五、教学流程设计
①——课堂+MOOC混合；②——学习技能的“自上而下”学习；③——师生共建；④——宏观/微观/案例；⑤——诱导式教学；⑥——体验式寓教于乐；⑦——F（X）＝Y主线；⑧——知识点结合生活；⑨——视频案例；⑩——学以致用。用序号分别代表上面中的十个创新点。
（一）全课程设计中教学创新点大纲
1.为什么要学习人工智能？
⑧：从医疗、交通、制造业、商业、艺术等介绍人工智能的应用；
⑩：小组讨论——发现生活/行业存在哪些人工智能应用，设想生活/行业还需要哪些人工智能应用。
2.如何学习人工智能？（详见后面10分钟教学设计）
⑨：从无人驾驶车过山道的惊险场面引入智能小恐龙案例；
④：由智能化小恐龙和声控小恐龙两个案例导出微观——分类，然后导出宏观——F（X）＝Y；
⑥：学生参与用声音指挥小恐龙避开障碍物的游戏，很好玩，也体验什么是“收集”，不仅仅是字面上的“收集”二字；
⑧：F（X）＝Y与生活案例——高考/相貌结合；
⑩：小组讨论——如何教小恐龙过马路？
③：学生的听课感想表明学生对线性和非线性很好奇；
①：课后的MOOC讲解有些学生感兴趣的技术细节，例如代码如何实现小恐龙跳。
3.奇怪的线性模型和非线性模型
⑧：从众所周知的“预计我国GDP增长为**”案例导入；
⑤：提问如何将混杂一起的数据一次分开；
①：课后的MOOC讲解例如Sigmoid等非线性案例。
4.KNN分类——猫狗大战
⑨：由科幻电影《猫狗大战》导入猫狗分类问题；
⑥：参与体验选择什么样的猫/狗照片来分类；
②：学生能够看到MobileNet把图片提取出1 000个特征的转化表示，但学生不需要了解MobileNet的技术细节；
①：课后的MOOC讲解技术难点——MobileNet的实现细节。
5.声控小恐龙是如何分类的
⑥：再次体验声控小恐龙游戏，引起学生兴趣；
②：学生能够应用MFCC把声音提取出13个特征的转化表示，但学生不需要了解MFCC的技术细节；
⑧：用生活案例介绍深度学习的监督学习/无监督学习和强化学习；
⑩：小组讨论——举例生活/行业中的监督学习/无监督学习和强化学习；
⑦：用F（X）＝Y中的X-Y来源解释监督学习/无监督学习和强化学习；
①：课后的MOOC讲解技术难点——MFCC的大致实现细节。
6.6万张图和6万个参数设定——MNIST手写体识别（全连接网络）
⑥：问题导入——你能写出多少种“7”；
⑤：如何识别“7”；
⑥：体验式教学，用训练的各种参数变化来介绍深度学习的一些概念和原理，例如Batch（批次），Loss（损失函数的值），随机取样等；
④+⑦：用全连接网络中的6万多个参数介绍深度学习的F（X）＝Y好处；
⑥：如何让“
”不识别为“3”；
①：课后的MOOC讲解全连接网络技术的实现细节。
7.更强大的MNIST手写体识别——CNN（卷积神经网络）
⑤：继续如何识别“7”，然后展示CNN对于“
”的识别中间结果；
①：课后的MOOC讲解卷积神经网络技术的实现细节。
8.奇妙的迁移学习
⑧：用买香蕉经验用于买橘子的案例引入迁移学习；
⑩：小组讨论——生活/行业中有哪些迁移学习的案例；
⑥：用吃豆人的游戏案例体验迁移学习的妙用——MobileNet的1 000维特征转为4维的手势。
9.火爆的猜画小歌背后的动态RNN
⑤：继续如何让“
”不识别为“3”；
⑥：全班一起体验火爆的微信小程序——猜画小歌；
②：不需要完全掌握RNN复杂的算法，体验理解RNN的原理；
①：课后的MOOC对RNN加强认识。
10.为什么AlphaGo会引发行业震动
⑤：问题——为什么以前IBM深蓝战胜国际象棋高手，不如AlphaGo战胜围棋高手来得轰动？
⑥：玩简单的“井”字棋入门博弈原理——极大极小算法；
⑥：一起用蒙特卡洛树搜索分析“井”字棋入门博弈原理；
⑤：问题强化学习在AlphaGo中是如何实现的；
⑩：小组讨论——发现生活/行业中的一些强化学习案例，设想生活/行业中的一些应该有却还没有的强化学习案例；
①：课后的MOOC加强介绍强化学习和深度网络结合，包括残差网络等。
11.数据不够，我们只好以假乱真了——对抗网络（GAN）
⑧：问题——生活中如果东西不够如何办？
⑦：F（X）＝Y中X-Y不足；
⑤：问题——“如何当造物主”，通过一堆噪声生成人脸；
③：学生的听课感谢提议用“当造物主”这个词；
①：课后的MOOC加强介绍生成器后面的自编码器等原理。
（二）全课程设计中教学创新点介绍
1.为什么要学习人工智能？
⑧：从医疗、交通、制造业、商业、艺术等介绍人工智能的应用。
目标：让学生体会到人工智能的无处不在。
⑩：小组讨论——发现生活/行业存在哪些人工智能应用，设想生活/行业还需要哪些人工智能应用。
目标：发现和交流人工智能的各种应用价值，培养用人工智能技术来解决问题的习惯。
2.如何学习人工智能？（详见后面10分钟教学设计）
⑨：从无人驾驶车过山道的惊险场面引入智能小恐龙案例（见图3）。
目标：引起学生对于智能化的兴趣。
图3 无人驾驶车过山道的惊险场面
④：由智能化小恐龙和声控小恐龙两个案例导出微观——分类，然后导出宏观——F（X）＝Y；
⑥：学生参与用声音指挥小恐龙避开障碍物的游戏（见图4），很好玩，也体验什么是“收集”，不仅仅是字面上的“收集”二字；
图4 用声音指挥小恐龙避开障碍物的游戏
⑧：F（X）＝Y与生活案例——高考/相貌结合。
目标：增强学生对F（X）＝Y的熟悉和理解，强调人工智能启蒙学习目标是人工智能思维训练，用于各行各业。
⑩：小组讨论——如何教小恐龙过马路？
目标：培养用人工智能思路解决问题的习惯。
③：学生的听课感想表明学生对线性和非线性很好奇；
①：课后的MOOC讲解有些学生感兴趣的技术细节，例如代码如何实现小恐龙跳。
目标：解决人工智能启蒙通识课中学生多元化、需求多元化的问题。
3.奇怪的线性模型和非线性模型
⑧：从众所周知的“预计我国GDP增长为**”案例导入。
目标：体会预测的重要性。
⑤：提问如何将混杂一起的数据（见图5）一次分开。
图5 提问如何将混杂一起的数据一次分开
目标：解决教学难点——学生难以想象对非线性数据的切分，让学生体验非线性模型的强大和有趣。
①：课后的MOOC讲解，例如Sigmoid等非线性案例；
⑨：由科幻电影《猫狗大战》（见图6）导入猫狗分类问题；
图6 科幻电影《猫狗大战》
⑥：参与体验选择什么样的猫/狗照片来分类。
目标：对分类问题有了进一步了解，例如K的选择、置信度等（见图7）。(https://www.daowen.com)
图7 测试分类
②：学生能够看到MobileNet把图片提取出1 000个特征的转化表示（见图8），但学生不需要了解MobileNet的技术细节。
目标：MobileNet是比较复杂的深度学习算法，避免因为这些复杂的知识让学生降低学习兴趣。
图8 图片特征转化表示
①：课后的MOOC讲解技术难点——MobileNet的实现细节。
4.声控小恐龙是如何分类的
⑥：再次体验声控小恐龙游戏，引起学生兴趣；
②：学生能够应用MFCC把声音提取出13个特征的转化表示，但学生不需要了解MFCC的技术细节；
⑧：用生活案例介绍深度学习的监督学习/无监督学习和强化学习；
⑩：小组讨论——举例生活/行业中的监督学习/无监督学习和强化学习；
⑦：用F（X）＝Y中的X-Y来源解释监督学习/无监督学习和强化学习。
目标：介绍深度学习的必要性——6万多个参数不可能人工设定。
①：课后的MOOC讲解技术难点——MFCC的大致实现细节。
5.6万张图和6万个参数设定——MNIST手写体识别（全连接网络）
⑥：问题导入——你能写出多少种“7”。
目标：对比收集的6 265张“7”手写体图片（见图9），引起学生兴趣和好奇心。
图9 “7”手写体图片
⑤：如何识别“7”。
目标：将学生现有的特征提取思维和深度学习的特征提取思维比较。
⑥：体验式教学，用训练的各种参数变化（见图10）来介绍深度学习的一些概念和原理，例如Batch（批次）、Loss（损失函数的值）、随机取样等；
图10 参数变化
④+⑦：用全连接网络中的6万多个参数介绍深度学习的F（X）＝Y好处。
目标：介绍深度学习的必要性——6万多个参数不可能人工设定。
⑥：如何让“
”不识别为“3”（见图11）。
目标：从全连接网络，引出卷积神经网络（CNN）。
图11 如何让“7”不识别为“3”
①：课后的MOOC讲解全连接网络技术的实现细节。
6.更强大的MNIST手写体识别——CNN（见图12）
图12 MNIST手写体识别——CNN
⑤：继续如何识别“7”，然后展示CNN对于“
”的识别中间结果。
目标：为学生展示多层抽象的功能，还有CNN相对全连接网络用卷积核以块替代点的好处。
①：课后的MOOC讲解卷积神经网络技术的实现细节。
7.奇妙的迁移学习
⑧：用买香蕉经验用于买橘子的案例（见图13）引入迁移学习；
图13 香蕉和橘子
⑩：小组讨论——生活/行业中有哪些迁移学习的案例；
⑥：用吃豆人的游戏案例（见图14和图15）体验迁移学习的妙用——MobileNet的1 000维特征转为4维的手势。
图14 吃豆人游戏1
8.火爆的猜画小歌背后的动态RNN
⑤：继续如何让“
”不识别为“3”。
目标：从静态对象的CNN导出动态对象的RNN（序列）。
⑥：全班一起体验火爆的微信小程序——猜画小歌（见图16）；
图15 吃豆人游戏2
图16 猜画小歌游戏
②：不需要完全掌握RNN复杂的算法，体验理解RNN的原理；
①：课后的MOOC对RNN加强认识。
9.为什么AlphaGo会引发行业震动
⑤：问题——为什么以前IBM深蓝战胜国际象棋高手，不如AlphaGo战胜围棋高手来得轰动？
目标：加深学生对于围棋下棋难度的认知，当前强大的计算机计算力也不能解决围棋21个亿——“亿亿亿亿亿亿亿亿亿亿亿亿亿亿亿亿亿亿亿亿亿”的运算问题。
⑥：玩简单的“井”字棋（见图17）入门博弈原理——极大极小算法。
目标：体验极大极小算法的不足。
图17 井字棋游戏
⑥：一起用蒙特卡洛树搜索分析“井”字棋入门博弈原理（见图18）。
目标：体验理解蒙特卡洛树搜索以“频率”替代“概率”的原理。
图18 蒙特卡洛树
⑤：问题——强化学习在AlphaGo如何实现。
目标：对比学生已有的思维和AlphaGo的设计思维。
⑩：小组讨论——发现生活/行业中的一些强化学习案例，设想生活/行业中的一些应该有却还没有的强化学习案例；
①：课后的MOOC加强介绍强化学习和深度网络结合，包括残差网络等。
10.数据不够，我们只好以假乱真了——对抗网络（GAN）
⑧：问题——生活中如果东西不够如何办？
目标：导出识别假钞案例。
⑦：F（X）＝Y中X-Y不足。
目标：导出对抗网络中的生成器。
⑤：问题——“如何当造物主”，通过一堆噪声生成人脸（见图19）；
图19 人脸图
③：学生的听课感谢提议用“当造物主”这个词；
①：课后的MOOC加强介绍生成器后面的自编码器等原理。
（三）10分钟教学视频教学设计
教学难点1：学生觉得学习人工智能需要相对好的基础，会很难。
用简单且有趣的小恐龙让学生体验到学习人工智能的乐趣，体会学习人工智能不那么难，不需要具备好的基础。
教学难点2：学生对于F（X）＝Y不太好理解。
从课程知识联系生活中的高考和相貌/F（X）＝Y、与数学中习惯的认知区别等多个角度介绍人工智能的F（X）＝Y（见图20）。
教学意图、内容及模式如表1所示。
图20 多角度介绍人工智能的F（X）＝Y
表1 教学意图、内容及模式
续表
续表
