人工智能课程、人工智能教学平台、师资培训
发布时间 ：2021-05-11
1.1 政策背景
3月13日，《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》正式发布。纲要全文共十九篇六十五章，其中含有“智能”、“智慧”的相关表述高达58处。围绕国家核心技术突破、社会经济发展、素质教育人才培养三个方面，人工智能均是重点领域。
对于高职教育而言，“双高计划”、“十四五”和综合改革这三大核心命题也必然呈现历史性交汇，主题话语的内涵指向也有所不同，但无疑专业学科建设依然是重要内容，这是由其作为资源配置的基本单元的地位所决定的。可以想象，在整个高职教育运行范式中，包括资源配置方式、绩效评价体系及深层次的院校地位形成机制等尚未得到根本扭转的前提之下，以学科建设为核心的发展规划仍然是教育建设的根本所在。所以，面对新的形势和要求，高职院校“十四五”规划的学科规划将如何“螺蛳壳里做道场”，尽力做出新意、创意并有指导意义，迫切需要提前思考和谋划的事情。展望未来，为深入学习贯彻落实党的十九大精神及提前为高职院校的“十四五”规划建设储力，紧密围绕建设“五位一体”总布局，按照"四个全面"战略部署，以农业中心工作和区域经济社会发展的需求为导向，以"立德树人"为根本，以建设一流高职院校为目标，加强加快加大我学院的专业建设力度，建设人工智能等相关专业，已是学院寻求教育突破的建设所需。
1.2 建设目标
项目遵循高职教育规律和应用型人才培养规律，将人工智能应用技术融入到专业的教学当中，培养出专业特色鲜明、专业技术突出的AIoT高级应用型人才，响应中共中央、国务院《新一代人工智能发展规划》、《粤港澳大湾区发展规划纲要》等规划内容，为广东全面创新改革试验与自主创新示范区的建设提供助力。
建设市级的AIoT科技创新实训基地
培养专职的AIoT师资队伍
建立校企联动的创业就业指导机制
建立创新型的人才培养体系
建立校企协同的专业教学体系和创新实训体系
建立创新型、综合型的课程资源案例库
建立相应的专业人才实践实习基地
校企联合开展科研和申报重点工程项目
建立完整的赛事资源库，全方位进行赛事指导
2.1 AIoTLab人工智能教学平台
AIoTLab结构部分由钢架结构设计而成，由人工智能计算单元主板、工业级数字舵机云台、工业级免驱USB摄像头、物联网WiFi通信节点、物联网Zigbee通信节点、传感器、工业级可调速传送系统、工业级电源供电系统、分拣系统、仿真汽车、仿真动物等单元组成，整体造型美观，适合直接放在实验台上进行操作学习，可同时满足2至5人进行相关实验。配套完善的实验资源，方便完成人工智能、物联网相关课程实验。
AIoTLab需用户自行配套电脑，用户在电脑上使用Python语言或者C语言进行程序开发，实现人工智能基础学习、人工智能算法学习、人工智能案例学习、物联网通信学习、物联网嵌入式学习、传感器课程学习。
图：AIoTLab开发平台
人工智能场景化学习
分拣系统与实际应用相结合
工业级数字舵机云台
磁吸式
设备控制安全可靠
人工智能计算单元主板
工业级数字舵机云台
工业级可调速传送系统
物联网嵌入式节点
传感器及控制模块
本产品使用到的软件有Tensorflow、Pytorch、OpenCV、Jupyter lab、Keil、IAR等软件。
案例一：人脸识别
案例二：模型检测
案例三：颜色积木追踪
案例四：云台追踪ArUco标记
案例五：手写数字识别
2.2 AI智能家居开发系统
2.2.1 系统介绍
AI智能家居开发系统的设计主要面向物联网及人工智能教育，满足新课程标准和创新素质培养需求，融合算法编程、物联网、智能识别和大数据应用技术，构建AI+STEAM、AI+创客教育、AI+科学素养、AI+实践能力等创新教育模式。
图：AI智能家居开发系统
作为物联网与人工智能技术在智能家居领域中应用的集中体现，系统支持广泛的应用开发语言进行程序设计，支持包括Python、APP Inventor等多种语言，并提供配套教材、教具学具、互动资源等理论及实训课件供师生教学及实验实训。
图：AI智能家居开发系统
如图所示，AI智能家居开发系统由情景应用系统及4个实验区组成。
情景应用系统配备了智能灯光控制系统、智能窗帘控制系统、智能家电控制系统、环境监测系统、智能安防系统、智能门禁系统等功能系统。
实验区则内嵌一台工作站，并配有多个传感器、控制器节点，各节点通磁吸方式与核心板连接，可通过Python等开发语言实现对AI智能家居开发系的控制或设计。每个实验区可容纳3～4名学生，整套AI智能家居开发系统可同时支持12～16名学生进行课程实验。
云计算管理系统是人工智能实训室的底层资源管理系统；采用Docker和kubernetes技术，实现了硬件资源集中调度和管理，为整个人工智能实训室提供虚拟资源支撑。
1. 教学应用商店：容器云教学应用商店、服务一键升级/回滚、教学应用灰度发布、教学应用版本管理、教学应用快速上架、应用架构视图直观展示；
2. 容器服务管理：多种容器调度策略、多主机容器网络、容器自动扩展、健康检查和负载均衡、Ceph/NFS/GlusterFS容器存储；
3. 快速部署配置：离线包安装、镜像安装多种选择、私有教学镜像库管理、容器云教学应用商店管理、丰富的compose文件格式、RESTful API接口支持；
4. 高效系统运维：系统高可用、容器生命周期管理、日志审计和系统监控、容器控制台访问。
2.3.2.1 容器云管理系统技术框架
容器云管理系统，由底层Docker引擎和kubernetes编排工具共同组成，主要实现应用部署、维护、扩展机制等功能，能方便地管理跨机器运行容器化的应用。
2.3.2.2 容器云管理系统功能介绍
1. 教学应用商店
2. 友好图形化界面管理
3. 多环境管理
4. 容器持久存储
5. 容器网络模式
6. 容器可扩展性
7. 容器负载均衡与调度
8. API接口支持
9. 系统高可用
人工智能实训室共包含3个角色，分别是教师、学生和管理员。
2.4.1.1 教师端功能介绍
1. 登录：在浏览器打开登录界面，输入用户名和密码进行登录。
2. 个人中心：包含最近更新的课程、算法库、案例库、数据库、帮助中心。
3. 实验室：包含实验列表、新建实验、实验画布、切换实验、查看实验手册、选择数据源、选择算法、算法说明、算法配置、运行并调试算法、结果展示、查看运行历史。
4. 算法库：包含算法总览、算法列表、算法详细说明、新算法上传。
5. 案例库：包含案例库列表、案例库详细介绍、引入案例算法、算法转化案例。
6. 数据库：包含默认数据、我的数据。
7. 实验文档：包含创建实验文档、预览文档。
8. 创建课程与管理课程：包含导入共享课程、自主创建课程
9. 班级管理：包含管理班级人员、查看实验结果。
2.4.1.2 学生端功能介绍
1. 个人中心：包含我的课程、算法库、案例库、数据库、帮助中心。
2. 我的课程：包含课程列表、课程详情（课程图片、课程名称、授课教师姓名、班级人数、上课时间段、课时列表、课程简介、课程大纲、同班同学、课程完成度、课程章节数量和课程实验数据）等。
3. 实验成绩：包含课程名称、实验名称、提交时间、成绩、查看成绩等。
4. 实验室：包含实验列表、创建实验、实验画布介绍、切换实验、查看实验手册、选择数据源、选择算法、算法说明、算法配置、运行并调试算法、实验结果展示、查看运行历史。
5. 算法库：包含算法总览、算法列表、算法详细说明.
6. 案例库：包含项目背景、数据集介绍、算法界面操作介绍、数据加载及预处理、统计分析、案例核心思路、结果分析和评估。
7. 数据库：数据分为2类3级，2类包含默认数据和我的数据。
2.4.1.3 管理员端功能介绍
1. 个人中心：包括各个模块的快速入口、算法库和数据库。
2. AI工程平台/容器云管理：可对监控的大数据资源进行数据信息展示。
3. 组织架构管理：包含新增院系、新增专业、编辑院系、编辑专业、删除院系、删除专业等。
4. 班级管理：包含院系名称、专业名称、班级名称、人数等。图形界面如下：
5. 用户管理：包含成员列表和新增用户：包含角色名称、角色功能描述和人数。
6. 课程设置：包含新增分类、编辑分类、删除分类、新增学科、编辑学科和删除学科等。
7. 算法管理：显示算法分类、算法名称、上传时间等信息。包含数据预处理、特征工程、统计分析、机器学习、自然语言处理、脚本工具、深度学习和垂直应用领域。
8. 数据管理：提供6项信息，包含分类名称、分组名称、数据名称、数据大小、数据字段和数据条数，默认预览前100条；提供5项操作，包含增加分组、编辑分组名称、编辑数据名称、删除数据和上传数据。
AI机器学习训练系统又称“人工智能BDAP分析平台”，它基于Hadoop、Spark并行框架，使用了批处理、工作流引擎、MongoDB数据库存储等多项相关技术。多种算法经过功能测试性能对比证明，平台具有较高的处理性能和一定的可靠性，并且通过调度流引擎可以连续按设定条件完成多个任务。
平台开发框架主要分为3层：UI层、基础平台层、应用存储层。平台实现了前后端代码分离开发，减小了前后端之间的依赖程度，使开发变的独立。
平台功能全面，涵盖了多种数据预处理、数据挖掘、社会网络、文本处理等算法模块，并且利用工作流机制，可以将每一步数据处理操作连接成为一条工作流，保存后，可以定时或随时调度。平台的数据交换功能实现了HDFS和多种数据存储工具之间的数据导入和导出功能。数据挖掘功能涵盖了多种ETL数据预处理、分类、聚类关联规则算法，适用于多种行业领域中数据的处理和分析，并为数据处理的结果提供了多种展示方式。
2.4.2.3 系统主要功能介绍
1、数据和元数据说明
以ETL中的生成元数据和数据类型检查两个组件为例，对数据和元数据进行说明。
2、数据交换系统模块
数据交换是指将传统的数据仓库中的数据直接导入分布式文件系统（HDFS）以及将处理结果从HDFS导出到数据仓库的过程。其主要目的是方便用户在数据仓库与分布式文件系统之间传输数据，使得数据仓库中的数据可以被PDM中的算法所使用，并可以将处理结果导回数据仓库中存储。其处理的主要对象就是数据仓库中各类业务数据。数据库目前支持MySQL和Oracle两种类型。
3、数据挖掘系统模块
数据挖掘是本系统最大的功能模块，它包括并行数据挖掘的核心操作。该模块提供了多种ETL组件和数据建模组件，提供流程驱动的使用方式，提供按业务应用或自定义类别的流程管理方式，便于用户进行完整业务的合理切分。
AI深度学习训练系统是一款深度学习计算服务平台。通过整合高性能计算、云计算、大数据、人工智能等多学科的关键技术，提供从训练到推理的一站式人工智能云计算应用服务解决方案，能够帮助用户快速构建人工智能研发服务环境，大幅降低人工智能准入门槛，提升人工智能研发效率。
2.4.3.1 系统架构
AI深度学习平台是由服务器、网络与数据库为基础，使用Docker为容器构建起底层结构，使用TensorFlow、Pytorch等主流框架作为计算框架，并采用AlexFCN、AlexNet、FasterRCNN-VGG16、FasterRCNN-ZF、Inception-V1等共计15种神经网络算法，为用户提供高效、低错误率的实验环境。
AI深度学习计算服务平台集成图像分类、目标检测等多个基础应用场景，提供从数据集管理、模型管理、模型训练到模型输出的全流程AI计算服务，即使是初学用户，无需编程也可获得强大的人工智能服务能力。
2.4.3.2 系统实训功能
AI深度学习训练系统具有可即用、更轻快、高精度三大特征。目前已经开放图像分类、目标检测定制训练服务。
1）图片分类
2）目标检测
2.4.3.3 神经网络应用
本平台采用TensorFlow框架的各类神经网络算法来参与到模型从创建到训练的整个过程。
1）图片识别
2）目标检测
人工智能实验管理课程包库是提供的若干个典型的人工智能技术实验资源，提供实验指导手册、实验数据源、实验过程中所需的大数据分析软件、实验参考示例代码和运行结果。学生可以在实验资源包的基础上完成仿真应用实验，完成创新创业实验和模拟大赛环境等相应的实验实训环节。
1. 人工智能实验可以满足教学的同时兼顾GPU深度学习的科研需求；
2. 实验都是基于python语言实现；
3. 每个实验都包含实验手册、实验环境；
4. 每个实验都提供实验手册，每个手册呈现详细的实验流程指导，包括实验描述、实验环境、相关技能、相关知识点、实现效果、实验步骤、参考答案和总结，参照手册即可轻松完成每个实验；
5. 提供教学配套题库资源，题库内包括作业题、考试题等。
实验课程库分为：数据分析与预处理模块、机器学习模块、深度学习模块、行业应用案例模块。
数据预处理（data preprocessing）是指在主要的处理以前对数据进行的一些处理。如对大部分地球物理面积性观测数据在进行转换或增强处理之前，首先将不规则分布的测网经过插值转换为规则网的处理，以利于计算机的运算。另外，对于一些剖面测量数据，如地震资料预处理有垂直叠加、重排、加道头、编辑、重新取样、多路编辑等。
详情联系：020-22883217
