 |
192 |
128 |
64 |
2+1 |
2+1 |
2+1 |
2+1 |
|
|
|
|
11080090400 |
大学体育 |
体育学院 |
4 |
128 |
|
128 |
2 |
2 |
2 |
2 |
|
|
|
|
11060100202 |
心理健康教育 |
教育学院 |
2 |
32 |
24 |
8 |
|
2 |
|
|
|
|
|
|
11030110051 |
职业生涯规划 |
马克思学院 |
0.5 |
20 |
12 |
8 |
讲座 |
|
|
|
|
|
|
|
11030120056 |
就业指导 |
马克思学院 |
0.5 |
20 |
12 |
8 |
|
|
|
|
|
讲座 |
|
|
11030130201 |
军事理论 |
马克思学院 |
2 |
36 |
36 |
|
3周 |
|
|
|
|
|
|
|
选修 |
12113150202 |
创业教育（必选） |
大数据学院 |
2 |
32 |
32 |
|
|
2 |
|
|
|
|
|
|
|
艺术课程（必选） |
教务处 |
2 |
30 |
30 |
|
|
|
|
|
|
|
|
|
“四史”课程（必选） |
教务处 |
2 |
30 |
30 |
|
|
|
|
|
|
|
|
|
其它选修课 |
教务处 |
2 |
30 |
30 |
|
|
|
|
|
|
|
|
|
小 计 |
|
43 |
838 |
582 |
256 |
|
|
|
|
|
|
|
|
专业基础课程 |
必修 |
21113010501 |
工科数学分析（1） |
大数据学院 |
5 |
80 |
80 |
|
5 |
|
|
|
|
|
|
|
21113020502 |
工科数学分析（2） |
大数据学院 |
5 |
80 |
80 |
|
|
5 |
|
|
|
|
|
|
21090030400A |
大学物理（1） |
电机学院 |
2 |
32 |
32 |
|
|
2 |
|
|
|
|
|
|
21090040200A |
大学物理实验（1） |
电机学院 |
1 |
16 |
|
16 |
|
1 |
|
|
|
|
|
|
21090030400B |
大学物理（2） |
电机学院 |
2 |
32 |
32 |
|
|
|
2 |
|
|
|
|
|
21090040200B |
大学物理实验（2） |
电机学院 |
1 |
16 |
|
16 |
|
|
1 |
|
|
|
|
|
21113070201 |
人工智能导论 |
大数据学院 |
2 |
32 |
16 |
16 |
2 |
|
|
|
|
|
|
|
21113080401 |
高级语言程序设计 |
大数据学院 |
4 |
80 |
48 |
32 |
5 |
|
|
|
|
|
|
|
21118030300 |
线性代数 |
大数据学院 |
3 |
48 |
48 |
|
|
3 |
|
|
|
|
|
|
21113100303 |
数据结构 |
大数据学院 |
3 |
48 |
32 |
16 |
|
|
3 |
|
|
|
|
|
21118050300 |
离散数学 |
大数据学院 |
3 |
48 |
48 |
|
|
|
3 |
|
|
|
|
|
21118040300 |
概率论与数理统计 |
大数据学院 |
3 |
48 |
48 |
|
|
|
|
3 |
|
|
|
|
21113130304 |
数字电路基础 |
大数据学院 |
3 |
48 |
32 |
16 |
|
|
|
3 |
|
|
|
|
21113140305 |
单片机原理 |
大数据学院 |
3 |
48 |
32 |
16 |
|
|
|
|
3 |
|
|
|
小 计 |
|
40 |
656 |
528 |
128 |
|
|
|
|
|
|
|
|
专业核心课程 |
必修 |
31113010302 |
Python程序设计 |
大数据学院 |
3 |
48 |
16 |
32 |
|
3 |
|
|
|
|
|
|
31113020304 |
机器学习 |
大数据学院 |
3 |
48 |
32 |
16 |
|
|
|
3 |
|
|
|
|
31113030305 |
最优化理论 |
大数据学院 |
3 |
48 |
32 |
16 |
|
|
|
|
3 |
|
|
|
31113040305 |
智能语音识别 |
大数据学院 |
3 |
48 |
32 |
16 |
|
|
|
|
3 |
|
|
|
31113050305 |
神经网络与深度学习 |
大数据学院 |
3 |
48 |
32 |
16 |
|
|
|
|
3 |
|
|
|
31113060305 |
自然语言处理 |
大数据学院 |
3 |
48 |
32 |
16 |
|
|
|
|
3 |
|
|
|
31113070306 |
机器人学基础 |
大数据学院 |
3 |
48 |
32 |
16 |
|
|
|
|
|
3 |
|
|
31113080406 |
图像处理与模式识别 |
大数据学院 |
4 |
64 |
32 |
32 |
|
|
|
|
|
4 |
|
|
31113090306 |
智能检测技术 |
大数据学院 |
3 |
48 |
32 |
16 |
|
|
|
|
|
3 |
|
|
小 计 |
|
28 |
448 |
272 |
176 |
|
|
|
|
|
|
|
|
专业模块课程 |
选修 |
专业方向基础拓展模块，以下任选6学分 |
32113010103 |
人工智能哲学基础与伦理 |
大数据学院 |
1 |
16 |
16 |
|
|
|
1 |
|
|
|
|
|
32113020303 |
计算机网络 |
大数据学院 |
3 |
48 |
32 |
16 |
|
|
3 |
|
|
|
|
|
32113030303 |
数学建模 |
大数据学院 |
3 |
48 |
32 |
16 |
|
|
3 |
|
|
|
|
|
32113040304 |
数据库原理及应用 |
大数据学院 |
3 |
48 |
32 |
16 |
|
|
|
3 |
|
|
|
|
32113050304 |
操作系统 |
大数据学院 |
3 |
48 |
32 |
16 |
|
|
|
3 |
|
|
|
|
32113060204 |
算法设计与分析 |
大数据学院 |
2 |
32 |
16 |
16 |
|
|
|
2 |
|
|
|
|
32113070305 |
控制理论与方法 |
大数据学院 |
3 |
48 |
32 |
16 |
|
|
|
|
3 |
|
|
|
32090030306 |
数字信号处理 |
大数据学院 |
3 |
48 |
32 |
16 |
|
|
|
|
3 |
|
|
|
32113090205 |
通信原理 |
大数据学院 |
2 |
32 |
24 |
8 |
|
|
|
|
2 |
|
|
|
至少修读 |
6 |
96 |
64 |
32 |
|
|
|
|
|
|
|
|
专业方向进阶应用模块，以下任选9学分 |
32113100105 |
职业教育中的人工智能应用 |
大数据学院 |
1 |
16 |
8 |
8 |
|
|
|
|
1 |
|
|
|
32113110205 |
工业人工智能 |
大数据学院 |
2 |
32 |
32 |
|
|
|
|
|
2 |
|
|
|
31113120205 |
多智能体系统 |
大数据学院 |
2 |
32 |
16 |
16 |
|
|
|
|
2 |
|
|
|
32113130205 |
智能边缘计算 |
大数据学院 |
2 |
32 |
16 |
16 |
|
|
|
|
2 |
|
|
|
32113140206 |
智联网无线技术 |
大数据学院 |
2 |
32 |
16 |
16 |
|
|
|
|
|
2 |
|
|
32113150206 |
人工智能中间件 |
大数据学院 |
2 |
32 |
16 |
16 |
|
|
|
|
|
2 |
|
|
32113160106 |
数据标注工程 |
大数据学院 |
1 |
16 |
8 |
8 |
|
|
|
|
|
1 |
|
|
32113170206 |
智能机器人系统 |
大数据学院 |
2 |
32 |
16 |
16 |
|
|
|
|
|
2 |
|
|
32113180206 |
区块链技术与应用 |
大数据学院 |
2 |
32 |
16 |
16 |
|
|
|
|
|
2 |
|
|
32113190306 |
数据可视化技术 |
大数据学院 |
2 |
32 |
16 |
16 |
|
|
|
|
|
2 |
|
|
32113200106 |
人工智能前沿讲座 |
高校/企业 |
1 |
16 |
16 |
|
|
|
|
|
|
1 |
|
|
32113210207 |
*证书认证(指定范围) |
/ |
2 |
|
|
|
|
|
|
|
|
|
|
|
32113220207 |
*以赛代课(指定范围) |
/ |
2 |
|
|
|
|
|
|
|
|
|
|
|
32113230207 |
*知识产权(专利/软著/论文) |
/ |
2 |
|
|
|
|
|
|
|
|
|
|
|
标*课程至少满足1项，总共至少修读 |
9 |
144 |
80 |
64 |
|
|
|
|
|
|
|
|
小 计 |
|
15 |
240 |
144 |
96 |
|
|
|
|
|
|
|
|
集中实践课程 |
必修 |
41130140201 |
军事训练 |
武装部 |
2 |
112 |
|
112 |
2-3周 |
|
|
|
|
|
|
|
41113010200 |
劳动教育 |
大数据学院 |
2 |
|
|
3周 |
|
1周 |
1周 |
1周 |
|
|
|
|
41113020101 |
高级语言程序课程设计 |
大数据学院 |
1 |
|
|
1周 |
1周 |
|
|
|
|
|
|
|
41113030102 |
Python课程设计 |
大数据学院 |
1 |
|
|
1周 |
|
1周 |
|
|
|
|
|
|
41113040103 |
人工智能框架实践 |
大数据学院 |
1 |
|
|
1周 |
|
|
1周 |
|
|
|
|
|
41113050103 |
数据结构课程实践 |
大数据学院 |
1 |
|
|
1周 |
|
|
1周 |
|
|
|
|
|
41113060104 |
机器学习课程设计 |
大数据学院 |
1 |
|
|
1周 |
|
|
|
1周 |
|
|
|
|
41113070105 |
深度学习课程设计 |
大数据学院 |
1 |
|
|
1周 |
|
|
|
|
1周 |
|
|
|
41113080105 |
自然语言处理课程设计 |
大数据学院 |
1 |
|
|
1周 |
|
|
|
|
1周 |
|
|
|
41113090106 |
图像处理课程设计 |
大数据学院 |
1 |
|
|
1周 |
|
|
|
|
|
1周 |
|
|
41113100106 |
专业综合实践 |
大数据学院 |
1 |
|
|
1周 |
|
|
|
|
|
1周 |
|
|
41113110307 |
产业综合实践（边缘开发/机器人创新/大数据可视化） |
大数据学院 /企业 |
3 |
|
|
3周 |
|
|
|
|
|
|
3周 |
|
41113120205 |
社会实践 |
大数据学院 |
2 |
|
|
2周 |
|
|
|
|
2周 |
|
|
|
41113130808 |
专业毕业实习 |
大数据学院 |
8 |
|
|
8周 |
|
|
|
|
|
|
|
8周 |
|
41113140808 |
毕业论文(设计) |
大数据学院 |
8 |
|
|
16周 |
|
|
|
|
|
|
8周 |
8周 |
|
|
|
34 |
|
|
|
|
|
|
|
|
|
|
|
合 计 |
|
160 |
2294 |
1526 |
768 |
22 |
25 |
24 |
24 |
15 |
13 |
3 |
|
1.专业方向基础拓展模块课程至少选修6学分，进阶应用模块课程至少选修9学分；
2.第5-7学期课程可依据情况与合作办学机构、产业学院进行课程学分置换；
3.第3、5学期设置2周独立的集中实践周，第2、4、6学期设置1周集中实践周，第7学期设置3周集中实践周，另外，第1、6学期的集中实践分散到每周固定时间，连续开展数周；
4.第七、八个学期，学生进行产业综合实践、专业毕业实习，并完成毕业论文（设计）
