信息技术学院

所属专业大类

（代码）

所属专业类

（代码）

对应行业

（代码）

主要职业类别

（代码）

主要岗位举例

电子与信息大类（51）

计算机类

（5102）

互联网和相关服务（64）、软件与信息技术服务业（65）

人工智能工程技术人员

（2-02-38-01）、人工智能训练师（4-04-05-05）

数据采集与处理、算法模型训练与测试、人工智能应用开发、人工智能系统集成与运维

规格

基本素质与核心能力

具体内涵

知识

专业基础知识

掌握程序设计、Python应用开发、Linux操作系统、数据库技术、计算机网络技术等基础理论。

专业技术知识

熟悉机器学习算法、深度学习框架（如TensorFlow、PyTorch）、数据特征工程、自然语言处理、计算机视觉等技术原理与应用。

能力

技术应用能力

具备数据采集、清洗、标注、特征处理能力；能搭建、训练、测试和优化深度学习模型。

系统开发能力

能基于AI云平台或边缘设备完成应用开发、系统集成与运维；熟练使用OpenCV、NLP工具等。

问题解决能力

能结合行业场景综合运用AI技术解决实际问题；具备项目需求分析、文档编写与团队协作能力。

素质

思想政治素质

坚定拥护中国共产党领导，践行社会主义核心价值观，厚植爱国主义情怀。

职业发展素质

遵守职业道德规范，具备精益求精的工匠精神、绿色生产意识和质量管理能力。

学习创新素质

适应数字化、智能化发展需求，掌握数字技能，具备终身学习与技术创新能力。

身心健康素质

掌握体育运动技能，体质健康达标；具备心理调适能力与良好行为习惯。

审美修养素质

具备文化修养与审美能力，至少掌握一项艺术特长或爱好。

1

人工智能数据服务

能采集文本、图像、语音等数据；熟练使用标注工具生成高质量数据集；掌握数据清洗、特征工程与可视化分析方法。

2

计算机视觉应用开发

能基于OpenCV完成图像/视频预处理；熟练调用AI云平台接口实现目标检测、图像分类等应用开发。

3

深度学习模型训练

能搭建神经网络模型（如CNN、RNN）；掌握模型训练、调优及迁移部署技术。

4

自然语言处理开发

能完成文本分类、情感分析、智能问答等NLP任务；熟练使用NLP框架（如NLTK、spaCy）。

5

智能语音处理开发

能实现语音识别、合成与声纹识别；掌握语音数据标注与模型训练流程。

6

人工智能系统运维

能部署AI算法支撑平台；使用Python/Shell脚本实现自动化运维；完成系统集成与测试。

7

综合项目开发

能完成需求分析、方案设计、开发测试与文档编写；具备项目管理与团队协作能力。

军事理论与军训

专业认识

人工智能数据服务

基础日语

入学教育

学生在学校

开出的公共

选修课中自

由选课

思想道德与法治

中华优秀传统文化

计算机视觉应用开发

数字音视频技术

毕业教育

毛泽东思想和中国特色社会主义理论体系概论

逻辑思维训练

自然语言处理应用开发

Web前端开发

素质拓展训练

习近平新时代中国特色社会主义思想概论

交际英语

（369PGT）

人工智能系统部署与运维

机器学习原理与实践

通用生活技能实训

形势与政策

AIGC基础与应用

人工智能综合项目开发

数据挖掘技术与实践

劳动教育

国家安全教育

Deepseek人工智能应用实践

岗位实习

Python网络爬虫

创新思维导引与实践

非遗教育

程序设计基础

技能考试周

思想道德与行为规范

职业英语

Python编程基础

学习与创新

信息技术

数据库技术

职业发展实践

体育

计算机网络基础

审美修养实践

心理健康教育

Linux操作系统

身心健康素质拓展

大学生职业生涯发展与就业指导

1

Python编程基础

《Python程序开发职业技能标准》

Python语法、数据结构、算法实现、模块开发

Python程序开发证书

初级/中级

2

人工智能数据服务

《人工智能数据处理职业技能标准》

数据采集、清洗、标注、特征工程、数据分析

人工智能数据处理证书

中级

3

计算机视觉应用开发

《计算机视觉应用开发职业技能标准》

图像处理、目标检测、OpenCV应用、AI云平台部署

计算机视觉应用开发证书

中级/高级

4

深度学习应用开发

《人工智能深度学习工程应用标准》

神经网络模型搭建、训练、调优、迁移学习

人工智能深度学习工程应用证书

中级

5

人工智能系统部署与运维

《智能计算平台应用开发职业技能标准》

系统环境搭建、模型部署、自动化运维脚本开发

智能计算平台应用开发证书

中级

6

自然语言处理应用开发

《自然语言处理工程师职业能力标准》

文本分类、情感分析、语义理解、智能问答系统开发

自然语言处理工程师认证（NLP）

行业认证

7

机器学习原理与实践

《机器学习工程师能力认证标准》

监督学习、无监督学习、模型评估与优化

机器学习工程师认证（如阿里云ACA/ACP）

企业认证

8

岗位实习

《人工智能工程技术人员职业标准》

项目需求分析、模型开发、系统集成与测试

计算机技术与软件专业技术资格（软考）

中级/高级

1

计算机视觉应用开发

全国职业院校技能大赛“人工智能技术与应用”

图像分类、目标检测、视频分析、模型部署

国家级赛事

2

深度学习应用开发

中国国际“互联网+”大学生创新创业大赛

AI算法创新、商业应用场景设计、技术实现

综合创新能力考核

3

人工智能综合项目开发

全国大学生智能技术应用大赛

全流程AI项目开发（数据采集→模型训练→系统集成→文档编写）

行业赛

4

自然语言处理应用开发

全国高校NLP算法挑战赛

文本情感分析、机器翻译、智能问答系统开发

学术与产业结合赛事

5

Python网络爬虫

全国大学生程序设计竞赛（Python赛道）

数据爬取、清洗、存储及分析

编程能力专项赛

6

人工智能系统部署与运维

全国职业院校“AI系统运维与优化”赛项

云平台环境搭建、模型部署优化、自动化运维脚本开发

技术应用类赛事

开设学期

一

学分

0.5

总学时

8

理论学时

0

实践学时

8

课程类型

纯理论课（ ）、（理论+实践）课（ ）、纯实践课( √ )

先修课程

军训

后续课程

AIGC基础与应用、、机器学习与Python编程​

教学目标

1、知识目标​

了解人工智能（AI）的技术演进、核心概念（如机器学习、深度学习）及产业发展现状。

熟悉高职人工智能专业的核心课程体系（如机器学习、计算机视觉、自然语言处理等）及知识架构。

掌握人工智能行业的主要职业岗位群（如AI应用工程师、数据标注师、智能系统运维员等）及技能要求。

了解人工智能在智能制造、智慧医疗、智慧城市等领域的应用场景及就业前景。

2、技能目标​

能够描述人工智能的基本原理及典型技术（如ChatGPT、Sora等生成式AI工具）。

通过案例分析（如智能客服、工业机器人应用），理解AI技术的实际落地场景。

制定个人学习计划，明确高职阶段学习路径（如从Python编程到AI项目开发）。

通过团队调研（如本地AI企业案例研究），完成简单的行业分析报告。

3、素质目标​

树立对AI技术的正确认知，增强专业认同感，理解“数字工匠”的职业定位。

培养AI伦理意识（如数据隐私、算法偏见）及社会责任。

激发对AI技术的学习兴趣，培养自主学习与创新思维（如参与AI竞赛、创客项目）。

强化团队协作能力，适应未来人机协作的工作模式。

教学内容

人工智能专业概述​

人工智能的定义、发展历程（从专家系统到生成式AI）。

高职培养目标：面向智能制造、服务业等领域的AI应用型人才。

课程体系与学习路径​

核心课程：机器学习基础、Python编程、计算机视觉、AIGC工具应用等。

课程逻辑：从编程基础到垂直领域应用开发。

职业岗位群与技能要求​

岗位示例：AI算法测试员、智能设备调试工程师、数据标注师。

技能要求：掌握TensorFlow/PyTorch框架基础、熟悉行业工具链（如AutoML平台）。

AI技术应用领域​

案例分析：智能工厂中的机器视觉质检、医疗影像AI辅助诊断、智慧物流中的路径优化。

专业认知实践​

企业参观：本地AI企业（如智能制造车间、AI数据中心）实地调研。

专家讲座：邀请行业从业者分享AI岗位工作流程与职业发展。

教学重点 与难点

重点：​

AI核心课程体系与高职人才培养的适配性（如侧重应用而非理论研究）。

典型岗位技能要求与AI工具链（如AutoML、低代码平台）的操作能力。

难点：​

理解AI伦理问题（如技术失业风险、算法公平性）的复杂性。

如何将AI基础知识（如神经网络原理）转化为高职学生可理解的实践任务。

教学组织

思政融入：通过“AI伦理三分钟”讨论（如自动驾驶伦理困境），强化社会责任意识。

教学手段 和方法

教学方法：分析AI在农业、教育等领域的落地案例。分组完成“AI应用场景调研报告”（如校园智能安防方案）。

教学手段：虚拟仿真平台（如模拟AI模型训练）、职教云平台资源共享。

教学资料

主教材：《人工智能技术应用导论》（高职高专版）。

参考书：《机器学习实战：基于Scikit-Learn与TensorFlow》。

实训资源​

软件：Python编程环境、Jupyter Notebook、AutoML工具（如Google AutoML）。

硬件：智能机器人套件、工业视觉检测模拟平台。

考核要求

本课程为考查课，平时成绩40%，期末成绩60%。

平时成绩（40%）：包括出勤情况、课堂提问、平时作业、实验课上的表现等，主要考核学生的学习态度、参与度、上机任务完成情况。

期末考试（60%）：采用任务考查形式，主要考核学生对课程知识的掌握程度和应用能力。

考核具体内容：课堂纪律考核主要考核学生学习本课程时的出勤纪律情况。作业完成质量考核主要通过学生作业的上交及完成情况考核学生对教学内容的掌握和理解。课堂讨论主要通过学生课堂上的讨论和回答情况进行考核。

开设学期

第一或第二学期

学分

1

总学时

18

理论学时

18

实践学时

0

课程类型

纯理论课（ √ ）、（理论+实践）课（ ）、纯实践课( )

先修课程

职业英语1

后续课程

专业英语

教学目标

本课程旨在通过18学时的理论学习，使学生全面了解中华优秀传统文化的核心内容与历史脉络，掌握相关文化术语的中英文表达，并能够运用双语清晰、准确地传播中国文化。具体目标分为三个层次：

知识目标：学生能够系统掌握八大文化板块的基本知识，理解其历史背景、核心特征及国际影响力，熟悉中英文文化类的专业术语，并能够对比中外文化差异，阐述中国文化的独特性。

技能目标：学生能够运用中英文双语简要讲解文化内涵，设计文化传播活动，制作双语文化宣传材料，并具备初步的跨文化沟通与问题解决能力，能够在职业场景中有效传播中华文化，讲好中国故事。

素质目标：学生能够树立文化自信，增强民族文化认同感，培养跨文化敏感度与同理心，形成开放包容的文化价值观，并具备在全球化语境中主动传播中华文化的责任感与使命感。

教学内容

本课程以“讲好中国故事，传播中国文化”为目标，通过中英双语教学，系统介绍中华优秀传统文化的核心领域，共分为八大主题：

茶文化：中国茶的历史、种类、茶道精神及国际传播；

丝绸文化：丝绸技艺发展、丝绸之路的文化交流意义；

瓷器文化：中国瓷器发展与分类、瓷器工艺的跨文化解读；

传统戏曲：中国传统戏曲剧种尤其是京剧的艺术特色与文化内涵；

书法艺术：汉字演变、书法美学与经典作品赏析；

建筑与园林：故宫的历史背景、建筑布局及文化内涵；

饮食文化：八大菜系特色、非遗美食案例与饮食哲学；

传统服饰：汉服形制演变、服饰纹样寓意。

教学重点 与难点

教学重点：掌握八大文化领域的核心知识、历史脉络与文化符号；

培养学生用中英双语准确描述文化现象的能力。

教学难点：用中英双语介绍八大领域的文化；

从“知识输入”到“文化输出”的转化。

教学组织

每主题2课时（共16课时），结课2课时为文化故事展示；

文化背景讲解+双语术语学习；

课堂内互动讨论比如“如何向外国人介绍中国瓷器”，角色扮演“向外宾介绍中国美食对话”等等。

教学手段 和方法

采用多媒体辅助、案例教学、任务驱动、情景模拟等教学方法和手段。

教学资料

教材：《中国文化英文教程》大连理工出版社

参考教材：《中华优秀传统文化》中国言实出版社 《中国文化概况》大连理工出版社

视频资料: 《你好中国》全集

线上资源：故宫博物院官网、中国大学MOOC《中国传统文化》课程。

考核要求

过程性考核：40%，包括出勤、作业、课堂表现及在线课章节任务点完成情况；

终结性考核：60%，以随堂口试，讲述中国文化故事的方式进行。

开设学期

三

学分

1

总学时

18

理论学时

6

实践学时

12

课程类型

纯理论课（ ）、（理论+实践）课（ √ ）、纯实践课( )

先修课程

高中/中职数学、高中/中职语文

后续课程

创新思维导引与实践、大学生职业生涯发展与就业指导

教学目标

该课程旨在培养学生具备一定的科学文化素养和阅读理解、语言表达、逻辑推理、信息处理等基本能力，从而提高人机对话的提问水平和交流效果，为自主学习和终身学习奠定基础。让学生掌握逻辑的基本理论，训练和提高学生的逻辑思维能力和批判性思维能力，培育逻辑素养，使学生明确正确思维和表达的逻辑要求，能分辨和纠正常见的逻辑错误，尤其是能够自觉地运用逻辑知识解决学习、生活和工作中的实际问题。从而培养严谨、理性的思维方式；增强批判性思维和独立思考能力；提升团队协作中的沟通效率；树立正确的世界观、人生观和价值观。

教学内容

逻辑学的概念；命题及其判定；推理方法及其分类；逻辑思维规律；归纳和类比逻辑推理

教学重点 与难点

推理方法及其分类；逻辑思维规律

教学组织

该课程理论6学时，讲授逻辑学基础及场景应用，10学时用于实践训练，主要训练学生利用人工智能软件提问的逻辑思维和提问水平，2学时用于随堂测试。

教学手段 和方法

多媒体教学；小组讨论；案例分析；角色扮演，游戏教学法等。

教学资料

逻辑学原来如此有趣；形式逻辑（第六版）；逻辑学基础教程；学银在线（形式逻辑）

考核要求

平时成绩60%+期末实践考核40%

开设学期

第一至第二学期

学分

2

总学时

36

理论学时

0

实践学时

36

课程类型

纯理论课（ ）、（理论+实践）课（ ）、纯实践课( √ )

先修课程

高中英语或中职英语

后续课程

专业英语

教学目标

本课程旨在通过一系列的英语情景对话训练，提高学生的英语沟通交际能力。在职场情境中，能够运用英语语言知识和语言技能比较准确地理解和表达信息、观点、情感，进行有效口头沟通。

通过课程学习与实践，培育和践行社会主义核心价值观，落实立德树人根本任务，在中等职业学校和普通高中教育的基础上，进一步促进学生英语学科核心素养的发展，培养具有家国情怀、国际视野，能够在日常生活和职场中用英语进行有效沟通的高素质技能人才。

教学内容

本课程以日常生活和职场情景对话内容为主，融入中国饮食文化、服装文化、餐饮文化、科技发展、中西差异、职场礼仪，职业操守等思政元素，突出口语交际训练，为涉外就业、留学深造或国际事务参与奠定基础。主要内容如下：

1)生活交际英语

该部分内容为常见生活场景的对话，主题包括：乘坐地铁、网上订机票、办理登机手续、免税店购物、预定餐厅、点餐、办理酒店入住、兑换外币、银行卡挂失、看医生、乘坐网约出租车、食堂就餐、签证面试、运动比赛等。

2)职场交际英语

该部分内容为常见职业场景的对话，主题包括：求职面试、入职报到、制定预算、发送快递、洽谈发货时间、投诉、机场接待客户、购物、商务宴请、出差旅行、商讨促销方案、展台预定、产品咨询等。

3)职业进阶英语（学有余力学生选修）

该部分内容为商务营销类口语交际对话，参考实用英语交际等级证书考试

课程名称

交际英语

课程编号

3070002

（1+X）中的口语考试大纲，主题包括：产品咨询，活动通知，新品推介，涉及20多种产品介绍和商务活动项目。

4）职业院校技能大赛口语赛项模拟训练（学有余力学生选修）

教学重点 与难点

教学重点：掌握生活交际英语和职场交际英语部分的经典词汇和句型。

教学难点：在各类生活情景和职场情景下用英语进行口语输出和交流。

教学组织

第一学期完成“生活交际英语”部分的学习，第二学期完成“职场交际英语”部分的学习。另外，学有余力的同学，可借助U校园智慧教学平台，自主学习第3部分和第4部分，为职业英语交际技能等级证书以及职业院校技能大赛英语口语赛项做准备。

教学手段 和方法

采用多媒体辅助情景教学、任务驱动，智慧学习软件自学等教学方法和手段。

教学资料

教材：《实用英语口语教程》华中科技大学出版社

参考教材：《新理念交互英语视听说教程》北京邮电大学出版社

视频资料: 《你好中国》全集

线上资源：U校园智慧教学平台、中国大学MOOC《中国传统文化》课程。

考核要求

过程性考核：60%，包括出勤、听写、课堂表现及在线资源任务点完成情况；

终结性考核：40%，U校园平台口语测试。

开设学期

一

学分

1

总学时

18

理论学时

18

实践学时

0

课程类型

纯理论课（ ✓ ）、（理论+实践）课（ ）、纯实践课( )

先修课程

无

后续课程

《信息技术》、《逻辑思维训练》等

教学目标

（一）素质目标

1.坚定理想信念，增强“四个自信”；

2.厚植爱国主义情怀，树牢“四个意识”；

3.加强品德修养，具备良好的职业道德，培养爱岗敬业、认真负责、精益求精的素质和认真、细心、严谨的工作作风；

4. 树立正确的科技应用价值观，增强社会责任意识，遵守人工智能技术应用中的职业道德规范；

5.增强综合素质，具有发现问题、分析问题和归纳总结问题的能力，具备良好的团队协作能力。

（二）知识目标

1.了解人工智能的起源、发展史、核心要素、发展趋势以及生成式人工智能的定义、特点和应用场景。

2.熟悉 AIGC 提示词的定义、元素组成、基本原则、类型和作用。

3.理解机器学习与深度学习的基本原理及其在生成式AI中的作用；

4.熟悉人工智能在不同领域的应用，如影视传媒、电商、教育、医疗、金融和农业等。

5.理解 AIGC 的伦理问题概念、具体表现及法律风险，掌握应对策略，明确生成式 AI 服务的法律规范。

（三）技能目标

1.掌握利用百度 AI 开放平台、文心一言、DeepSeek、即梦 AI 和腾讯智影等工具进行图像识别、文本生成、图像生成和音视频生成的方法。

2.能够运用 AIGC 工具进行创意写作和视觉艺术创作，提升文案定制能力和市场沟通技巧。

3.具备跨领域应用能力，独立完成影视、教育、医疗等场景的AI解决方案设计与实施。

4.掌握AIGC提示词的高级技巧，通过迭代优化生成内容质量。

5.能够对AI生成结果进行批判性分析，识别潜在偏差并修正。

6.具备撰写技术文档及项目报告的能力，清晰呈现AI应用成果。

教学内容

1.人工智能基础与生成式 AI 概览；

2. AIGC 提示词的使用技巧；

3. AIGC 在文本生成中的应用；

4. AIGC 与数据处理；

5. AIGC 与图像生成；

6. AIGC 在音频制作中的应用；

7. AIGC 与视频生；

8. AIGC 与智能体；

9. AIGC 的伦理与责任；

10.思政教育。

教学重点 与难点

重点：人工智能的核心要素和发展趋势；生成式人工智能的定义、特点及应用场景；常见 AIGC 工具的使用方法；AIGC 提示词的基本原则和作用；AIGC 在不同领域的应用案例。

难点：理解人工智能、机器学习与深度学习三者之间的关系；运用 AIGC 工具进行高质量的创意写作和视觉艺术创作；理解 AIGC 提示词框架的基本原理和必要性；运用 AIGC 提示词框架进行高质量的内容创作；对 AIGC 生成内容的局限性和优化方法的理解；结合实际案例深入分析 AIGC 的伦理与法律问题。

教学组织

1.课堂讲授与实操演练相结合，提升学生的实践能力。

2.小组讨论和合作学习，培养学生的团队合作能力和创新思维。

3.课堂实训和课后练习，巩固所学知识。

教学手段 和方法

教学方法：融合式学习法、案例教学法、情景模拟法、互动讨论法

教学手段：多媒体、在线教学平台和 AIGC 工具平台实际操作

教学资料

教材《生成式人工智能素养》、多媒体课件、AIGC 相关工具和平台

考核要求

本课程的总成绩由平时成绩和期末考试成绩两部分构成，平时成绩占40%，期末考查成绩占60%。其中，平时成绩以百分制计算，包括课堂考勤（10%）、课堂练习（10%）、AI拓学（10%）、智能体评价（10%）四部分；期末成绩以百分制计算，采用终期项目考查的形式，提交大作业。

开设学期

二

学分

3

总学时

54

理论学时

18

实践学时

36

课程类型

纯理论课（ ）、（理论+实践）课（ √ ）、纯实践课( )

先修课程

Python编程基础、人工智能导论

后续课程

人工智能综合项目开发

教学目标

1、掌握Deepseek平台操作与AI模型部署；

2、能完成端到端AI应用开发；

3、融入思政：强化工程规范与知识产权保护意识。

教学内容

模块一：Deepseek工具链实战；

模块二：模型训练与优化；

模块三：开源协议与代码合规性。

教学重点 与难点

重点：模型部署与性能调优；

难点：技术方案的知识产权风险评估。

教学组织

企业级项目开发（如智能客服系统） + 合规性审查模拟。

教学手段 和方法

平台实操+分组评审（模拟专利审核）。

教学资料

教材：《Deepseek开发指南》；

思政资源：开源协议法律解读。

考核要求

平时成绩占40%，期末考查成绩占60%，其中期末考核部分，项目开发（60%）+合规报告（30%）+团队协作（10%）。

开设学期

二

学分

3

总学时

54

理论学时

10

实践学时

44

课程类型

纯理论课（ ）、（理论+实践）课（ √ ）、纯实践课( )

先修课程

无

后续课程

Python编程基础、数据库技术

教学目标

（一）素质目标

1.坚定理想信念，增强“四个自信”；

2.厚植爱国主义情怀，树牢“四个意识”；

3.加强品德修养，具备良好的职业道德，培养爱岗敬业、认真负责、精益求精的素质和认真、细心、严谨的工作作风；

4.培养学生严谨的逻辑思维习惯和解决问题的能力，使其能够运用逻辑思维分析和解决编程过程中的各类问题；

5.增强学生对编程规范和代码质量的重视意识，培养学生良好的编程风格和职业素养，如代码的可读性、可维护性等方面的意识；

6.通过团队项目实践和小组协作学习，提高学生的团队合作能力、沟通交流能力和共同解决问题的能力，为今后在软件开发团队中的工作打下基础。

（二）知识目标

1.掌握 Java 语言的基本语法、数据类型、运算符、控制结构等基础知识；

2.理解面向对象编程的核心概念，包括类与对象、继承、多态、接口、包等，并能够运用这些概念进行程序设计；

3.熟悉 Java 的异常处理机制，能够合理运用异常处理语句进行程序的健壮性设计。

4.了解 Java 的常用类库和 API，能够熟练运用常用类进行程序开发；

5.掌握 Java 程序的开发环境搭建、编译、调试和运行的基本流程和方法。

（三）技能目标

1.能够运用 Java 语言编写出结构清晰、逻辑正确、可读性高的简单程序，如控制台程序、简单的文件操作程序等；

2.具备运用 Java 面向对象思想设计和实现小型软件系统的能力，能够根据实际问题需求设计合理的类结构和对象交互方式；

3.能够熟练使用开发工具（如 Eclipse、IntelliJ IDEA 等）进行 Java 程序的编写、调试和运行，提高开发效率；

4.具备一定的代码优化能力，能够对所编写的 Java 程序进行性能优化、代码重构等操作，以提高程序的执行效率和可维护性。

教学内容

1.Java 语言基础，包括 Java 的发展历程、特点、开发环境搭建，以及基本语法、数据类型、变量、运算符、控制结构等内容；

2.面向对象编程基础，重点讲解类与对象的概念、创建与使用，方法的定义与调用，构造方法，this 关键字，静态成员，继承的概念、特点及实现方式，方法重写与构造方法重写，多态的原理及应用，接口的定义与实现，内部类等知识；

3.异常处理，讲解 Java 中的异常体系结构、常见异常类型，以及 try - catch - finally 语句、throws 和 throw 关键字等异常处理机制；

4.常用类库，介绍 Java 中的常用类，如 Object 类、包装类、String 类、数组、集合框架等的使用方法和应用场景；

5.实践项目，通过多个小型项目案例，如学生成绩管理系统、简单的计算器程序、文件读写操作程序等，让学生在实际操作中巩固所学知识，提高编程能力和解决实际问题的能力。

教学重点

与难点

重点：算法设计、函数模块化；难点：逻辑抽象、代码优化与调试。

教学组织

理论讲授（40%）+案例实训（60%），采用项目驱动法（如学生成绩管理系统）。

教学手段

多媒体演示、CodeBlocks/PyCharm实操、分组代码评审。

教学资料

教材、多媒体课件、参考书籍、在线资源

考核要求

平时成绩占40%，期末考查成绩占60%

开设学期

一

学分

3

总学时

54

理论学时

18

实践学时

36

课程类型

纯理论课（ ）、（理论+实践）课（ √ ）、纯实践课( )

先修课程

程序设计基础

后续课程

人工智能数据服务、机器学习原理与实践

教学目标

1.、知识目标

掌握Python语言的基本语法结构，包括变量、数据类型、运算符、流程控制、函数定义与调用等核心概念。

理解并掌握面向对象编程的基本思想，能够编写简单的类与对象程序。

熟悉文件操作与异常处理机制，具备处理常见程序错误的能力。

掌握NumPy、Pandas基本用法，能够进行数据清洗、统计与分析。

了解网络爬虫的基本原理，能够使用Requests库实现网页数据抓取。

初步认识AI开发流程，能够调用百度AI等平台提供的API完成简单任务。

2.、能力目标

能够独立编写结构清晰、逻辑正确的Python程序，具备基本的代码调试与优化能力。

能够利用Python完成数据处理、文件操作、网络爬虫等实际应用任务。

能够使用Jupyter Notebook进行数据分析与可视化，具备初步的数据科学实践能力。

能够通过Git进行代码版本管理，具备团队协作开发的基础能力。

能够结合AI平台调用API，完成简单智能应用开发，为后续人工智能课程打下基础。

3.、素质目标

培养学生逻辑思维能力和问题解决能力，提升计算思维水平。

增强学生对编程的兴趣，树立软件开发的职业意识。

培养学生规范的编程习惯，包括代码注释、变量命名、模块化设计等。

教学内容

1、Python语法基础

Python语言特点与开发环境配置

变量、数据类型与运算符

条件语句与循环语句（if/for/while）

列表、元组、字典、字符串等基本数据结构

函数定义与参数传递

模块与包的使用

2、面向对象编程基础

面向对象编程思想概述

类与对象的创建与使用

封装、继承、多态的基本应用

异常处理机制

3、文件操作与数据处理

文件的读写操作

异常处理机制

NumPy库的基本操作（数组操作、数学运算）

Pandas库的基本操作（数据读取、清洗、统计）

4、网络爬虫基础

HTTP协议与网页结构

使用Requests库发送网络请求

使用BeautifulSoup库解析HTML

数据存储与简单网页爬取项目

5、AI应用入门

人工智能与Python的关系

百度AI平台等API调用基础

使用TensorFlow或PyTorch进行简单模型调用

综合项目：爬虫+数据处理+AI调用

教学重点

与难点

重点：Python语法、数据操作；难点：面向对象编程、库函数集成。

教学组织

理论+实验（2:3），通过数据分析、小型爬虫项目强化实践。

教学手段

Jupyter Notebook实操、GitHub代码管理、AI云平台调用（如百度AI）。

教学资料

教材《Python编程从入门到实践》、Kaggle数据集、在线API文档。

考核要求

平时成绩占40%，期末考查成绩占60%，其中期末考核理论部分（40%）+综合项目部分（60%，如数据可视化分析）。

开设学期

三

学分

3

总学时

54

理论学时

18

实践学时

36

课程类型

纯理论课（ ）、（理论+实践）课（ √ ）、纯实践课( )

先修课程

程序设计基础

后续课程

人工智能数据服务、Web前端开发

教学目标

知识目标，掌握关系型数据库（如MySQL）和非关系型数据库（如MongoDB）的基本原理、结构及应用场景。

理解数据库范式设计、事务管理、索引优化等核心概念，熟悉SQL语法（包括增删改查、数据类型、约束条件、视图、存储过程等）。

了解数据库与Python交互的技术实现（如PyMySQL、ORM框架），掌握数据库连接池、安全性配置等进阶知识。

熟悉数据库管理系统（DBMS）的分类与选型，了解数据库在电商系统、AI数据服务等实际场景中的应用。

2、能力目标，能够独立完成数据库设计任务（如ER图绘制、表结构设计、索引优化），并运用SQL实现数据操作与管理。

具备使用MySQL Workbench、Navicat等工具进行数据库开发与调试的能力，掌握数据库性能调优技巧。

能够结合Python编程语言实现数据库连接、数据查询及可视化分析，具备解决实际开发问题的能力。

能够设计并完成基于电商系统的数据库项目，包括需求分析、建模、实现和性能优化，提升综合项目开发能力。

3、素养目标，培养严谨的逻辑思维和数据规范化意识，提升数据库设计的科学性。

增强团队协作能力，通过小组项目实践锻炼沟通与分工合作的技能。

培养数据库安全意识，了解数据备份、权限管理等安全措施。

培养职业素养，包括文档撰写规范、代码调试习惯和问题分析能力。

教学内容

1、数据库原理与范式

数据库的基本概念、分类与发展趋势（关系型 vs 非关系型）。

数据库管理系统（DBMS）的功能与选型（如MySQL、MongoDB、Redis）。

数据库范式理论（第一范式到第三范式），结合实际案例（如电商系统）分析范式设计的优缺点。

2、SQL语法与操作

SQL基础语法：SELECT、INSERT、UPDATE、DELETE语句及子查询。

数据类型与约束条件（主键、外键、唯一性约束、默认值等）。

事务管理：ACID特性、事务的提交与回滚、锁机制与并发控制。

高级SQL功能：视图、索引、存储过程与触发器的设计与使用。

3、数据库设计与优化

数据库设计流程：需求分析、逻辑建模（ER图）、物理设计（表结构）与实施。

数据库建模工具的使用（如MySQL Workbench、PowerDesigner）。

索引优化策略：索引类型（B树、哈希）、索引设计原则与性能调优方法。

数据库安全与备份：用户权限管理、数据加密、定期备份与恢复操作。

4、NoSQL基础与应用

NoSQL数据库的分类（文档型、键值型、列存储型、图数据库）。

MongoDB的基本操作：数据存储、查询、聚合与分片技术。

NoSQL与关系型数据库的对比分析（适用场景、优缺点）。

NoSQL在非结构化数据处理（如日志、用户行为分析）中的实际应用。

5、数据库与Python交互

使用PyMySQL连接MySQL数据库，实现数据查询、更新与可视化。

ORM框架（如SQLAlchemy）的使用与优势，简化数据库操作流程。

数据库连接池与性能优化（如减少连接开销）。

数据库连接的安全性：防止SQL注入、数据加密与认证机制。

教学重点

与难点

重点：SQL语法、数据库设计；难点：事务管理、性能优化。

教学组织

理论（40%）+实验（60%），以电商系统数据库为案例贯穿教学。

教学手段

MySQL Workbench操作、Navicat工具、Python连接数据库实战。

教学资料

教材《数据库系统概论》、在线沙箱平台（SQL Fiddle）、实验手册。

考核要求

平时成绩占40%，期末考查成绩占60%，其中期末考核理论内容部分（40%）+数据库设计项目（60%）。

开设学期

三

学分

3

总学时

54

理论学时

18

实践学时

36

课程类型

纯理论课（ ）、（理论+实践）课（ √ ）、纯实践课( )

先修课程

无

后续课程

人工智能系统部署与运维

教学目标

1、知识目标

掌握计算机网络的基本概念、组成和分类（如局域网、广域网、城域网），理解网络协议（如TCP/IP、HTTP/HTTPS）的工作原理及应用场景。

熟悉OSI七层模型与TCP/IP四层模型的结构及功能，掌握网络设备（如路由器、交换机）的配置与管理方法。

理解IP地址分类（A/B/C类）、子网划分、VLSM（可变长子网掩码）和CIDR（无类别域间路由）的原理及实际应用。

掌握网络通信的基本技术（如Socket编程、数据包分析），了解网络安全防护措施（如防火墙、IDS/IPS、加密技术）。

熟悉网络性能优化方法（如路由策略、流量控制），为后续AI系统部署与运维课程打下网络基础。

2、能力目标

能够独立配置局域网（如静态路由、VLAN划分），并使用Cisco Packet Tracer模拟企业网络环境。

能够使用Wireshark工具抓取和分析网络数据包，识别常见协议（如HTTP、DNS、TCP）的交互过程。

具备网络安全防护能力，能配置防火墙规则、识别网络攻击（如DDoS、ARP欺骗）并采取应对措施。

能够编写简单的Python网络程序（如Socket通信、HTTP请求），实现数据传输与交互功能。

能够完成网络配置项目（如企业网络拓扑设计、网络安全方案实施），提升综合实践能力。

3、素养目标

培养严谨的网络规划与配置习惯，提升对网络协议和拓扑结构的理解能力。

增强团队协作意识，通过小组项目实践锻炼沟通与分工能力。

培养网络故障排查与问题解决能力，为后续AI系统运维奠定基础。

培养网络安全意识，了解数据加密、权限管理等安全规范。

培养职业素养，包括文档撰写规范、网络设备操作流程和项目交付标准。

教学内容

1、网络基础与模型

计算机网络的基本概念、分类（局域网、广域网、城域网）及应用场景。

OSI七层模型与TCP/IP四层模型的结构、功能及对应协议（如物理层、数据链路层、传输层、应用层）。

网络通信的基本原理（如数据封装、传输、解封装）及网络设备（路由器、交换机、防火墙）的作用。

2、IP地址与子网划分

IP地址的分类（A/B/C类）、子网掩码、默认网关及广播地址的计算与配置。

子网划分的原理与方法（如VLSM、CIDR），结合企业网络案例进行实际操作。

IP地址分配策略与网络规划（如VLAN划分、IP地址池管理）。

3、路由与交换技术

路由器的基本功能与配置（如静态路由、动态路由协议RIP、OSPF）。

交换机的工作原理与VLAN划分技术，掌握交换机端口配置与通信隔离方法。

网络拓扑设计（如星型、总线型、环型、网状拓扑），结合企业网络环境模拟实践。

4、网络协议与应用

HTTP/HTTPS协议的工作原理、请求响应流程及常见状态码（如200、404、500）。

TCP/IP协议族的核心协议（如TCP、UDP、IP、ICMP）的功能及应用场景。

DNS协议的解析过程及网络地址转换（NAT）技术。

5、网络安全与防护

网络安全的基本概念与威胁类型（如DDoS、ARP欺骗、SQL注入）。

防火墙的配置与规则管理（如ACL、端口过滤）。

网络入侵检测与防御技术（如IDS/IPS、流量监控）。

数据加密技术（如SSL/TLS、AES）及网络通信安全配置。

教学重点

与难点

重点：网络协议、IP配置；难点：子网划分、路由策略。

教学组织

理论（40%）+实验（60%），模拟企业网络环境（Cisco Packet Tracer）。

教学手段

虚拟仿真实验、网络攻防演练、Python网络爬虫实践。

教学资料

教材《计算机网络（自顶向下方法）》、Wireshark工具包、实验案例库。

考核要求

平时成绩占40%，期末考查成绩占60%，其中期末考核内容理论部分（40%）+网络配置实践（60%）。

开设学期

四

学分

2

总学时

36

理论学时

10

实践学时

26

课程类型

纯理论课（ ）、（理论+实践）课（ √ ）、纯实践课( )

先修课程

程序设计基础

后续课程

人工智能系统部署与运维

教学目标

1、知识目标

掌握Linux操作系统的基本概念、核心功能及应用场景（如服务器管理、AI开发环境部署）。

理解Linux文件系统结构、权限管理机制（如用户、组、权限位）及文件操作命令（如ls、cp、mv、chmod）。

熟悉常用命令行工具（grep、sed、awk）的功能与使用场景，掌握文本处理与数据分析技巧。

掌握Shell脚本编程基础（变量、条件判断、循环、函数），能够编写自动化脚本解决实际问题。

理解软件安装与服务配置流程（如yum、apt、源码编译），掌握Linux系统在AI开发中的部署需求（如Docker容器、GPU驱动安装、虚拟环境配置）。

2、能力目标

能够熟练使用命令行工具完成Linux系统的日常管理任务（如文件操作、权限配置、进程监控）。

具备编写Shell脚本的能力，实现自动化操作（如批量文件处理、服务启动脚本、日志分析脚本）。

能够独立完成Linux系统的基础配置（如网络设置、用户管理、服务启动），并部署AI开发环境（如PyTorch、TensorFlow）。

具备使用虚拟机（VMware/CentOS）和云服务器（如阿里云、腾讯云）进行Linux系统实操的能力。

能够通过实践项目（如深度学习框架部署）提升系统管理和脚本编程的综合应用能力。

3、素养目标

培养严谨的系统管理习惯，提升对Linux命令行工具的熟练度与规范操作意识。

增强问题分析与解决能力，通过调试Shell脚本和排查系统故障提升逻辑思维。

培养团队协作意识，通过小组项目（如AI环境部署）锻炼分工与沟通能力。

培养安全意识，了解Linux系统安全配置（如防火墙、用户权限管理）及防护措施。

培养职业素养，包括文档撰写规范、代码调试习惯和项目交付标准。

教学内容

1、Linux系统基础与核心概念

Linux操作系统概述（历史、版本、应用场景）。

文件系统结构（根目录、目录层级、文件类型与权限）。

用户与组管理（用户创建、权限分配、sudo权限配置）。

2、常用命令与文本处理

基础命令（ls、cd、mkdir、touch、cat、echo、find、grep、sed、awk）。

文件与目录操作（复制、移动、删除、重命名、权限修改）。

文本处理工具（grep筛选、sed文本替换、awk数据统计）。

3、Shell脚本编程

Shell脚本语法基础（变量、条件判断、循环结构、函数定义）。

脚本调试技巧（调试命令、错误处理、脚本优化）。

实用脚本案例（如日志分析、服务启动脚本、文件批量处理）。

4、软件安装与服务配置

Linux软件安装方式（yum、apt、源码编译、容器化部署）。

服务管理（systemd、服务启动/停止/重启、日志查看）。

系统配置（网络配置、SSH服务、防火墙规则设置）。

5、AI开发环境部署与管理

使用Docker部署深度学习框架（如PyTorch、TensorFlow）。

安装与配置GPU驱动（NVIDIA CUDA、cuDNN）。

配置Python虚拟环境（venv、conda）及依赖管理（pip、apt）。

系统资源监控与优化（如CPU、内存、磁盘使用情况）。

教学重点

与难点

重点：命令行操作、脚本编写；难点：权限管理、服务部署。

教学组织

理论（40%）+实践（60%），以部署深度学习框架（如PyTorch）为驱动任务。

教学手段

虚拟机（VMware/CentOS）、云服务器实操、Shell脚本调试。

教学资料

教材《鸟哥的Linux私房菜》、在线实验平台（Linux Academy）。

考核要求

平时成绩占40%，期末考查成绩占60%，其中期末考核实践操作考试（100%，包括脚本编写与系统配置）。

开设学期

三

学分

3

总学时

54

理论学时

18

实践学时

36

课程类型

纯理论课（ ）、（理论+实践）课（ √ ）、纯实践课( )

先修课程

Python编程基础、数据库技术

后续课程

计算机视觉应用开发、自然语言处理应用开发

教学目标

1、知识目标

掌握人工智能数据服务的核心流程（数据采集、清洗、标注、特征工程、存储与管理），理解各环节在AI模型训练中的作用。

熟悉多模态数据（文本、图像、语音）的采集方法与工具（如网络爬虫、API接口、传感器数据采集）。

理解数据清洗的核心原则（去重、缺失值处理、噪声过滤）及常用算法（如异常检测、数据标准化）。

掌握数据标注工具（如LabelImg、Label Studio）的使用规范，了解标注质量对模型训练的影响。

理解特征工程的理论基础（如特征选择、特征提取、特征可视化），掌握Pandas、NumPy等工具的数据处理方法。

熟悉数据库与云存储（如AWS S3、阿里云OSS）在数据管理中的应用场景及技术实现。

2、能力目标

能够独立完成多模态数据的采集任务（如爬取公开数据集、使用API获取图像/语音数据）。

具备使用Pandas进行数据清洗与预处理的能力，能通过代码解决数据缺失、重复、噪声等问题。

能够熟练操作数据标注工具（如LabelImg、Label Studio），完成图像/文本标注任务并输出标准化数据格式。

能够结合特征工程方法（如PCA降维、文本向量化）优化数据质量，提升模型训练效果。

具备团队协作能力，通过标注任务分工和数据集构建项目，提升沟通与项目管理能力。

能够设计并实施基于真实场景（如医疗影像）的数据服务流程，完成从数据采集到模型训练的完整链路。

3、素养目标

培养数据质量意识，理解数据清洗与标注对AI模型性能的关键影响。

增强团队协作与项目管理能力，通过标注任务分工和数据集构建实践锻炼分工协作与责任意识。

培养数据伦理意识，了解数据标注中的隐私保护、数据真实性验证等规范。

提升文档撰写能力，规范记录数据采集、清洗、标注及特征工程的流程与结果。

培养职业素养，包括代码规范、数据安全意识和项目交付标准。

教学内容

1、人工智能数据服务概述

人工智能数据服务的定义、流程及重要性（数据质量决定模型效果）。

数据服务与AI模型训练的关联性（数据预处理、特征工程、数据存储）。

数据服务在医疗、金融、教育等领域的实际应用案例（如医疗影像标注、金融数据清洗）。

2、数据采集技术

文本数据采集：网络爬虫（requests、BeautifulSoup）、API接口调用、公开数据集（Kaggle、UCI）。

图像数据采集：使用摄像头、图像传感器或公开数据集（如ImageNet、COCO）。

语音数据采集：录音设备、语音API（如阿里云语音识别服务）、公开语音数据集（如LibriSpeech）。

数据采集工具的使用规范（如遵守数据使用协议、隐私保护）。

数据清洗与预处理

3、数据清洗流程：去重、缺失值填充、异常值检测、数据标准化（如归一化、离散化）。

常用清洗工具与方法（Pandas、NumPy、正则表达式）。

数据预处理技术（如文本分词、图像尺寸统一、语音采样率调整）。

数据清洗中的噪声处理策略（如文本中的停用词过滤、图像中的模糊区域处理）。

4、数据标注与质量控制

标注工具使用（LabelImg、Label Studio、CVAT）：标注格式（YOLO、PASCAL VOC）、标注规范（如类别划分、坐标精度）。

团队协作标注流程：任务分配、标注一致性检查、数据质量评估（如标注准确率、覆盖率）。

多模态数据标注（如文本-图像联合标注）的挑战与解决方案。

5、特征工程与数据可视化

特征工程核心方法：特征选择（如卡方检验、互信息法）、特征提取（如文本TF-IDF、图像CNN特征）。

数据可视化工具（Matplotlib、Seaborn、Tableau）的应用：数据分布分析、特征相关性展示。

特征工程在AI模型训练中的优化策略（如降维、特征组合）。

6、数据存储与管理

数据存储技术：关系型数据库（如MySQL）与非关系型数据库（如MongoDB）在数据管理中的选择。

云存储方案（AWS S3、阿里云OSS）的配置与数据上传流程。

数据管理规范：数据分类存储、版本控制（如Git）、数据备份与恢复。

教学重点

与难点

重点：数据标注规范、特征工程方法；难点：数据清洗中的噪声处理、多模态数据融合。

教学组织

理论（30%）+实训（70%），以真实场景（如医疗影像标注）为项目驱动。

教学手段

数据标注平台（Label Studio）、Jupyter Notebook分析、团队协作标注任务。

教学资料

教材《数据科学实战手册》、Kaggle公开数据集、标注工具操作指南。

考核要求

平时成绩占40%，期末考查成绩占60%，其中期末考核内容，标注任务完成度（40%）+数据分析报告（60%）。

开设学期

四

学分

4

总学时

72

理论学时

18

实践学时

54

课程类型

纯理论课（ ）、（理论+实践）课（ √ ）、纯实践课( )

先修课程

人工智能数据服务、Python编程基础

后续课程

人工智能综合项目开发

教学目标

1、知识目标

掌握计算机视觉的基本概念、核心任务（图像分类、目标检测、图像分割）及应用场景（如工业检测、安防监控）。

理解图像预处理技术（灰度化、滤波、直方图均衡化）及OpenCV库的功能与使用方法。

熟悉特征提取方法（传统算法如SIFT、HOG，深度学习方法如CNN、YOLO）及模型训练流程（数据增强、损失函数、优化器选择）。

掌握迁移学习的原理与实现（如使用预训练模型进行微调），了解模型调优策略（如超参数调整、正则化）。

理解模型部署技术（TensorRT加速、Edge TPU边缘计算、云平台（如AWS、阿里云）集成），掌握模型轻量化与实时性优化方法。

2、能力目标

能够独立完成图像预处理任务（如图像去噪、增强、标准化），并使用OpenCV实现图像处理功能。

具备使用PyTorch/TensorFlow框架进行图像分类和目标检测模型训练的能力，能通过代码实现模型调优。

能够将训练好的模型部署到AI云平台或边缘设备（如树莓派、Jetson Nano），完成模型推理与实时应用。

具备项目开发能力，能结合工业检测、安防监控等真实场景，设计并实现完整的计算机视觉应用流程。

能够通过团队协作完成复杂项目（如多目标检测、图像分割），提升沟通与分工效率。

3、素养目标

培养严谨的图像处理与模型训练习惯，提升对计算机视觉技术的理解与应用能力。

增强团队协作意识，通过小组项目实践锻炼分工与沟通能力。

培养模型部署与优化能力，为AI系统运维岗位提供技术支撑。

培养职业规范意识，包括代码文档撰写、模型性能评估、边缘设备操作流程。

培养创新思维，通过实战项目探索计算机视觉技术在实际场景中的扩展应用（如行为识别、图像生成）。

教学内容

1、计算机视觉基础与应用

计算机视觉的基本概念、核心任务（分类、检测、分割）及技术发展现状。

常见应用场景分析（工业检测、安防监控、医疗影像分析）及技术需求。

开源工具与框架（OpenCV、TensorFlow、PyTorch）的选型与使用规范。

2、图像预处理与增强

图像读取与显示（OpenCV读取、保存、展示图像）。

常用预处理技术：灰度化、滤波（高斯滤波、中值滤波）、直方图均衡化、图像缩放与裁剪。

图像增强方法：数据增强（旋转、翻转、噪声添加）、图像标准化（归一化、数据集划分）。

预处理在模型训练中的作用（提升数据质量、减少过拟合）。

3、特征提取与模型训练

传统特征提取方法（SIFT、HOG、LBP）及OpenCV实现。

深度学习特征提取方法（CNN卷积层、特征图可视化）。

图像分类模型训练流程（数据加载、模型定义、训练与验证、损失函数分析）。

目标检测模型训练（YOLO、SSD、Faster R-CNN）及数据标注要求（COCO格式、标注工具使用）。

模型调优策略（超参数调整、正则化、学习率控制）及性能评估（准确率、召回率、F1值）。

4、模型部署与优化

模型部署技术：TensorRT加速、ONNX格式转换、边缘设备（树莓派、Jetson Nano）部署流程。

实时性优化方法（模型剪枝、量化、量化感知训练）及性能测试（FPS、延迟分析）。

AI云平台集成（如阿里云PAI、AWS SageMaker）与模型服务化部署（REST API接口）。

部署中的兼容性问题（如硬件限制、软件环境配置）。

教学重点

与难点

重点：OpenCV图像处理、模型迁移学习；难点：模型轻量化部署、实时性优化。

教学组织

理论（30%）+实验（70%），结合工业检测、安防监控等真实案例。

教学手段

OpenCV实操、Google Colab训练模型、树莓派部署实战。

教学资料

教材《计算机视觉算法与应用》、COCO数据集、Edge TPU开发文档。

考核要求

平时成绩占40%，期末考查成绩占60%，其中期末考核内容，模型训练报告（30%）+部署项目（70%）。

开设学期

四

学分

3

总学时

54

理论学时

18

实践学时

36

课程类型

纯理论课（ ）、（理论+实践）课（ √ ）、纯实践课( )

先修课程

Python编程基础、人工智能数据服务

后续课程

人工智能综合项目开发

教学目标

1、知识目标

掌握自然语言处理（NLP）的核心技术（分词、词向量表示、情感分析、文本分类）及其在智能客服、聊天机器人等场景中的应用价值。

理解文本预处理流程（分词、去停用词、词干提取、词形还原）及工具（NLTK、spaCy）的使用方法。

熟悉传统文本特征表示方法（词袋模型、TF-IDF）与深度学习模型（RNN、Transformer）的原理与实现差异。

掌握预训练模型（如BERT、GPT）的调用方式、微调策略及在实际任务中的优化方法。

理解NLP模型部署流程（API接口开发、模型轻量化与实时性优化），掌握Flask等工具的集成应用。

2、能力目标

能够使用NLTK、spaCy等工具完成文本预处理任务（分词、去停用词、词向量生成）。

具备调用Hugging Face平台API实现文本分类、情感分析等任务的能力，能通过代码完成模型加载与预测。

能够基于Transformer架构（如BERT）开发文本分类应用，掌握模型微调与评估方法（如准确率、F1值）。

具备开发智能客服系统或聊天机器人的能力，包括文本处理、模型部署与API接口设计。

能够通过团队协作完成NLP项目开发，模拟企业敏捷开发流程（需求分析、开发迭代、测试优化）。

3、素养目标

培养严谨的文本处理与模型开发习惯，提升代码规范性与文档撰写能力。

增强团队协作意识，通过小组项目（如聊天机器人开发）锻炼分工与沟通效率。

培养模型优化与部署能力，为AI系统运维岗位提供技术支撑。

培养数据伦理意识，了解文本标注、隐私保护及模型公平性问题。

提升创新思维，通过实战项目探索NLP技术在实际场景中的扩展应用（如多轮对话、文本生成）。

教学内容

1、自然语言处理基础与应用场景

NLP的核心任务（文本分类、情感分析、问答系统）及技术发展现状。

NLP在智能客服、新闻分类、舆情分析等领域的实际应用案例（如情感分析用于客服满意度评估）。

开源工具与平台（Hugging Face、NLTK、spaCy）的选型与使用规范。

2、文本预处理与特征表示

文本清洗技术：去除标点、特殊字符、HTML标签等，使用正则表达式实现。

分词与词性标注：基于NLTK和spaCy实现英文/中文分词及词性分析。

词向量生成：使用TF-IDF、Word2Vec、GloVe等方法将文本转化为数值特征。

文本预处理在模型训练中的作用（提升数据质量、减少过拟合）。

3、传统模型与深度学习模型

传统NLP模型（如RNN、LSTM）的结构与训练流程，结合案例分析其优缺点。

Transformer模型（如BERT、GPT）的原理与优势，掌握其在文本分类和生成任务中的应用。

模型评估指标（准确率、召回率、F1值）及优化策略（如数据增强、超参数调整）。

4、预训练模型应用与微调

预训练模型（BERT、GPT）的调用方式（Hugging Face API、本地模型加载）。

模型微调流程（数据准备、模型加载、训练与评估）。

模型优化方法（如模型剪枝、量化）及部署挑战（如计算资源限制）。

5、NLP应用开发与部署

智能客服系统开发：基于文本分类模型实现用户意图识别与回复生成。

聊天机器人开发：结合Transformer模型实现多轮对话与上下文理解。

模型部署技术：使用Flask搭建API接口，实现模型服务化与实时调用。

部署中的性能优化（如模型压缩、加速推理）及资源管理（内存占用、响应延迟）。

教学重点

与难点

重点：文本特征表示、预训练模型调用；难点：模型微调、长文本语义理解。

教学组织

理论（30%）+项目开发（70%），采用敏捷开发模式分组完成。

教学手段

NLTK/Spacy工具、Hugging Face平台、Flask接口开发。

教学资料

教材《自然语言处理入门》、IMDB影评数据集、BERT官方文档。

考核要求

平时成绩占40%，期末考查成绩占60%，其中期末考核部分，理论测试（20%）+NLP应用开发项目（80%）。

开设学期

四

学分

4

总学时

72

理论学时

18

实践学时

54

课程类型

纯理论课（ ）、（理论+实践）课（ √ ）、纯实践课( )

先修课程

Linux操作系统、计算机网络基础

后续课程

人工智能综合项目开发

教学目标

1、知识目标

掌握人工智能系统部署的核心流程（云服务器部署、边缘设备部署、模型服务化），理解不同部署场景的技术选型依据（如云平台与边缘设备的适用性）。

熟悉AI模型部署环境配置（CUDA、Docker、Kubernetes）及容器化技术原理（镜像构建、服务编排）。

理解模型转换技术（ONNX、TensorRT）的原理及在不同硬件平台上的优化策略。

掌握服务部署工具（Flask、FastAPI）和运维监控技术（Prometheus、Grafana）的应用场景与操作规范。

熟悉AI系统安全加固措施（数据加密、权限管理）及性能优化方法（模型压缩、资源调度）。

2、能力目标

能够独立完成云服务器与边缘设备的环境配置（如安装CUDA、构建Docker镜像），并部署AI模型服务。

具备使用Docker/Kubernetes实现AI模型容器化部署的能力，能通过代码配置服务高可用性（如负载均衡、自动扩缩容）。

能够将训练好的模型转换为ONNX/TensorRT格式，并在边缘设备上实现轻量化推理（如Jetson Nano部署）。

具备基于Flask/FastAPI搭建AI服务接口的能力，支持模型的实时调用与可视化监控。

能够通过团队协作完成AI系统部署与运维任务，模拟企业级项目开发流程（如智慧城市AI中台）。

3、素养目标

培养系统部署与运维的规范意识，掌握容器化技术、模型优化策略等职业标准。

增强团队协作能力，通过小组项目（如部署AI监控系统）锻炼分工与沟通效率。

培养安全与性能意识，了解AI系统部署中的隐私保护、资源调度优化及故障排查能力。

提升文档撰写能力，规范记录部署流程、运维方案及性能调优策略。

培养创新思维，通过实战任务探索AI系统在智慧城市、工业物联网等场景中的扩展应用。

教学内容

1、人工智能系统部署概述

AI系统部署的定义、流程及技术分类（云部署、边缘部署）。

部署场景分析：云平台（如阿里云、华为云）与边缘设备（如Jetson Nano）的适用性对比。

部署与运维在AI工程化中的核心作用（提升系统稳定性、降低成本、支持实时应用）。

2、环境配置与容器化技术

云服务器环境配置：CUDA安装、PyTorch/TensorFlow版本适配、虚拟环境管理（conda/virtualenv）。

Docker容器化部署：镜像构建（Dockerfile）、容器运行、服务编排（Docker Compose）。

Kubernetes集群管理：Pod调度、服务发现、自动扩缩容策略（如HPA）。

容器化技术在AI部署中的优势（快速部署、资源隔离、版本控制）。

3、模型转换与优化

模型转换技术：ONNX格式转换（PyTorch/TensorFlow导出）、TensorRT模型优化（精度与速度平衡）。

模型轻量化策略：量化（INT8/FP16）、剪枝（稀疏训练）、知识蒸馏（模型压缩）。

边缘设备部署：NVIDIA Jetson Nano开发环境搭建、模型适配与性能测试（如FPS、内存占用）。

4、服务部署与API接口开发

服务部署工具：Flask与FastAPI框架对比，选择适合场景的开发方式。

模型服务化流程：模型加载、请求处理、响应返回（REST API设计）。

服务高可用设计：负载均衡（Nginx）、自动重启策略、日志管理（ELK工具链）。

部署中的常见问题排查（如依赖冲突、服务崩溃、性能瓶颈）。

5、运维监控与性能优化

运维监控工具：Prometheus（指标采集）、Grafana（可视化监控）、ELK（日志分析）。

模型推理性能优化：资源调度（CPU/GPU分配）、模型压缩（TensorRT量化）、多线程处理。

安全加固措施：模型数据加密、访问权限控制、漏洞修复（如Docker容器安全加固）。

系统日志分析：使用Kibana、Elasticsearch解析日志，定位部署与运维问题。

6、项目实践与案例分析

智慧城市AI中台部署：完成模型在云服务器与边缘设备的部署，实现交通监控、环境监测等场景的实时服务。

工业物联网监控系统：基于TensorRT优化模型，部署到边缘设备并集成日志分析工具（如ELK）进行性能监控。

团队协作部署项目：模拟企业级开发流程，完成需求分析、部署方案设计、模型服务化与运维监控。

持续集成与交付：使用Jenkins实现模型训练、部署的自动化流程，提升开发效率与系统稳定性。

教学重点

与难点

重点：Docker容器化部署、服务高可用设计；难点：模型推理性能优化、分布式系统运维。

教学组织

理论（30%）+实操（70%），模拟企业级部署场景（如智慧城市AI中台）。

教学手段

阿里云/华为云实战、Jenkins持续集成、日志分析工具（ELK）。

教学资料

教材《AI工程化实践》、NVIDIA Jetson开发指南、运维案例库。

考核要求

平时成绩占40%，期末考查成绩占60%，其中期末考核，部署文档（30%）+运维实战任务（70%）。

开设学期

五

学分

4

总学时

72

理论学时

18

实践学时

54

课程类型

纯理论课（ ）、（理论+实践）课（ √ ）、纯实践课( )

先修课程

所有专业核心课程

后续课程

岗位实习

教学目标

1、知识目标

掌握人工智能综合项目开发的全流程（需求分析、方案设计、数据采集、模型训练、系统集成、部署运维）及各阶段技术要点。

理解多技术栈整合（AI算法、前端开发、后端服务、数据库管理）的原理与工程化规范。

熟悉工程化开发中的关键问题（性能与成本平衡、系统可扩展性、安全性设计）及解决方案。

了解项目文档编写规范（需求文档、技术文档、测试报告）及团队协作流程（敏捷开发、代码评审）。

掌握企业级项目开发中的技术选型依据（如云平台与边缘设备适配、模型轻量化策略）。

2、能力目标

能够独立完成项目需求分析与方案设计，撰写清晰的需求文档与技术路线图。

具备多技术栈整合能力（AI模型、前端界面、后端服务、数据库系统），实现端到端项目开发。

能够通过团队协作完成项目开发全流程（从数据采集到部署运维），模拟企业开发场景。

具备项目测试与优化能力，包括功能测试、性能测试（如响应时间、吞吐量）及成本控制策略。

能够通过项目答辩展示技术成果，撰写规范的项目文档（如技术白皮书、部署方案）。

3、素养目标

培养系统化思维，通过项目开发理解AI技术在复杂场景中的集成与优化。

增强团队协作意识，通过小组分工与代码评审提升沟通与项目管理能力。

培养工程化规范意识，掌握代码版本控制（Git）、文档撰写（Markdown/Word）及部署流程标准化。

提升技术文档与项目汇报能力，为岗位实习和职业发展积累经验。

培养创新思维，通过真实企业命题探索AI技术在智能仓储、智慧农业等场景中的扩展应用。

教学内容

1、人工智能综合项目开发概述

项目开发的定义、流程及技术分类（AI算法、系统集成、部署运维）。

企业级项目开发的典型场景（如智能仓储、智慧农业、医疗辅助系统）及技术需求分析。

项目开发与工程化规范的关系（代码质量、文档完整性、团队协作效率）。

2、项目需求分析与方案设计

企业需求调研方法（访谈、问卷、场景分析）及需求文档编写规范（如用户故事、功能列表）。

技术方案设计流程（技术选型、架构设计、资源规划），结合案例分析不同场景的技术适配性。

项目可行性评估（成本、性能、安全）及风险控制策略（如数据隐私、模型稳定性）。

3、数据采集与模型训练

数据采集流程（企业数据源对接、数据清洗、标注工具使用）。

数据预处理技术（标准化、归一化、数据增强）及模型训练框架（PyTorch/TensorFlow）选择。

模型训练与调优（超参数优化、迁移学习、模型压缩）及评估指标（准确率、召回率、F1值）。

多模型集成策略（如分类模型+目标检测模型）及性能对比分析。

4、前后端开发与系统集成

前端开发技术（HTML/CSS/JavaScript、React/Vue框架）与后端服务设计（RESTful API、数据库管理）。

系统集成流程（模型与服务对接、数据流设计、接口调试），结合案例实现功能模块联调。

工程化开发规范（代码结构、模块化设计、接口文档编写）及版本控制（Git分支管理、代码评审）。

云平台与边缘设备的适配（如阿里云部署、Jetson Nano运行环境配置）。

5、测试与部署优化

项目测试方法（单元测试、集成测试、压力测试）及测试工具（JMeter、Postman）。

模型部署策略（云平台服务化、边缘设备轻量化）及性能优化（如TensorRT加速、资源调度）。

系统运维流程（日志分析、监控告警、故障排查），结合Prometheus/Grafana实现实时监控。

项目成本控制方法（模型压缩、资源分配、开源工具替代商业方案）。

6、项目答辩与文档编写

项目成果展示技巧（技术亮点、问题解决、创新点提炼）及答辩评分标准（技术实现、文档完整性、团队协作）。

技术文档编写规范（需求文档、设计文档、测试报告、部署手册）及工具使用（Markdown、LaTeX）。

项目总结与复盘（技术难点分析、优化方案、未来改进方向）。

企业级项目交付标准（代码规范、文档格式、系统稳定性要求）。

教学重点

与难点

重点：全流程协作、工程化规范；难点：多技术栈整合、性能与成本平衡。

教学组织

分组开发（3-5人/组），选择真实企业命题（如智能仓储管理系统）。

教学手段

敏捷开发管理（Jira）、Git代码协作、项目路演答辩。

教学资料

企业项目案例库、DevOps实践指南、技术白皮书模板。

考核要求

平时成绩占40%，期末考查成绩占60%，其中期末考核项目成果（60%）+答辩表现（30%）+文档质量（10%）。

开设学期

五-六

学分

24

总学时

720

理论学时

0

实践学时

720

课程类型

纯理论课（ ）、（理论+实践）课（ ）、纯实践课( √ )

先修课程

人工智能系统部署与运维

后续课程

无

课程名称

岗位实习

课程编号

4040099

教学目标

知识目标

实践人工智能专业相关岗位所需知识

了解行业知识

技能目标

能够运用在学校所学专业知识，到企业进行实习

素质目标

有良好的职业素养

教学内容

掌握人工智能技术专业相关知识。

能够运用专业知识进行岗位实习。

教学重点 与难点

教学重点

能够将学校所学的运用到实习中去。

教学难点

学生校友帮管理，周日志签到及实习材料、动态的及时管理。

教学组织

到企业实习，线上校友帮进行实习动态管理。

教学手段 和方法

企业导师与学校老师共同管理实习

校友帮全过程管理实习动态

教学资料

教材：课程配备的电子教材《校友帮使用手册》

考核要求

本课程为考查课。

学生实习至少6个月，满足120篇日志，24篇周志，1篇实习报告。三方等实习材料齐全。

三方协议10%，签到15%，实习日志30%，实习周志20%，实习总结15%，实习考核表10%。

开设学期

二

学分

2

总学时

36

理论学时

18

实践学时

18

课程类型

纯理论课（ ）、（理论+实践）课（✔ ）、纯实践课()

先修课程

无

后续课程

计算机专业课程

教学目标

知识目标：

（1）掌握语音、日本地理、社会、经济等基础知识，对比中日文化异同（如环保理念、科技发展路径），理解中华文化对东亚文明的影响；

（2）熟悉日本企业出海策略（如RCEP框架下的布局），联系“一带一路”倡议，分析中日经贸合作机遇与挑战511。

2、能力目标：

（1）运用日语解读日本社会现象（如少子化、老龄化），培养跨文化思辨能力；

（2）通过模拟中日商务合作项目（如新能源技术引进），提升团队协作与谈判技巧。

3、思政目标：

（1）强化文化自信：从日本“匠人精神”引申至中国“工匠精神”与《新时代产业工人队伍建设改革方案》；

（2）树立国家意识：结合日本外交史（如“黑船来航”事件），探讨近代中国与日本的不同发展道路，深化“独立自主”发展观

教学内容

1.语音篇：元音、辅音、清浊音学习及相关假名书写练习；促音的书写与发音规律、听辨音练习；拨音及综合发音练习；清浊音、促音、拨音发音练习检测；拗音、新拗音正音训练与听辨音练习；综合发音练习。

2.基础模块

（1）日本社会与经济：

分析“日本制造”兴衰，对比“中国智造”战略，引导学生思考自主创新的重要性；

从“垃圾分类”延伸至中国“双碳目标”，探讨可持续发展理念的全球实践。

（2）中日文化对比：

茶道与中华茶文化的源流关系，强调非物质文化遗产的传承责任；

日本动漫产业与中国文化输出案例（如《哪吒》海外传播），剖析文化软实力的构建路径。

3、实务模块：

（1）日本企业全球化案例：

解析丰田、索尼的海外投资策略，关联华为、比亚迪的国际化经验，培养“中国品牌出海”使命感；

模拟中日跨境电商合作项目，融入RCEP政策解读，强化合规经营意识。

（2）跨文化沟通实训：

设计“中日商务谈判”情景剧，嵌入外交礼仪与国家形象维护（如应对涉台、涉疆敏感话题）；

通过福岛核废水争议案例，训练用科学立场与外交语言表达观点。

4、拓展模块：

（1）日本外交史与当代启示：

从“黑船来航”到“CPTPP”，反思闭关锁国与开放包容的辩证关系；

结合《从黑船来航到开罗会议》内容，批判日本军国主义外交教训，强化和平发展价值观

教学重点 与难点

1、重点：

元音、辅音、清浊音学习及相关假名书写练习；促音的书写与发音规律、听辨音练习；拨音及综合发音练习；清浊音、促音、拨音发音练习检测；拗音、新拗音正音训练与听辨音练习；综合发音练习。

2、难点：

元音、辅音、清浊音学习及相关假名书写练习；促音的书写与发音规律、听辨音练习；拨音及综合发音练习；清浊音、促音、拨音发音练习检测；拗音、新拗音正音训练与听辨音练习；综合发音练习。

教学组织

采用小组活动，角色扮演等形式开展教学活动：

教学手段 和方法

1、信息化工具：

（1）借助日本文化相关多媒体资源，模拟场景；

（2）“学习通”平台。

2、任务驱动法：

（1）布置教学任务，要求结合抖音短视频制作。

3、辩论教学法：

设定辩题“日本‘终身雇佣制’是否适合中国”，引导学生辩证思考制度与文化的关系

教学资料

教材《基础日语》大连理工大学出版

拓展资源：

哔哩哔哩学习资源

考核要求

1、过程性考核（40%）：

课堂表现（15%）：

小组项目成果（25%）

2、终结性考核（60%）：

期末测试（60%）

开设学期

二

学分

3

总学时

54

理论学时

18

实践学时

36

课程类型

纯理论课（ ）、（理论+实践）课（ ✓ ）、纯实践课( )

先修课程

《图形图像处理》

后续课程

《AI图形设计》

教学目标

（一）素质目标

1.坚定理想信念，增强“四个自信”；

2.厚植爱国主义情怀，树牢“四个意识”；

3.加强品德修养，具备良好的职业道德，培养爱岗敬业、认真负责、精益求精的素质和认真、细心、严谨的工作作风；

4.培养学生的审美能力、艺术素养和创新思维，使其能够创作出具有吸引力和艺术价值的音视频作品。

5.增强学生的团队协作能力和沟通能力，通过小组项目实践，让学生学会在团队中分工协作，共同完成复杂的音视频制作任务，模拟真实工作场景。

6.提升学生的实践操作能力和自主学习能力，鼓励学生紧跟数字媒体技术的发展前沿，不断探索新的音视频制作技术和工具。

（二）知识目标

1.掌握数字音视频技术的基本概念，包括音视频的数字化原理、编码格式、分辨率、帧率等关键参数。

2.熟悉 Premiere Pro 软件的操作界面、功能模块和菜单命令，了解其在数字音视频编辑中的应用领域和优势。

3.理解音视频编辑的基本流程和规范，包括素材采集、剪辑、特效添加、音频处理、输出等环节。

4.学习影视语言和叙事技巧，如镜头语言、色彩理论、音频视觉化等，提升作品的叙事性和感染力。

（三）技能目标

1.能够熟练运用 Premiere Pro 进行视频剪辑操作，包括素材的导入、剪切、拼接、转场效果添加等，构建流畅的视频叙事。

2.掌握音频处理技术，在 Premiere Pro 中调整音频轨道的音量、平衡、特效等参数，实现音画同步和高质量的音频呈现。

3.具备视频特效制作能力，运用 Premiere Pro 的内置特效、插件以及与其他软件（如 After Effects）的协同工作流程，制作出具有视觉冲击力的特效和动画。

4.能够设计并制作专业的字幕和字幕动画，提升视频作品的信息传达效果和视觉吸引力。

5.掌握不同平台和用途的音视频输出设置，确保作品在各种播放设备和媒体平台上的兼容性和质量。

教学内容

1. 数字音视频基础理论；

2. Premiere Pro 软件基础；

3. 素材管理与组织；

4. 基本剪辑技巧；

5. 音频处理；

6. 视频特效应用；

7. 字幕设计与动画；

8. 思政教育；

教学重点 与难点

教学重点：

1.素材的导入、剪切、拼接等基本操作。

2. 音频处理与音画同步。

3. 视频特效与转场效果的应用。

教学难点：

1. 复杂项目的素材管理与组织。

2. 高级视频特效与动画制作。

教学组织

1.采用理论讲解与实践操作相结合的教学模式。

2.以项目驱动教学法为主导，将教学内容融入到多个实际项目中，以项目为导向，引导学生完成从素材收集、剪辑制作到特效添加、最终输出的完整制作流程。

3.组织小组讨论和协作学习活动，在实践项目中，将学生分成小组，共同完成项目任务，培养学生的团队合作精神和沟通交流能力，让学生学会在团队中发挥自己的优势，共同解决问题。

教学手段 和方法

教学方法：讲授法、案例教学法、任务驱动教学法、小组讨论法

教学手段：多媒体教学、在线教学平台和 实验室实践教学

教学资料

教材、多媒体课件、参考书籍、在线资源

考核要求

本课程的总成绩由平时成绩和期末考试成绩两部分构成，平时成绩占40%，期末考查成绩占60%。其中，平时成绩以百分制计算，包括课堂考勤（10%）、课堂表现（10%）和实践作业（20%）四部分；期末成绩以百分制计算，提交大作业。

开设学期

一

学分

3

总学时

54

理论学时

18

实践学时

36

课程类型

纯理论课（ ）、（理论+实践）课（ √ ）、纯实践课( )

先修课程

程序设计基础、数据库技术

后续课程

人工智能应用开发

教学目标

1、知识目标

掌握Web前端开发的核心技术（HTML5/CSS3/JavaScript）及其在AI可视化场景中的应用价值。

理解响应式设计原理（媒体查询、Flex/Grid布局）及企业级UI设计规范（如Ant Design组件库的使用）。

熟悉JavaScript核心语法（DOM操作、事件处理、异步编程）及框架（Vue/React）的开发流程。

掌握RESTful API调用机制（请求方法、数据格式、接口调试）及与AI后端服务的对接方式。

了解前端开发在人工智能应用中的角色（如数据可视化、用户交互设计）及技术选型依据（如框架性能、开发效率）。

2、能力目标

能够独立完成HTML5/CSS3页面布局设计，实现响应式界面适配移动端与PC端。

具备JavaScript动态交互开发能力，包括DOM操作、事件绑定及异步数据处理（如AJAX调用）。

能够使用Vue/React框架开发组件化前端应用，支持模块化开发与状态管理（如Vuex/Redux）。

具备RESTful API调用与数据可视化能力，结合AI后端接口实现动态数据展示（如图表、实时监控）。

能够通过团队协作完成AI可视化仪表盘开发，模拟企业级项目开发流程（需求分析、开发迭代、测试优化）。

3、素养目标

培养代码规范意识，掌握前端开发的工程化标准（如代码注释、模块化设计、版本控制）。

增强团队协作能力，通过小组项目（如AI仪表盘开发）锻炼分工与沟通效率。

提升企业级UI设计能力，结合Ant Design等组件库实现符合行业标准的界面交互。

培养前端性能优化意识，掌握懒加载、代码分割、资源压缩等技术，提升系统运行效率。

培养技术文档撰写能力，规范记录前端开发流程、接口设计及项目总结。

教学内容

1、Web前端开发基础与AI应用场景

Web前端开发的核心技术（HTML5、CSS3、JavaScript）及在AI应用中的角色（如数据可视化、用户交互）。

企业级UI设计规范（如Ant Design组件库的使用、响应式设计原则）。

前端开发与AI后端服务的协作流程（如接口对接、数据展示设计）。

2、HTML5/CSS3布局与响应式设计

HTML5语义标签与结构化页面开发（如

教学重点与难点

重点：组件化开发、API交互；难点：跨浏览器兼容性、前端性能优化。

教学组织

理论（30%）+项目开发（70%），采用企业级UI设计规范。

教学手段

VS Code开发、Chrome调试工具、Postman接口测试。

教学资料

教材《Web前端开发实战》、Ant Design组件库、Swagger API文档。

考核要求

前端项目开发（70%）+代码规范评审（30%）。

开设学期

三

学分

3

总学时

54

理论学时

18

实践学时

36

课程类型

纯理论课（ ）、（理论+实践）课（ √ ）、纯实践课( )

先修课程

Python编程基础、人工智能数据服务

后续课程

数据挖掘技术与实践

教学目标

1、知识目标

掌握监督学习与无监督学习的核心算法原理（如线性回归、决策树、SVM、聚类算法）及适用场景（如房价预测、用户分群）。

理解模型评估指标（如ROC/AUC、准确率、F1值）的意义及在实际项目中的应用价值。

熟悉特征工程与调参技巧（如标准化、交叉验证、网格搜索），掌握过拟合控制方法（正则化、早停策略）。

了解模型可视化工具（SHAP、Matplotlib/Seaborn）在解释AI决策中的作用及使用规范。

掌握机器学习在企业场景中的技术选型依据（如数据量、计算资源、部署成本）及与数据服务的集成方式。

2、能力目标

能够独立完成监督学习（分类、回归）与无监督学习（聚类）算法的实现，分析模型输出结果。

具备使用Scikit-learn工具包进行数据预处理、模型训练及评估的能力，支持企业级数据挖掘任务。

能够通过特征选择策略（如卡方检验、递归特征消除）优化模型性能，解决实际问题（如房价预测精度提升）。

具备调参能力，通过交叉验证、网格搜索等方法优化模型参数，实现性能最大化。

能够通过团队协作完成机器学习项目开发（如用户分群分析），模拟企业级数据挖掘流程。

3、素养目标

培养算法逻辑思维，通过代码实现与案例分析理解机器学习模型的数学原理与工程实践。

增强数据挖掘意识，结合Kaggle竞赛数据集训练分析能力，提升对复杂数据的处理能力。

培养模型解释与可视化能力，通过SHAP等工具分析模型决策过程，符合企业对可解释AI的需求。

提升技术文档撰写能力，规范记录算法实现过程、调参策略及模型评估结果。

培养创新思维，通过实战任务探索机器学习在金融风控、用户画像等场景中的扩展应用。

教学内容

1、机器学习基础与应用场景

机器学习的定义、分类（监督/无监督）及在企业中的典型应用（如金融风控、用户分群）。

机器学习与数据服务的集成流程（数据预处理→模型训练→结果输出），结合Kaggle竞赛数据集进行训练。

模型评估指标的意义与实际应用（如AUC值用于二分类问题，F1值用于多类别分类）。

2、监督学习算法与实现

线性回归与逻辑回归：算法原理（最小二乘法、Sigmoid函数）、损失函数优化（梯度下降）及应用场景（如房价预测、用户行为分类）。

决策树与随机森林：树结构构建、特征重要性分析及过拟合控制（如剪枝、随机采样）。

支持向量机（SVM）：核函数选择、软间隔优化及在高维数据中的应用（如文本分类）。

3、无监督学习算法与实现

聚类算法：K-means、DBSCAN原理及在用户分群中的应用（如客户画像分析）。

降维技术：PCA、t-SNE原理及在可视化中的作用（如高维数据简化）。

异常检测：基于聚类的离群点识别方法及在企业风控场景中的应用。

4、模型优化与调参策略

特征工程实践：数据标准化、缺失值处理、特征选择（如递归特征消除、基于模型的特征重要性）。

模型调参方法：网格搜索（GridSearchCV）、随机搜索（RandomizedSearchCV）及自动化调参工具（TPOT）。

过拟合控制：正则化（L1/L2）、早停策略（如训练轮次限制）及交叉验证（K折交叉验证）。

5、模型评估与可视化

模型评估指标详解：混淆矩阵、ROC曲线、AUC值计算及可视化工具（Matplotlib/Seaborn）。

模型解释工具（SHAP）：分析特征对预测结果的影响，提升模型可解释性（如金融风控中的决策依据）。

数据可视化实践：使用Matplotlib/Seaborn展示训练结果（如分类准确率、聚类分布）。

教学重点

与难点

重点：算法原理、调参技巧；难点：过拟合控制、特征选择策略。

教学组织

理论（40%）+实验（60%），以Kaggle竞赛数据集为训练素材。

教学手段

Jupyter Notebook分析、AutoML工具（TPOT）、模型可视化（SHAP）。

教学资料

教材《机器学习实战》、UCI机器学习数据集、Scikit-learn官方文档。

考核要求

算法实现报告（40%）+模型优化项目（60%）。

开设学期

四

学分

3

总学时

54

理论学时

18

实践学时

36

课程类型

纯理论课（ ）、（理论+实践）课（ √ ）、纯实践课( )

先修课程

机器学习原理与实践

后续课程

人工智能综合项目开发

教学目标

1、知识目标

掌握关联规则挖掘（Apriori/FP-Growth）、时序分析（ARIMA/LSTM）、异常检测（孤立森林）及文本挖掘（主题模型）的核心算法原理与应用场景。

理解数据挖掘在商业智能（BI）中的价值（如用户行为分析、销售预测、风险预警）及技术选型依据（Spark分布式计算 vs. Python单机处理）。

熟悉数据预处理流程（数据清洗、特征提取、标准化）及模型评估方法（准确率、召回率、AUC值）。

了解实时流数据挖掘技术（如Kafka数据流处理）及企业级数据可视化工具（Tableau）的使用规范。

掌握数据挖掘项目从需求分析到交付的全流程（数据采集→算法选择→模型优化→可视化展示）。

2、能力目标

能够独立完成关联规则挖掘任务（如零售购物篮分析），分析高频商品组合规律并提出商业策略。

具备时序预测模型（ARIMA/LSTM）的构建能力，解决销售趋势预测、库存管理等实际问题。

能够通过孤立森林算法识别异常数据（如金融风控中的欺诈交易检测），并优化模型性能。

具备文本挖掘（主题模型）能力，提取用户评论中的关键词并分析潜在需求。

能够通过团队协作完成数据挖掘项目（如电商推荐系统），模拟企业级数据处理与分析流程。

3、素养目标

培养数据思维能力，通过案例分析理解数据挖掘技术在商业场景中的实际价值。

提升数据可视化与商业决策结合的能力，掌握Tableau等工具的使用规范。

增强团队协作意识，通过小组项目（如用户行为分析）锻炼分工与沟通效率。

培养技术文档撰写能力，规范记录数据挖掘流程、算法实现及商业价值分析。

提升企业级项目交付意识，掌握数据挖掘结果的可解释性与应用场景适配性。

教学内容

1、数据挖掘基础与商业场景应用

数据挖掘的定义、分类（关联规则、时序分析、异常检测、文本挖掘）及在企业中的典型应用（如零售分析、金融风控、用户画像）。

数据挖掘与商业智能（BI）的衔接流程（数据采集→清洗→建模→可视化），结合金融风控或电商推荐案例进行讲解。

数据挖掘项目开发的工程化规范（数据标准化、模型版本控制、结果可解释性）。

2、关联规则挖掘与零售场景分析

Apriori算法：频繁项集生成、支持度与置信度计算，结合购物篮分析案例（如超市商品关联推荐）。

FP-Growth算法：基于FP树的高效关联规则挖掘，适用于高维数据（如电商用户购买记录）。

商业价值分析：通过关联规则发现商品组合规律，提出促销策略或库存优化方案。

3、时序分析与预测建模

传统时序模型（ARIMA）：差分处理、自相关分析及模型参数选择（p/d/q）。

深度学习时序模型（LSTM）：序列建模、时间步长设计及在销售预测中的应用（如节假日销量波动分析）。

时序数据预处理：缺失值填补、平稳性检验（ADF检验）及特征工程（如滑动窗口划分）。

4、异常检测与金融风控应用

孤立森林算法：基于树结构的异常点识别，适用于高维数据（如用户交易行为分析）。

异常检测流程：数据标准化、模型训练、阈值设定及结果分析（如欺诈交易识别）。

实时异常监控：结合Kafka流数据处理技术，实现动态数据异常检测（如信用卡交易实时预警）。

5、文本挖掘与用户需求分析

主题模型（LDA）：文档-词矩阵构建、主题数量选择及关键词提取（如用户评论情感分析）。

文本预处理技术：分词、去停用词、词向量生成（TF-IDF、Word2Vec）及模型评估（如主题一致性）。

商业场景应用：通过文本挖掘分析用户反馈，优化产品设计或服务策略。

教学重点

与难点

重点：关联规则挖掘、时序建模；难点：高维数据处理、实时流数据挖掘。

教学组织

理论（30%）+实战（70%），结合金融风控或电商推荐场景。

教学手段

Spark MLlib分布式计算、Tableau可视化、实时数据流模拟（Kafka）。

教学资料

教材《数据挖掘：概念与技术》、AWS公开数据集、Spark编程指南。

考核要求

数据挖掘报告（50%）+完整项目实现（50%）。

开设学期

三

学分

3

总学时

54

理论学时

18

实践学时

36

课程类型

纯理论课（ ）、（理论+实践）课（ √ ）、纯实践课( )

先修课程

Python编程基础、数据库技术

后续课程

人工智能数据服务

教学目标

1、知识目标

掌握HTTP协议基础（请求方法、状态码、报文结构）及网页解析技术（XPath、正则表达式、CSS选择器），理解网络爬虫的工作原理与技术栈。

熟悉Scrapy框架与Requests库的核心功能（如中间件、请求队列、数据提取规则）及在企业级数据采集中的应用价值（如舆情监控、商品数据抓取）。

理解反爬策略（IP代理、User-Agent伪装、请求频率控制）及应对措施（如模拟浏览器行为、验证码识别）。

掌握结构化与非结构化数据的采集与存储方法（CSV、MySQL、MongoDB），为AI训练提供高质量数据支持。

了解爬虫开发的法律与伦理规范（如《数据安全法》《网络安全法》），培养合规意识与数据使用边界认知。

2、能力目标

能够独立完成简单网页数据采集（如商品价格、评论信息），并实现结构化存储（CSV/MySQL）。

具备使用Scrapy框架开发分布式爬虫的能力，支持大规模数据采集任务（如电商全品类商品抓取）。

能够处理动态网页内容（如JavaScript渲染页面），通过Selenium实现数据抓取与反反爬策略应对。

具备数据清洗与预处理能力（如去重、格式转换、异常值处理），满足AI训练数据需求。

能够通过团队协作完成舆情监控系统开发，模拟企业级数据采集与分析流程（需求分析→爬虫开发→数据存储→可视化展示）。

3、素养目标

培养代码规范意识，掌握爬虫开发的工程化标准（如请求频率控制、日志记录、异常处理）。

增强团队协作能力，通过小组项目（如电商数据采集）锻炼分工与沟通效率。

提升数据伦理与法律意识，明确爬虫开发的合规性（如尊重网站Robots协议、避免恶意采集）。

培养技术文档撰写能力，规范记录爬虫开发流程、数据存储方案及反爬策略设计。

培养问题分析与解决能力，针对动态页面、验证码等难点设计技术方案（如模拟登录、动态元素定位）。

教学内容

1、网络爬虫基础与企业场景应用

HTTP协议基础（请求方法、状态码、报文结构）及网页数据采集原理。

网络爬虫在企业中的典型应用（如电商数据采集、社交平台舆情监控、金融数据抓取）。

爬虫开发的法律与伦理规范（如《数据安全法》《网络安全法》及Robots协议）。

2、网页解析技术与数据提取

静态网页解析：XPath与正则表达式的对比及实际应用（如提取商品标题、价格、评论）。

非结构化数据解析：HTML标签结构分析、JSON数据提取及文本内容清洗（如去除广告、特殊符号）。

动态网页解析：JavaScript渲染页面的抓取方法（如Selenium模拟浏览器操作）及反反爬策略（如IP轮换、请求头伪装）。

3、Scrapy框架与分布式爬虫开发

Scrapy框架核心组件（Spider、Item、Pipeline、Middleware）及开发流程（项目创建、数据提取、存储配置）。

Scrapy中间件原理（User-Agent伪装、IP代理池搭建）及企业级优化策略（如请求队列管理、并发控制）。

分布式爬虫设计（Scrapy-Redis部署、任务分发机制）及在大数据场景中的应用（如批量采集商品信息）。

4、动态页面抓取与反反爬策略

Selenium工具的使用（浏览器自动化、元素定位、动态内容加载）。

动态网页的反反爬技术（如验证码识别、登录状态维持、反爬虫机制模拟）。

实际案例：模拟社交平台用户评论抓取（处理动态加载内容、应对反爬限制）。

5、数据存储与AI训练支持

结构化数据存储（CSV格式导出、MySQL数据库设计）及非结构化数据存储（MongoDB文档模型）。

数据清洗流程（去重、格式标准化、缺失值处理）及存储优化（如索引设计、数据分表）。

企业级数据存储规范（数据分类、存储安全、备份策略）。

教学重点

与难点

重点：网页解析、反反爬机制；难点：分布式爬虫设计、验证码破解。

教学组织

理论（30%）+实战（70%），模拟电商、社交平台数据采集。

教学手段

Scrapy爬虫部署、代理IP池搭建、MongoDB存储实战。

教学资料

教材《Python网络爬虫权威指南》、公开API列表、反爬案例库。

考核要求

爬虫项目完整度（70%）+数据清洗质量（30%）。

开设学期

一

学分

1

总学时

18

理论学时

18

实践学时

0

课程类型

纯理论课（ ✓ ）、（理论+实践）课（ ）、纯实践课( )

先修课程

后续课程

《程序设计基础》、《JavaScript页面交互设计》等

教学目标

（一）素质目标

1.坚定理想信念，增强“四个自信”；

2.厚植爱国主义情怀，树牢“四个意识”；

3.加强品德修养，具备良好的职业道德，培养爱岗敬业、认真负责、精益求精的素质和认真、细心、严谨的工作作风；

4.培养学生的学习兴趣和自主学习能力，使其能够主动学习计算机英语，不断提升自己的英语水平。

5.增强学生的跨文化交际意识，培养学生在国际交流中的沟通能力和合作精神。

6.提升学生的综合素质，使学生具备良好的职业道德和敬业精神，为未来的职业发展奠定基础。

（二）知识目标

1.掌握计算机专业英语的基本词汇，包括计算机硬件、软件、网络、编程等方面的常用术语。

2.熟悉计算机专业英语的语法结构和句式特点，能够正确理解和运用专业英语语法知识。

3.了解计算机领域的英文文献、技术手册、软件文档等的阅读方法和技巧，能够快速准确地获取信息。

（三）技能目标

1.能够熟练阅读和理解计算机领域的英文资料，包括技术文档、学术论文、用户手册等。

2.具备一定的计算机专业英语写作能力，能够撰写简单的英文技术报告、邮件和文档。

教学内容

1. 计算机专业英语词汇；

2. 阅读方法与技巧；

3. 写作基础；

4. 技术文档写作；

5. 常用的计算机英语口语表达；

教学重点 与难点

教学重点：

1.计算机专业英语词汇和语法。

2.计算机英语阅读技巧。

教学难点：

1.计算机专业英语词汇的记忆和应用。

2.计算机英语写作能力的培养。

教学组织

采用小组活动，角色扮演等形式开展教学活动，培养学生的团队合作精神和沟通交流能力，让学生学会在团队中发挥自己的优势，共同解决问题。

教学手段 和方法

教学方法：讲授法、小组讨论法

教学手段：多媒体教学

教学资料

教材、多媒体课件、参考书籍、在线资源

考核要求

本课程的总成绩由平时成绩和期末考试成绩两部分构成，平时成绩占40%，期末考查成绩占60%。其中，平时成绩以百分制计算，包括课堂考勤（10%）、课堂表现（10%）和实践作业（20%）四部分；期末成绩以百分制计算，提交大作业。

开设学期

三-四

学分

2

总学时

60

理论学时

0

实践学时

60

课程类型

纯理论课（ ）、（理论+实践）课（ ）、纯实践课( √ )

先修课程

信息技术、数字音视频、动画设计、java开发、web开发、UI设计

后续课程

无

教学目标

对学生进行全国软考信息技术员考试培训，让学生掌握办公软件的技能，并能够通过考试。

对学生进行工信部数字音视频、动画设计、java开发、web开发、UI设计五个方向的培训与考试。

教学内容

信息技术处理技术员相关考试内容

工信部证书相关考试内容

教学重点 与难点

word相关理论及操作

Excel相关理论及操作

PPT相关理论及操作

计算机网络、病毒等其他与信息技术处理员相关的考试理论知识

数字音视频关理论及操作

动画设计关理论及操作

java开发关理论及操作

web开发关理论及操作

UI设计关理论及操作

10.

行测方面理论培训

教学组织

培训

教学手段 和方法

培训为主，学生课下刷题。

教学资料

学习通信息技术课程与工信部考证有关于软考相关的题库。

考核要求

信息技术处理员理论满分75分，45分及格；实操满分75分，45分及格；只有理论和实操都在45分以上才能拿到信息技术处理员的证书。

工信部五个风向考试满分100分，60及格。

教学目标

1、素质提升：教育和引导学校大一新生牢固树立热爱专业、勤奋学习的思想，熟知国家关于高等教育的政策法规及学校各类管理制度，增强学生遵纪守法和安全防事故的意识，引导新生学会做人、做事，树立高尚的道德情操。

2、学分达标：通过课程实践与考核，确保学生获得1学分。

教学内容

1、专业认知和学习观教育（1天，8课时）

介绍专业设置、专业现状、专业发展趋势及就业、创业前景；推介科学的学习方法，提出学习要求；教育学生明确学习目的，端正学习态度，增强学习动力，树立优良学风。

2、学生管理工作规章制度学习教育（1.5天，10课时）

以学习《学生手册》中的各类相关规定及办法为重点学习内容，通过组织学生认真学习和有针对性地宣讲辅导，使学生熟知相关的管理规定，引导学生在校内学习和生活中自觉遵纪守规。

3、安全教育（0.5天，4课时）

重点学习法律法规、校纪校规、国家安全教育、治安防范教育、消防安全教育、交通安全教育、网络安全教育、求职安全教育、心理健康教育等内容。引导学生树立安全防范意识，自觉遵守学校防范事故的管理规定，培养良好的行为习惯，以实际行动维护学校团结和谐的局面。

开展职业生涯规划教育，撰写职业生涯规划报告（0.5天，4课时）

各学院在前三项教育内容特别是第一项的基础上，组织开展职业（学业）生涯规划教育，要求全体新生撰写职业生涯规划报告。

5、其他主题教育（0.5天，4课时）

包括学生道德文明教育、诚信教育、团队意识教育、自我管理教育等。

教学重点

与难点

一、重点：

1、各二级学院将入学教育课程的安排要合理。

2、重点要讲授《学生手册》中的各项规章制度。

二、难点：

如何将讲授形式要学生乐于接受并遵守。

教学组织

1、新生的入学教育活动，各学院参照所规定的内容和时间自行组织，学校不另行组织集中、统一的教育活动。教育活动所需场所（如教室、大学生活动中心、体育馆、操场等）亦请各学院根据实际需要商请有关职能部门解决。为避免教育活动场所的冲突，各学院对教育内容的活动顺序可作适当调整。

2、为保证教育的效果，各学院应针对教育内容明确任务分工，并组织相关人员认真备课。凡参与教育活动的授课人员，由学工部按其实授课时数向学校申报课酬。

3、各学院应加强对教育活动的组织领导，从实际出发做好统筹安排，确保教育内容、时间和效果三落实。各学院的入学教育计划提前一周报学生工作部备案。

教学资料

一、理论材料：学生手册

二、辅助教学：典型案例视频（如反诈视频、简历制作）。

考核要求

一、考核方式：

1、出勤率（占30%）：凡无故不参加入学教育活动者均以旷课处理。

2、结业考试（占70%）：入学教育活动结束后，学生工作部将择时组织入学教育考试（内容以《学生手册》为主）。

二、成绩认定：

1、总分≥60分为合格，获得1学分。

2、考试成绩不合格者应进行补考。补考成绩仍不合格者，该生的该项素质学分作零分计。

教学目标

1.实践能力目标

掌握识别求职陷阱与防范电信诈骗的实操技能，保障求职安全。

熟练运用多元化求职信息渠道获取有效岗位资源。

独立完成针对性简历制作与3分钟自我介绍视频录制。

具备线上面试应对能力与劳动权益保护法律常识应用能力。

2.素质目标

提升网络求职安全意识与信息甄别能力。

培养职业化自我展示能力与法律维权意识。

强化远程求职场景下的自律性与抗压能力。

教学内容

1.安全教育：求职陷阱与防电诈，案例分析直播（刷单诈骗、收费陷阱等真实案例）；防诈情景模拟（分组录制反诈短视频）；国家反诈APP操作演练（截图上交使用记录）

2.求职信息来源实践：主流求职平台比对（智联/前程无忧/BOSS直聘实操）；企业官网与行业社群挖掘（分组提交渠道分析表）；校友内推资源对接会（线上交流会）

3.简历制作实训：AI简历优化工具实操（超级简历/知页简历）；岗位JD匹配训练（企业真实招聘需求分析）；简历互评工作坊（腾讯文档在线批注）

4.线上面试技巧:视频面试环境搭建（灯光/背景/设备调试指南）;虚拟面试模拟（腾讯会议分组角色扮演）;AI面试系统体验（猎聘/赛码等平台实战）

5.劳动权益保护实践:劳动合同条款精读（电子合同标注重点条款）;维权情景剧创作（录制社保纠纷解决过程）;12333热线模拟咨询（语音/在线客服对话演练）

教学重点与难点

重点：

简历与目标岗位的高度匹配性（关键词优化、经历量化表述）。

视频面试中的非语言表达能力（眼神交流、语音语调控制）。

劳动法核心条款的快速检索与应用（试用期、五险一金争议）。

难点：

分散实习学生的时间协调与线上参与度管理。

虚拟场景中求职陷阱识别的真实感不足。

非法律专业学生对劳动权益条款的理解深度。

教学组织

教学方法

任务闯关式学习：将30学时分解为5大模块任务，每完成1个模块解锁下个关卡。

虚拟导师制：辅导员按实习区域分组，通过微信/钉钉提供“1对5”定向辅导。

企业云联动：邀请企业HR参与在线简历诊断、面试模拟评分。

周计划示例

第1周：防诈案例学习 + 求职渠道地图绘制（分组提交）。

第2周：AI简历工具实操 + 岗位JD匹配训练（截图上交）。

第3周：视频面试模拟 + 自我介绍视频录制（提交初版）。

第4周：劳动合同条款标注 + 维权情景剧拍摄（团队作品）。

第5周：企业HR直播答疑 + 终版材料修订。

教学资料

数字工具包：

《防诈手册2024》电子版、简历关键词优化表（Excel）。

劳动合同模板库（含风险条款注释）、视频面试背景素材包。

线上资源：

国家大学生就业服务平台（https://job.ncss.cn）操作视频。

人社部“劳动权益保护”微课系列（B站官方账号）。

辅导员自制资源：

各行业头部企业HR偏好分析表、3分钟自我介绍万能框架。

考核要求

考核内容

必交成果：

针对性求职简历1份（PDF格式，匹配目标岗位）。

3分钟求职自我介绍视频（横屏录制，包含虚拟面试问答）。

附加任务（选做加分）：

反诈宣传短视频（1分钟内，抖音/B站发布截图）。

劳动法知识测试（学习通平台满分证书）。

评分标准

简历制作（50%）：

岗位匹配度（20%） ｜ 内容逻辑性（15%） ｜ 格式专业性（15%）。

面试自我介绍视频（50%）：

语言流畅度（15%） ｜ 非语言表现力（20%） ｜ 问答应变力（15%）。

补考机制：

未通过者需重新提交简历与视频，并附加《求职安全自查报告》（2000字）。

教学目标

1、能力培养：提升学生团队协作、沟通决策、领导力及执行力，强化实践能力与创新意识。

2、素质提升：增强国防观念、纪律意识，培养社会责任感和抗压能力，促进全面发展。

3、学分达标：通过课程实践与考核，确保学生获得1学分。

教学内容

一、总教学时长：30学时（共5天，每日6学时）

二、教学阶段划分：

1、前2天：辅导员指导，12学时。

2、后3天：素质拓展公司指导，18学时。

三、教学项目：

1、团队协作：信任背摔等团队素质拓展活动（由卓越公司提供具体素质拓展方案）。

2、领导力训练：模拟项目策划与执行（如“荒岛求生”情景任务）。

3、反思总结：每日活动后小组复盘，4天素质拓展培训结束后撰写心得体会，第5天总结分享。

教学重点

与难点

一、重点：

1、协作能力培养：团队协作能力与领导力培养。

2、实践能力培养：理论知识与实践操作的结合。

3、素拓安全保障：要做好安全预案，拓展公司需提供安全承诺书，校医全程待命。

二、难点：

1、个体差异导致参与度不均衡（需教练组动态调整任务难度）。

2、短期内实现综合素质提升的量化评估（需多维考核指标）。

教学组织

一、前期准备：

1、辅导员与拓展公司：共同设计拓展课程表，提前申请场地、审核素质拓展道具。

2、学生分组：按班级划分，每队设队长、副队长（由高年级志愿者或学生干部担任）。

二、实施流程：

教学资料

一、理论材料：学生手册、应用文模板（通知、策划书等）。

二、实践工具：安全装备（绳索、护具）、任务卡、队旗、计时器等。

三、辅助材料：典型案例视频（如团队协作成功案例）。

考核要求

一、考核方式：

1、出勤率（占60%）：全程参与方可合格。

2、实践表现（占40%）：教练组根据任务完成度、团队贡献评分。

二、成绩认定：

总分≥60分为合格，获得1学分。

后续课程

无

教学目标

（一）素质目标：培养学生正确价值观、必备品格，具体包括：

坚定理想信念，增强“四个自信”；

厚植爱国主义情怀，树牢“四个意识”；

培养安全责任意识、科学规范意识；

培养劳动习惯、认识劳动本质、端正劳动态度；

厚植勤俭节约、珍爱粮食、不怕苦、不怕累的优良品德；

强化团结合作、严谨细致、精益求精的工匠精神。

（二）知识目标：了解实践课程相关知识及方法，具体包括：

1.了解常见农具的功能和使用方法；

2.了解烹饪原料及调料相关知识；

3.了解相关蔬菜和植物的种类及生长规律；

4.掌握万用表及常见仪表的使用方法；

5.了解进水、排水管的分类与选择。

（三）能力目标：培养学生生活实践关键能力，具体包括：

1.能正确使用常用农具；

2.能安全、规范进行相关植物或蔬菜的种植；

3.能根据不同食材进行切、配、加工；

4.能根据不同食材要求，掌握不同烹饪方法，制作凉菜和热菜；

5.能完成家庭电路、水路规范化设计与施工；

6.能安全、规范完成常见故障的检查及处理。

教学内容

以种植、烹饪、水电维修的基础知识、技能和方法为主要内容，以实践劳动为主要手段，帮助学生掌握相应通用生活技能，提升劳动能力。

教学重点与难点

重点

了解相关蔬菜和植物的种类及生长规律；

了解烹饪原料及调料相关知识；

了解进水、排水管的分类与选择。

难点

能安全、规范进行相关植物或蔬菜的种植；

能根据不同食材要求，掌握不同烹饪方法，制作凉菜和热菜；

能安全、规范完成常见故障的检查及处理。

教学组织

教学模式：采取线上线下混合式教学模式，线上以在线课程理论知识学习为主，线下以实践操作为主；

开设地点：通用生活技能实训基地、烹饪实训基地；

教学安排： 第二学期。

教学手段和方法

分小组实践、做中学做中教、任务式教学

教学资料

校内自编教材、在线课程建设资源

考核要求

《通用生活技能》实践课程考核按照课程标准设置的方案执行，重点是考核学生种植、烹饪、水电维修三个项目的通用生活实践能力。考核从素质、知识、能力三维度将教师评价、学生互评与自评相结合，形成性评价与终结性评价相结合，探索增值评价，体现考核评价主体、评价方式、评价过程的多元化。

教学目标

1.知识目标：掌握劳动法律法规基础知识，了解劳动者的权利与义务；了解劳动安全与卫生常识，掌握基本的劳动防护技能；理解劳动伦理与职业道德的重要性，树立正确的劳动观念。

2.能力目标：提升生活自理能力和基本劳动技能，如清洁、整理、维护等；通过实践活动，培养学生的动手能力和解决问题的能力；增强社会责任感和创新实践能力，鼓励参与志愿服务和社区劳动。

3.素质目标：培养学生的劳动观念、劳动态度和劳动精神，树立正确的劳动价值观；提升学生的综合素质，促进德智体美劳全面发展。

教学内容

总教学时长：18学时

（一）第1学期（理论教学3学时+实践活动6学时）

理论教学（3学时）

主题：劳动法律法规与劳动安全

内容：劳动法律法规基础知识（如《劳动法》《劳动合同法》摘要）

劳动安全与卫生教育（劳动防护用品使用、常见劳动安全隐患防范）

劳动伦理与职业道德（劳动的价值与意义、职业精神培养）

形式：理论讲授+案例分析+小组讨论

实践活动（6学时）

活动一：校园清洁与维护（3学时）

内容：校园公共卫生区域清扫（如教室、走廊、操场等）

校园绿化带垃圾清理与分类

形式：分组实践+现场指导

活动二：打扫宿舍卫生（3学时）

内容：由辅导员带领，学生以宿舍为单位，进行大扫除活动，包括地面清扫、物品整理、公共卫生区域清洁等。

学习宿舍卫生管理技巧，培养生活自理能力和团队协作能力。

形式：分组实践+宿舍互评

（二）第2学期（实践活动9学时）

实践活动（9学时）

活动一：志愿服务与社区劳动（4学时）

内容：参与社区公益劳动（如助老助残、环境整治等）

志愿服务技能培训与岗位实践

形式：校企合作+社区服务

活动二：校园环保项目策划与实施（5学时）

内容：学生分组策划并实施校园环保项目，如垃圾分类宣传、废旧物品回

节能降耗倡议等。

通过项目策划、实施、总结等环节，提升学生的创新实践能力、社会责任感和组织协调能力。

形式：小组合作+项目展示

教学重点

与难点

教学重点

劳动法律法规与伦理：学生需掌握劳动法律法规的基础知识，了解劳动者的权利与义务。

1.

理解劳动伦理与职业道德的重要性，树立正确的劳动观念。

劳动安全与卫生：学习劳动安全与卫生常识，掌握基本的劳动防护技能。

确保在实践活动中的安全，培养学生的安全意识和自我保护能力。

实践技能培养：通过校园清洁、宿舍卫生、志愿服务和社区劳动等实践活动，提升学生的动手能力和解决问题的能力。

增强学生的社会责任感和创新实践能力，鼓励参与志愿服务和社区劳动。

教学难点

劳动法律法规的抽象性：学生可能难以理解和应用劳动法律法规中的抽象概念，如劳动关系的界定、劳动合同的签订等。

劳动实践中的复杂操作：如校园环保项目策划与实施，需要综合应用多种技能和知识，包括项目管理、团队协作、创新思维等，对学生来说可能具有挑战性。

劳动观念与态度的转变：培养学生的正确劳动观念和态度可能需要长时间的引导和影响，尤其是对于那些对劳动存在偏见或误解的学生。

教学组织

理论讲授：系统讲解劳动教育相关理论知识。

小组讨论：围绕劳动热点话题进行分组讨论，培养学生的思辨能力。

案例分析：分析典型劳动案例，增强学生的实践应用能力。

实践操作：通过校园劳动、志愿服务、宿舍卫生清扫等活动，提升学生的动手能力。

教学资料

教材与参考书：选择关于劳动法律法规、劳动安全与卫生、劳动伦理与职业道德的教材或参考书，如《劳动法》、《劳动合同法》摘要等。

多媒体资料：利用视频、动画或模拟软件来演示劳动实践中的复杂操作和安全规范，如劳动防护用品的正确使用方法、常见劳动安全隐患的防范措施等。

实践器材与工具：准备劳动实践所需的器材和工具，如清扫工具、防护用品、垃圾分类宣传材料等。

互动工具：使用在线互动平台或教育软件来增强学生的参与度和实践体验，如通过在线论坛进行小组讨论、通过教育软件进行劳动实践模拟等。

评估材料：设计评估表或评分标准，用于评价学生的劳动实践成果和劳动日记/报告，包括平时表现、实践操作成果和劳动日记或报告三个方面的评价。

考核要求

平时表现（30%）：课堂参与情况、小组讨论表现、劳动实践态度等。

实践操作成果（40%）：校园清洁与维护、宿舍卫生清扫、志愿服务与社区劳动等实践活动的成果展示

劳动日记或报告（30%）：学生撰写劳动日记或报告，记录劳动实践过程中的收获与感悟。

教学目标

通过系统学习创业所需知识和技能，让学生理解今后工作中创办企业的全流程要素；培养学生的创新思维，鼓励学生提出新想法和讨论解决方案，接触成功案例和创新模式激发灵感；提高创业成功概率。培养学生问题解决能力、团队合作和创新能力，增强就业竞争力。

教学内容

“创办和改善你的企业（SIYB）”、“网络创业培训”

教学重点 与难点

创新思维导引与实践课程围绕SIYB（创办和改善你的企业）展开，课程内容集中在十个步骤，分别是第一步 将你作为创业者来评价；第二步 为自己建立一个好的企业构思；第三步 评估你的市场；第四步 企业人员组织；第五步 选择一种企业法律形态；第六步 法律环境和你的责任；第七步 预测启动资金需求；第八步 制定利润计划；第九步 判断你的企业能否生存；第十步 开办企业。

教学重点：创业方向的选择，如何为自己建立一个好的企业构思，市场环境的SWOT分析和市场评估。

教学难点：制定利润计划，判断企业生存的方法及开办企业的落实工作。

教学组织

学生通过36学时沉浸式学习与互动研讨，系统完成商业模式设计、风险管理等理论课程，并参与创业沙盘推演、路演模拟等实训。教学组织中，实施项目化教学，通过“理论赋能-实战迭代-资源链接”培养模式，助力学生通过学习提升创业成功率与职业竞争力，授课过程中，实行“双导师”授课模式，校内教师与行业导师对经典创业成功案例进行解析，学生通过小组协作形成1份商业计划书优化方案，并通过沙盘推演、路演等方式推广商业计划书，鼓励学生利用个人新媒体社交平台进行宣传和路演直播，达到创业场景真实化的教学效果。

教学资料

人社部门SIYB证书指定教材及SIYB课程游戏包

考核要求

学生每天按要求上、下课，以小组为单位完成创业计划书，个人设计账号完成商业计划书推广宣传，并完成SIYB培训结课考试，获取人社厅盖章的SIYB创业合格证。

教学目标

培养学生“永远跟党走”的铁一般信念，培养学生良好的日常行为规范，提高学生的思想政治素质。

教学内容

专题教育：马克思主义信仰、共产主义信念、社会主义核心价值观、中国精神、社会责任等主题教育，党团校教育，团支部教育等。

精品活动：“早日站在党旗下”系列活动等。

“习课堂”：以学习习近平总书记系列重要讲话精神、学习习近平新时代中国特色社会主义思想为主要内容的“习课堂”教育。

教学重点与难点

教学重点：良好日常行为规范的养成。

教学难点：良好日常行为规范的养成；习近平新时代中国特色社会主义思想等的学习入脑、入心、入行。

教学组织

课程以学生操行量化考核的形式进行，以学校的规章制度为标准，以学生本人的行为表现为依据，通过基本分条款提出学生必须遵循的行为规范和准则，依据学生在思想政治教育活动参与、学风建设、宿舍管理、活动参与、评优评先等方面的表现做出相应的奖励或扣减，引导学生遵守日常行为规范、积极创先争优。

教学资料

《学生手册》

考核要求

考核总分=基本分+奖励分-处罚分。

教学目标

增强学生的专业应用、创新创效创业能力，增强学生解决实践问题的能力，激发学生创新精神、创业意识，提高学生的学习创新素质。

教学内容

专题教育：创业指导教育、创新创业基础教育等。

精品活动：创业学习竞赛、职业技能比赛、创新创业竞赛等。

“创课堂”：培养创新思维、开展团队辅导、孵化重点项目等的“创课堂”教育。

教学重点与难点

教学重点：学生学习精神的培养，创新思维的培养。

教学难点：创新创业孵化项目、创新创业竞赛等实践项目的指导与突破。

教学组织

课程以提高学生实践能力为抓手，以专业深化为目标，把学生专业理论学习、专业技能训练和学生创新创业有机结合起来，通过基于专业学习进行的创意设计、实习实训、科研研究各类实践，创新创业竞赛实践，校级创新创业孵化项目实践等，提高学生的学习创新素质。

教学资料

1.《大学生创新与创业实践》MOOC，张祖涛，教学课件。

2.自编教案与校本教材。

考核要求

1.过程考核与项目成绩考核相结合；

2.个人考核与团队考核相结合。

教学目标

培育学生工匠精神、劳动精神和奉献精神，引导学生热爱所学专业，明确职业规范，树立职业意识，理解脏险苦累，锻造学生铁的意志品质，提高学生的职业发展素质。

教学内容

专题教育：职业思想教育、职业道德教育、职业文化教育、职业礼仪教育、职业规范教育等。

精品活动：职业体验、志愿者服务、公益劳动、春暑运社会实践等。

“勤课堂”：安全教育、劳动教育、职业理想教育、爱岗敬业教育、诚实守信教育、精益求精教育、服务奉献教育等“勤课堂”教育。

教学重点与难点

教学重点：安全教育、劳动教育。

教学难点：学生责任意识和敬业精神的培养，学生感恩意识和奉献精神的培养。

教学组织

课程以培育敬业精神为抓手，以强化工匠意识为目标，通过组织专题教育、精品活动，开设“勤课堂”教育，帮助学生塑造良好的职业形象，提升职业意识，向工匠看齐、向先进学习。

教学资料

自编教案与校本教材

考核要求

1.过程考核与项目成绩考核相结合；

2.个人考核与团队考核相结合。

教学目标

教育学生正确认识美的本质，树立正确的审美观；提高学生礼仪修养与文明修养；促进学生以美悦情，以美育人，净化心灵，完善人格。

教学内容

专题教育：各类文化艺术讲座、各种文艺演出等。

精品活动：校园文化节、大学生艺术节、寝室文化节、职业礼仪大赛等。

“雅课堂”：演讲与口才、中华优秀传统文化欣赏与实践、大学生礼仪修养、大学生文明修养、大学生艺术修养等“雅课堂”教育。

教学重点与难点

教学重点：日常行为礼仪与职场礼仪、中华优秀传统文化欣赏与实践。

教学难点：演讲与口才、中华优秀传统文化欣赏与实践。

教学组织

将美育教育与学生的职业礼仪、文明素质、优秀传统文化相结合，通过情境模拟、实践演练、活动参与的方式，让学生习得基本的修养规范，懂得什么是真正的美，并去践行美。基于推普周活动、演讲比赛、“百生讲坛”优秀主讲人遴选与培育工程、时政360主讲进行演讲与口才的实践；基于职场礼仪、行为礼仪宣讲会、分享会等活动进行日常行为礼仪与职场礼仪教育；基于举办“大学生艺术节”进行中华优秀传统文化欣赏与实践。

教学资料

自编教案与校本教材。

考核要求

根据学生课程过程表现及实践联系情况进行考核。

教学目标

促进学生快乐学习、快乐生活、快乐活动、快乐成长，提高学生自信心、团队意识、意志力、挫折应对能力。

教学内容

专题教育：心理健康讲座、青春健康讲座、团体沙盘体验等。

精品活动：体育活动节、田径运动会、心理主题班会等。

“悦课堂”：户外素质拓展、心理素质拓展、青春健康同伴教育等“悦课堂”教育。

教学重点与难点

教学重点：树立健康阳光、积极向上的观念，培养团队合作意识。

教学难点：挫折应对能力的培养。

教学组织

课程以阳光行动为抓手，以体质强化、心灵净化为目标，通过同伴教育、情境体验、分组竞技等方式组织教学，增强学生应变能力和承受挫折能力，提高学生的身心健康素质。

教学资料

自编教案与校本教材。

考核要求

1.过程考核与项目成绩考核相结合；

2.个人考核与团队考核相结合。

教学环 节学期周数

理论教学 与理实一 体教学

实训 周

入学 教育

军训

毕业 教育

岗位实习

考核

机动

合计

1

14

—

1

3

—

—

1

1

20

2

18

—

—

—

—

—

1

1

20

3

17

1

—

—

—

—

1

1

20

4

17

1

—

—

—

—

1

1

20

5

8

—

—

—

—

10

1

1

20

6

—

—

—

—

1

15

—

16

合计

74

2

1

3

1

25

5

5

116

课程

学分

总学时

理论学时

实践学时

占总学时比率（%）

纯理论课（A）

17

336

336

0

12.95%

（理论+实践）课（B）

70

1260

447

813

48.57%

纯实践课（C）

35.5

998

0

998

38.48%

合计

122.5

2594

783

1811

100%

理论教学时数：30.19%

实践教学时数：69.81%

教学形式图例

┴入学教育

☆军训

…理论教学与理实一 体教学

◎实训

○岗位实习/ φ毕业设计

┬毕业教育

::考试

#机动

学年

学期

教学周历

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

第一 学年

1

教学形式

┴

☆

☆

☆

…

…

…

…

…

…

…

…

…

…

◎

◎

::

#

—

—

2

教学形式

…

…

…

…

…

…

…

…

…

…

…

…

◎

◎

::

#

—

—

—

—

第二 学年

3

教学形式

…

…

…

…

…

…

…

…

…

…

…

…

◎

◎

◎

◎

::

#

—

—

4

教学形式

…

…

…

…

…

…

◎

◎

◎

◎

◎

◎

::

#

—

—

—

—

—

—

第三 学年

5

教学形式

…

…

…

…

◎

◎

○

○

○

○

○

○

○

○

○

○

::

#

—

—

6

教学形式

○

○

○

○

○

○

○

○

○

○

○

○

○

○

○

○

┬

#

—

—

课程属性

课 程 类 型

课 程 性 质

考 核 类 型

考 核 学 期

学 分

教学时数

按学期分配的学分及学时

序号

课程编号

课程名称

总 学时

理论 学时

实践学时

一

二

三

四

五

六

课内实验实训