上海智能研究院-AI4S的入门课程设计(商业课程)
一、设计理念
1. 总体规划
- 小学和初中都定位在初学者，课程大部分内容一致。
- 小学四年级，初中六年级，分别为2个学期，共24次课。
- 每个学期12次课，每次课1个小时。
- 为增加课程的趣味性，还适当增加了开源硬件，学生能将训练的模型部署在硬件上，搭建各类科创作品，解决生活中的真实问题。
- 高中为AI+科学，如AI+化学、AI+生物等。
- 其中AI基础（机器学习）方面的基础课程为8课时。
2. 课程简介
- 课程围绕新一代人工智能技术，以机器学习、深度学习为核心，设计一系列人工智能实验活动。
- 让学生经历从收集数据、构建算法、训练模型到应用模型的基本流程，逐步掌握线性回归、符号回归、决策树、支持向量机、KNN、全连接神经网络、卷积神经网络、图神经网络、Transformer等经典算法的基本原理和应用领域，以及常见激活函数和模型训练技术（超参数设置），为科学智能（AI4Science）打下坚实的基础。
3. 设计理念
- 课程以“逆向工程方法”为理论基础，按照人工智能产品和项目开发流程，将学生应用人工智能解决问题的能力划分为“用AI应用解决问题”、“用AI模型解决问题”和“用AI算法解决问题”三个层次。
- 结合生成式人工智能、计算机视觉和自然语言处理等领域的项目，再根据数据和算法的复杂程度，将人工智能学习内容浓缩为一系列的实验活动。
二、学习工具
1. 教学平台
- 以OpenHydra为核心，内容各种开发环境（容器）。
2. 配套科创硬件（义务教育）
- 定价：600左右
- 核心板：行空板（399）
- 交互周边
- 摄像头（带麦克风）：50
- USB 小音箱 ：80
- 传感器模块
- 红外测距传感器* 1
- LM35 温度传感器* 1
- 执行模块
- 小舵机和云台结构件* 1
3. 工具升级备忘
- OpenHydra的大模型要支持API接口，无缝整合XEduLLM。
- OpenHydra需要开发简单插件，无缝整合行空板。
三、课程设计
1. 小学课程
- 长度：24次课
单元1：大模型助我学编程（5课时）
- 核心内容：大模型和提示词、Python代码的运行和调试、程序基本结构和数据容器
| 节次 | 名称 | 内容 |
|---|---|---|
| 1-1 | 初识Python和大模型编程 | 1. 了解Python语言的特点和使用方法； 2. 安装XEdu一键安装包，编写Python代码； 3. 在行空板上执行jupyter，运行Python代码； 4. 从功能描述到算法生成的一般流程； |
| 1-2 | Python程序的三种基本结构 | 1. 程序中的常见分支结构； 2. 两种不同的循环结构； |
| 1-3 | Python数据处理：切片 | 1. Python中的数据类型； 2. Python的数据容器（list、tuple、str、map、dict）和基本操作； |
| 1-4 | Python数据可视化：绘图 | 1. 获取数据并整理； 2. 选择合适的数据，显示各类图表； |
| 1-5 | 从大模型到智能体 | 1. 用XEduLLM连接大模型推理的结果应用； 2. 将代码运行在行空板上。 |
单元2：机器学习入门（4-5课时）
- 核心内容：经典机器学习和XEduHub推理
| 节次 | 名称 | 内容 |
|---|---|---|
| 2-1 | 线性回归：寻找数据背后的规律 | 1. 采集并分析LM35温度模块的数据； 2. 训练线性回归模型预测真实温度； |
| 2-2 | 多项式回归：探究非线性传感器 | 1. 采集并分析红外测距传感器的数据； 2. 训练多项式回归模型预测真实距离； |
| 2-3 | SVM：识别你的手势 | 1. 训练手势分类的SVM模型； 2. 测试模型的推理效果，并使用归一化方法处理数据集； |
| 2-4 | KNN：训练简单图像模型 | 获取图像的特征（HOG等）后，训练模型； |
| 2-5 | 机器学习模型的部署和交互设计（可选） | 1. 使用行空板+摄像头，获取画面中的关键点信息； 2. 将模型部署到行空板上，测试模型的真实推理效果； |
单元3：深度学习入门（5课时）
- 核心内容：深度学习相关课程
| 节次 | 名称 | 内容 |
|---|---|---|
| 3-1 | 全连接神经网络和手势分类 | 1. 用BaseNN搭建全连接神经网络，并训练模型； 2. 测试模型推理效果，并转化为ONNX部署； |
| 3-2 | MMEdu和手势分类 | 1. 用MMEdu的LeNet网络训练手势识别模型； 2. 测试模型推理效果，并转化为ONNX部署； |
| 3-3 | MobileNet和昆虫分类（GPU） | 1. 用MobileNet训练手势识别模型； 2. 测试模型推理效果，并转化为ONNX部署； 注：需要提供GPU容器。 |
| 3-4 | SSD和目标检测（GPU） | 1. 了解用coco数据集格式和制作（标注）； 2. 用MMEdu的Det模块SSD算法训练模型； 3. 测试模型推理效果，并转化为ONNX部署； 注：需要提供GPU容器。 |
| 3-5 | 循环神经网络和自动作诗机（GPU） | 1. 了解循环神经网络的原理和搭建； 2. 用BaseNN搭建循环神经网络并训练自动作诗机模型； 3. 测试模型推理效果，并转化为ONNX部署； 注：需要提供GPU容器。 |
单元4：AI应用开发入门（4-5课时）
- 核心内容：AI应用开发相关课程
| 节次 | 名称 | 内容 |
|---|---|---|
| 4-1 | 用pinpong驱动硬件 | 1. 常见传感器的读取； 2. 执行器的控制（LED和舵机）； |
| 4-2 | 物联网AIoT入门（选学） | 1. 初步掌握MQTT协议工作原理，实现传感器的远程数据采集； 2. 了解物联网控制原理，实现执行器的远程控制； |
| 4-3 | AI创意案例入门：语音讲解小助手 | 1. 训练一个图像分类模型并结合大模型、语音合成模型播报结果； 2. 将代码和模型部署到行空板； |
| 4-4 | AI创意案例入门：人机互动装置 | 1. 用ONNX模型识别手势并控制舵机； 2. 将代码和模型部署到行空板； |
| 4-5 | 深度学习的模型部署和交互设计 | 1. 将模型转换为ONNX，结合摄像头实现实时推理； 2. 将代码部署到行空板，并驱动小音箱； |
单元5：AI4S入门（5课时）
- 核心内容：AI4S相关课程
| 节次 | 名称 | 内容 |
|---|---|---|
| 4-1 | SINDy和实验数据分析 | 1. 初步了解SINDy和符号回归算法； |
| 4-2 | PhySO和实验数据分析 | 1. 初步了解PhySO和符号回归算法； |
| 4-3 | 嵌入技术和向量比较实验 | 1. 了解嵌入技术； 2. 设计并验证向量的加减实验； |
| 4-4 | 生成式人工智能和扩散模型 | 1. 了解生成式人工智能和扩散模型； |
| 4-5 | 图和图神经网络 | 1. 了解图和图神经网络的基本原理。 |
2. 初中课程
- 长度：24次课
- 基本内容和小学类似，但难度加大。
3. 高中课程（AI基础）
- 长度：8节课
| 编号 | 主题 | 内容 | 备注 |
|---|---|---|---|
| 实验1 | 大模型辅助编程 | 了解数据结构，并借助大模型实现数据处理和可视化案例。 | |
| 实验2 | 机器学习和回归 | 理解机器学习的基本流程，能使用线性和非线性数据（科学实验数据），训练线性回归和多项式回归模型。 | |
| 实验3 | 向量和支持向量机 | 理解向量的概念，理解支持向量机（SVM）算法的功能和参数设置，能训练手势分类模型。 | |
| 实验4 | 神经网络和多层感知机 | 理解神经元的工作原理，感知机的搭建，能训练多层感知机模型。 | |
| 实验5 | 计算机视觉和卷积神经网络 | 理解卷积神经网络的基本原理和作用，能训练简单的计算机视觉模型（图像分类）。 | |
| 实验6 | 自然语言处理和循环神经网络 | 理解循环神经网络的基本原理和作用，能训练简单的作诗模型（自然语言处理）。 | |
| 实验7 | 嵌入技术及其应用 | 分词 | |
| 实验8 | SINDy和实验数据分析（选学） | 选学 | |
| 实验9 | 图和图神经网络（选学） | 选学 | |
| 实验10 | 生成式人工智能和扩散模型（选学） | 选学 |