摘要：在应用型本科人才培养目标的基础上，本文分析深度学习这门课程在大数据专业教学中的地位和作用，在大数据时代背景下提出了“以学生发展为中心”的深度学习课程教学改革，并提出了详细的实施方案。培养学生利用深度学习算法研究大数据问题、分析模型理论问题和解决实际问题的能力。

关键词：深度学习；大数据；教学改革

基金项目：广东省哲学社会科学项目（GD23XSH27）；惠州市哲学社会科学项目（2023ZX056）；惠州学院教研教改项目（[2022]163）； 广东省教育厅重点建设学科科研能力提升项目（2022ZDJS055）

1深度学习课程教学面临的挑战

21世纪是信息技术高速发展的时代，人工智能、云计算、大数据等现代信息技术对教育产生革命性影响，推动教育创新，促使教学形态、学习方式和评价方式等发生深刻变革[1]。随着互联网为代表的信息技术高速发展，大规模开放课程在线产生、相关教学资源平台建设，为学生创造个性化自由式的学习环境，开放的平台，有利于共享教育资源合理充分利用。在互联网时代，以教师为中心的教学模式面临着巨大的冲击和挑战。教师向学生传授知识时，学生主要通过课堂听和学习材料被动接受知识[2]。在互联网信息高速发展以及数据海量时代，学生通过电脑或手机，自由搜索获取知识。这种学习过程只获得浅层次的分散而独立的知识体系，如基本概念、原理等浅层次结构化的知识，主要集中在公式和解决问题所需的外部因素上，在被动学习中，如果缺乏反思，学生在学习过程中不能灵活运用知识，属于低阶思维层次。因此，深度学习课程教学改革已刻不容缓，深度学习课程面临以下挑战。

1.1挑战之一是如何有效地结合理论教学与实践应用

在深度学习课程的实验教学方面，传统上使用数值模拟。编写Python代码来模拟和分析数据的特征和规律，完成课程的数值模拟。这些实验帮助学生理解理论知识，但由于数据不是来源于实例数据，这样造成与现实应用脱节。如何有效地结合理论教学与实践应用是当前教学的一个挑战。虽然理论知识的学习对于学生来说很重要，但缺乏实践操作，解决实际大数据问题时感到困难重重。在科学技术快速发展的时代，融合机器学习和人工智能，课程内容紧跟前沿的技术趋势，不断更新知识和实践方式。理论讲授教学虽然能够传递大量的信息，缺乏实际处理大数据，从而限制了他们的主动探索能力。因此，教师有必要采取以项目导向学习、实践导向等教学方法，鼓励激发学生编写代码的能力，提高学生构建深度学习模型能力和解决问题的能力。

1.2第二个挑战是该课程内容的理论性和抽象性对学生构成了显著难度

课程涵盖了广泛的矩阵分析和梯度和海森矩阵、人脑神经元模型、网络设计等，学生难以理解和掌握这些内容。课程经常涉及抽象的数学概念应用于数据处理，例如具体的文本、语言、图像处理问题，学生掌握这些抽象性知识并非易事。深度学习里面有复杂的概念，如神经网络结构（卷积神经网络、循环神经网络、多层感知机等）、梯度下降和反向传播算法等，这些概念对于学生来说较为抽象，难以直观理解。学生可能在理论学习阶段就产生困惑，后续知识的学习受影响。深度学习课程的理论性和抽象性，已经对学生造成很困难，教师更应该结合实践教学，帮助学生理掌握课程内容的理论性和抽象性。

1.3第三个挑战是课程内容的更新和与行业发展的同步融合

随着人工智能的快速发展，数据科学与大数据技术的应用领域不断扩展和深化。深度学习为大数据提供理论支撑，其内容更新换代非常快，新技术、新算法、新模型不断涌现。教师需要不断学习和更新自己的知识体系，将最新的研究成果与行业发展融入教学内容中，以保证课程内容的前沿性和实用性，这对教师的学习能力和教学能力都提出了较高的要求然而教学内容往往难以跟上这些快速变化的趋势，导致行业实际需求与学生所学知识不对等。在大数据技术的快速发展形势下，深度学习课程融入人工智能，可以获取更新的学习资源。把行业遇到最新的问题引入教学研究，把握行业发展动态和深入案例研究。以确保学生掌握行业技术的最新发展需求和方向，并且将人工智能应用于实际的大数据和技术问题。

2课程教学改革的具体举措

2.1更新深度学习教学内容

大数据技术的迅猛发展，很多新教学理论和新技术方法冲击着大学课程，深度学习也不例外。为确保大学生能够掌握行业的最新发展趋势、学习技术应用情况，需要教师及时更新深度学习这门课程的教学内容。原有的课程内容注重函数逼近、神经网络等基础知识，最新大数据技术和人工智能内容的引入，则可以使教学内容更具时代性和实效性。

第一，可以引入Hadoop，Spark和Python等大数据平台和工具的相关知识，这些工具能够帮助学生处理和分析大规模的神经网络和图像数据。由于Hadoop是一个开源的分布式计算框架，能够处理大规模数据集并提供高可靠性和容错性，教师可将Hadoop分布式文件系统（HDFS），分布式计算的编程模型（MapReduce），以及Hadoop生态系统中的其他工具和技术等引入课程教学。Spark是一个快速、通用的大数据处理引擎，提供了比Hadoop更高级别的抽象和更快的数据处理速度。教师可以将Spark的基本概念、RDD（弹性分布式数据集）的操作和转换，以及Spark SQL，Spark Streaming和深度学习库等高性能等引入课程教学。Python作为一种简单易学和实用性的编程语言，已经成为数据科学和大数据领域使用的重要工具。教师在Python语言环境下进行数据处理、统计分析和可视化操作，以及将Python与Hadoop和Spark进行集成教学。

第二，新的教学内容包含数据统计分析和机器学习的基本原理和内容。学生可以学习如何应用数据分析技术，通过统计分析、数据可视化和模式识别算法等方法，深入理解深度学习算法、模型、图像、文本和语音的数据，并从中发现隐藏的模式和数据趋势。

第三，除了讲授技术方面的内容外，教师还可以将与大数据相关的价值、伦理、隐私、课程思政和安全等问题引入深度学习课程教学。学生了解处理和保护大量敏感有价值数据的方法，确保数据合法性、安全性和隐私保护的手段，数据应用治理与合规性的重要性，以及遵守国家法规和标准的必要性，这是大数据学生必备的思想素养，教师可以见缝插针结合实例引入思政教育。

2.2采用混合式教学模式

教师在启发式教学中采用问题导向，每次都提出有意义的问题和任务，从而激发学生思考，获得解决问题的灵感。教学案例和课程设计项目应与解决大数据和科学研究的实际问题相结合。混合式教学模式是一种结合面对面教学和在线学习的教学模式[3]。

第一，在每课时用时分配上，教学分为教师的主要讲授、部分讲授和学生的完全自主学习三个时间段。每节课，其中的15分钟教师主要讲授，其余30分钟，学生自主完全学习以及教师部分讲授。学生在完全自主学习时，完成深度学习计算机实验操作，一个师生学习共同体形成了。学生分组全程讨论，计算机编程模拟仿真，平台处理实验数据分析、建模评估改进，促进学生的团队合作能力的提高。教师参与网络课堂、视频或腾讯会议，实时互动教学，与学生在线完成讨论、提问和分析。教师可以共享屏幕，展示教学内容，演示实验或演示操作程序，并使用白板与学生探讨交流。学生也可以通过聊天窗口或麦克风链接与教师进行实时交流讨论，提出问题、回答问题或分享观点，激发学习兴趣，提升课堂参与度和积极性。

第二，教师利用现有在线学习平台为学生提供深度学习教学视频、课件、习题和实验视频等学习资源，学生选择适合自己的课程内容和学习节奏，完成个性化学习进度和学习需求。教师可以通过在线发放问题、讨论论坛、群组合作项目等方式促进学生之间的探讨互动与合作学习。学生可以在虚拟实验室或社区中与他人交流思想、分享经验、解决问题和完成任务。这种合作学习方式拓展了学生的视野，提高了学生的团队合作能力，达成教学与学习的效果。

第三，教师可以利用平台的数据分析和学习监测管理系统来跟踪学生的学习进度和相关情况，根据学生的学习记录，查看学生的学习进展与困难，针对性地采取差异化地辅导。同时，学生通过后台学习管理系统查看各自的学习成绩和反馈，及时改变学习策略。

2.3加强实践教学内容

为了更好地满足大数据行业需求和培养具备实际技能的专业人才，教师应该在教学过程中加强实践教学。“深度学习”课程的理论性、实践性、应用性都很强，做到兼顾因材施教，又培养学生的探索实践能力、创新能力是检验深度学习实践课程改革是否成功的重要检验标准[4]。

第一，在案例分析方面，教师可以根据教学目标和课程内容，选择具有代表性和典型性的建筑电气工程案例，将选取的案例分发给学生并组织讨论。学生需要进行详细分析，发现案例中存在的问题和挑战，提出合理的解决方案，在小组或全班范围内进行讨论和评估，最后，做好反思。实践部分往往是老师利用理论课时给学生在课堂上演示各种机器学习算法在matlab 或python上的仿真与应用，通过实践学生大多可以掌握如何应用机器学习中的算法，学生往往对于机器学习各个算法的本质原理并不能追本溯源，也不具备应用机器学习知识解决实际问题的能力。

第二，实习实训教学方面，指导教师提前准备，制订一份详细实习实训计划，包括实习实训目的如何实现，如何任务分工，进度计划合理安排。在实际操作中，学生接受培训，包括数据预处理、大数据可视化开发、大数据软件测试、大数据应用系统运维、大数据软件技术支持等。根据实习计划，学生可参与具体的深度学习项目实施工作。实习实训结束后，学生需要进行实习总结和评估。

2.4大数据技术下人工智能与深度学习课程的融合

在科学技术快速发展的教育环境中，大数据科学技术、人工智能与深度学习课程的融合是一项重要的发展方向。在这一背景下，深度学习课程的内容，教学方法都在发生变革，以适应大数据时代人才培养的需求。

第一，大数据技术的引入，扩大了深度学习的传统教学范围。除了传统的深度学习理论和系统分析方法外，课程还包括数据处理的新技术，如分布式计算、数据挖掘、机器学习和云计算。这些新技术的加入，使课程更加丰富和现代化，增加了更多的实践，丰富项目导向教学。学生全程参与实例数据的项目，使用Hadoop、Spark或Python等大数据分析工具和软件，更好掌握理论知识。这种实践经验不仅加深了学生对数据处理和分析的理解，还提高了他们处理实际问题的能力[9]。大数据技术也引导课程设计注重跨学科学习，学生需要掌握高等数学、统计学、计算机科学和数据科学的基本理论，以便更好地利用大数据技术并获得解决实际问题的技能。

第二，深度学习课程与人工智能的紧密融合。人工智能技术的迅猛发展，将深度学习模型部署到嵌入式设备是可能的。这使设备能够实时处理复杂任务：图像数据识别、语音数据处理和预测分析等，而无需依赖云。在嵌入式设备上部署深度学习模型，包括环境准备、模型优化。在环境准备方面，选择硬件平台、设置开发环境、安装深度学习框架；在模型优化方面，做好模型量化、模型剪枝、使用硬件加速库。人工智能与深度学习课程的融合过程还在持续发展。

3结语

本文主要探讨大数据时代背景下的深度学习课程教学改革方法。将更新深度学习教学内容、采取混合式教学模式引入到实践教学中，对传统的深度学习实践课程中教学环节和实践环节进行同步改革，利用人工智能与深度学习课程的融合，培养学生中利用深度学习算法研究问题、分析问题和解决大数据问题的能力。新方法的引用和新的教学手段较好支撑了实践教学的开展，促进了课程教学质量的提高。

参考文献

[1]邵婷婷，邵珠艳，岳丽.大数据时代医学院校数学课程教学模式改革与实践[J].医学教育研究与实践，2018，26（6）：922-926.

[2]迟子孟，王颖，赵欣，等.应用型本科院校高等数学教学改革研究[J].现代商贸工业，2012，24（23）：164-165.

[3]王熙雏，张淑红.“电气辅助设计”课程混合式教学模式的研究与实践[J].工业和信息化教育，2023（5）：74-79.

[4]陈琳.高校《机器学习》课程教学改革探索[J].教育现代化，2018，5（06）：99-100+120.

作者简介

邱美兰（1980-）女，江西赣州，副教授，博士，研究方向：机器学习、计算数学。

李德旺（1976-）男，江西赣州，副教授，博士，研究方向：机器学习、贝叶斯统计。