人工智能課程、人工智能教學平臺、師資培訓
1.1 政策背景
3月13日，《中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要》正式發布。綱要全文共十九篇六十五章，其中含有“智能”、“智慧”的相關表述高達58處。圍繞國家核心技術突破、社會經濟發展、素質教育人才培養三個方面，人工智能均是重點領域。
對于高職教育而言，“雙高計劃”、“十四五”和綜合改革這三大核心命題也必然呈現歷史性交匯，主題話語的內涵指向也有所不同，但無疑專業學科建設依然是重要內容，這是由其作為資源配置的基本單元的地位所決定的。可以想象，在整個高職教育運行范式中，包括資源配置方式、績效評價體系及深層次的院校地位形成機制等尚未得到根本扭轉的前提之下，以學科建設為核心的發展規劃仍然是教育建設的根本所在。所以，面對新的形勢和要求，高職院校“十四五”規劃的學科規劃將如何“螺螄殼里做道場”，盡力做出新意、創意并有指導意義，迫切需要提前思考和謀劃的事情。展望未來，為深入學習貫徹落實黨的十九大精神及提前為高職院校的“十四五”規劃建設儲力，緊密圍繞建設“五位一體”總布局，按照"四個全面"戰略部署，以農業中心工作和區域經濟社會發展的需求為導向，以"立德樹人"為根本，以建設一流高職院校為目標，加強加快加大我學院的專業建設力度，建設人工智能等相關專業，已是學院尋求教育突破的建設所需。
1.2 建設目標
項目遵循高職教育規律和應用型人才培養規律，將人工智能應用技術融入到專業的教學當中，培養出專業特色鮮明、專業技術突出的AIoT高級應用型人才，響應中共中央、國務院《新一代人工智能發展規劃》、《粵港澳大灣區發展規劃綱要》等規劃內容，為廣東全面創新改革試驗與自主創新示范區的建設提供助力。
建設市級的AIoT科技創新實訓基地
培養專職的AIoT師資隊伍
建立校企聯動的創業就業指導機制
建立創新型的人才培養體系
建立校企協同的專業教學體系和創新實訓體系
建立創新型、綜合型的課程資源案例庫
建立相應的專業人才實踐實習基地
校企聯合開展科研和申報重點工程項目
建立完整的賽事資源庫，全方位進行賽事指導
2.1 AIoTLab人工智能教學平臺
AIoTLab結構部分由鋼架結構設計而成，由人工智能計算單元主板、工業級數字舵機云臺、工業級免驅USB攝像頭、物聯網WiFi通信節點、物聯網Zigbee通信節點、傳感器、工業級可調速傳送系統、工業級電源供電系統、分揀系統、仿真汽車、仿真動物等單元組成，整體造型美觀，適合直接放在實驗臺上進行操作學習，可同時滿足2至5人進行相關實驗。配套完善的實驗資源，方便完成人工智能、物聯網相關課程實驗。
AIoTLab需用戶自行配套電腦，用戶在電腦上使用Python語言或者C語言進行程序開發，實現人工智能基礎學習、人工智能算法學習、人工智能案例學習、物聯網通信學習、物聯網嵌入式學習、傳感器課程學習。
圖：AIoTLab開發平臺
人工智能場景化學習
分揀系統與實際應用相結合
工業級數字舵機云臺
磁吸式
設備控制安全可靠
人工智能計算單元主板
工業級數字舵機云臺
工業級可調速傳送系統
物聯網嵌入式節點
傳感器及控制模塊
本產品使用到的軟件有Tensorflow、Pytorch、OpenCV、Jupyter lab、Keil、IAR等軟件。
案例一：人臉識別
案例二：模型檢測
案例三：顏色積木追蹤
案例四：云臺追蹤ArUco標記
案例五：手寫數字識別
2.2 AI智能家居開發系統
2.2.1 系統介紹
AI智能家居開發系統的設計主要面向物聯網及人工智能教育，滿足新課程標準和創新素質培養需求，融合算法編程、物聯網、智能識別和大數據應用技術，構建AI+STEAM、AI+創客教育、AI+科學素養、AI+實踐能力等創新教育模式。
圖：AI智能家居開發系統
作為物聯網與人工智能技術在智能家居領域中應用的集中體現，系統支持廣泛的應用開發語言進行程序設計，支持包括Python、APP Inventor等多種語言，并提供配套教材、教具學具、互動資源等理論及實訓課件供師生教學及實驗實訓。
圖：AI智能家居開發系統
如圖所示，AI智能家居開發系統由情景應用系統及4個實驗區組成。
情景應用系統配備了智能燈光控制系統、智能窗簾控制系統、智能家電控制系統、環境監測系統、智能安防系統、智能門禁系統等功能系統。
實驗區則內嵌一臺工作站，并配有多個傳感器、控制器節點，各節點通磁吸方式與核心板連接，可通過Python等開發語言實現對AI智能家居開發系的控制或設計。每個實驗區可容納3～4名學生，整套AI智能家居開發系統可同時支持12～16名學生進行課程實驗。
云計算管理系統是人工智能實訓室的底層資源管理系統；采用Docker和kubernetes技術，實現了硬件資源集中調度和管理，為整個人工智能實訓室提供虛擬資源支撐。
1. 教學應用商店：容器云教學應用商店、服務一鍵升級/回滾、教學應用灰度發布、教學應用版本管理、教學應用快速上架、應用架構視圖直觀展示；
2. 容器服務管理：多種容器調度策略、多主機容器網絡、容器自動擴展、健康檢查和負載均衡、Ceph/NFS/GlusterFS容器存儲；
3. 快速部署配置：離線包安裝、鏡像安裝多種選擇、私有教學鏡像庫管理、容器云教學應用商店管理、豐富的compose文件格式、RESTful API接口支持；
4. 高效系統運維：系統高可用、容器生命周期管理、日志審計和系統監控、容器控制臺訪問。
2.3.2.1 容器云管理系統技術框架
容器云管理系統，由底層Docker引擎和kubernetes編排工具共同組成，主要實現應用部署、維護、擴展機制等功能，能方便地管理跨機器運行容器化的應用。
2.3.2.2 容器云管理系統功能介紹
1. 教學應用商店
2. 友好圖形化界面管理
3. 多環境管理
4. 容器持久存儲
5. 容器網絡模式
6. 容器可擴展性
7. 容器負載均衡與調度
8. API接口支持
9. 系統高可用
人工智能實訓室共包含3個角色，分別是教師、學生和管理員。
2.4.1.1 教師端功能介紹
1. 登錄：在瀏覽器打開登錄界面，輸入用戶名和密碼進行登錄。
2. 個人中心：包含最近更新的課程、算法庫、案例庫、數據庫、幫助中心。
3. 實驗室：包含實驗列表、新建實驗、實驗畫布、切換實驗、查看實驗手冊、選擇數據源、選擇算法、算法說明、算法配置、運行并調試算法、結果展示、查看運行歷史。
4. 算法庫：包含算法總覽、算法列表、算法詳細說明、新算法上傳。
5. 案例庫：包含案例庫列表、案例庫詳細介紹、引入案例算法、算法轉化案例。
6. 數據庫：包含默認數據、我的數據。
7. 實驗文檔：包含創建實驗文檔、預覽文檔。
8. 創建課程與管理課程：包含導入共享課程、自主創建課程
9. 班級管理：包含管理班級人員、查看實驗結果。
2.4.1.2 學生端功能介紹
1. 個人中心：包含我的課程、算法庫、案例庫、數據庫、幫助中心。
2. 我的課程：包含課程列表、課程詳情（課程圖片、課程名稱、授課教師姓名、班級人數、上課時間段、課時列表、課程簡介、課程大綱、同班同學、課程完成度、課程章節數量和課程實驗數據）等。
3. 實驗成績：包含課程名稱、實驗名稱、提交時間、成績、查看成績等。
4. 實驗室：包含實驗列表、創建實驗、實驗畫布介紹、切換實驗、查看實驗手冊、選擇數據源、選擇算法、算法說明、算法配置、運行并調試算法、實驗結果展示、查看運行歷史。
5. 算法庫：包含算法總覽、算法列表、算法詳細說明.
6. 案例庫：包含項目背景、數據集介紹、算法界面操作介紹、數據加載及預處理、統計分析、案例核心思路、結果分析和評估。
7. 數據庫：數據分為2類3級，2類包含默認數據和我的數據。
2.4.1.3 管理員端功能介紹
1. 個人中心：包括各個模塊的快速入口、算法庫和數據庫。
2. AI工程平臺/容器云管理：可對監控的大數據資源進行數據信息展示。
3. 組織架構管理：包含新增院系、新增專業、編輯院系、編輯專業、刪除院系、刪除專業等。
4. 班級管理：包含院系名稱、專業名稱、班級名稱、人數等。圖形界面如下：
5. 用戶管理：包含成員列表和新增用戶：包含角色名稱、角色功能描述和人數。
6. 課程設置：包含新增分類、編輯分類、刪除分類、新增學科、編輯學科和刪除學科等。
7. 算法管理：顯示算法分類、算法名稱、上傳時間等信息。包含數據預處理、特征工程、統計分析、機器學習、自然語言處理、腳本工具、深度學習和垂直應用領域。
8. 數據管理：提供6項信息，包含分類名稱、分組名稱、數據名稱、數據大小、數據字段和數據條數，默認預覽前100條；提供5項操作，包含增加分組、編輯分組名稱、編輯數據名稱、刪除數據和上傳數據。
AI機器學習訓練系統又稱“人工智能BDAP分析平臺”，它基于Hadoop、Spark并行框架，使用了批處理、工作流引擎、MongoDB數據庫存儲等多項相關技術。多種算法經過功能測試性能對比證明，平臺具有較高的處理性能和一定的可靠性，并且通過調度流引擎可以連續按設定條件完成多個任務。
平臺開發框架主要分為3層：UI層、基礎平臺層、應用存儲層。平臺實現了前后端代碼分離開發，減小了前后端之間的依賴程度，使開發變的獨立。
平臺功能全面，涵蓋了多種數據預處理、數據挖掘、社會網絡、文本處理等算法模塊，并且利用工作流機制，可以將每一步數據處理操作連接成為一條工作流，保存后，可以定時或隨時調度。平臺的數據交換功能實現了HDFS和多種數據存儲工具之間的數據導入和導出功能。數據挖掘功能涵蓋了多種ETL數據預處理、分類、聚類關聯規則算法，適用于多種行業領域中數據的處理和分析，并為數據處理的結果提供了多種展示方式。
2.4.2.3 系統主要功能介紹
1、數據和元數據說明
以ETL中的生成元數據和數據類型檢查兩個組件為例，對數據和元數據進行說明。
2、數據交換系統模塊
數據交換是指將傳統的數據倉庫中的數據直接導入分布式文件系統（HDFS）以及將處理結果從HDFS導出到數據倉庫的過程。其主要目的是方便用戶在數據倉庫與分布式文件系統之間傳輸數據，使得數據倉庫中的數據可以被PDM中的算法所使用，并可以將處理結果導回數據倉庫中存儲。其處理的主要對象就是數據倉庫中各類業務數據。數據庫目前支持MySQL和Oracle兩種類型。
3、數據挖掘系統模塊
數據挖掘是本系統最大的功能模塊，它包括并行數據挖掘的核心操作。該模塊提供了多種ETL組件和數據建模組件，提供流程驅動的使用方式，提供按業務應用或自定義類別的流程管理方式，便于用戶進行完整業務的合理切分。
AI深度學習訓練系統是一款深度學習計算服務平臺。通過整合高性能計算、云計算、大數據、人工智能等多學科的關鍵技術，提供從訓練到推理的一站式人工智能云計算應用服務解決方案，能夠幫助用戶快速構建人工智能研發服務環境，大幅降低人工智能準入門檻，提升人工智能研發效率。
2.4.3.1 系統架構
AI深度學習平臺是由服務器、網絡與數據庫為基礎，使用Docker為容器構建起底層結構，使用TensorFlow、Pytorch等主流框架作為計算框架，并采用AlexFCN、AlexNet、FasterRCNN-VGG16、FasterRCNN-ZF、Inception-V1等共計15種神經網絡算法，為用戶提供高效、低錯誤率的實驗環境。
AI深度學習計算服務平臺集成圖像分類、目標檢測等多個基礎應用場景，提供從數據集管理、模型管理、模型訓練到模型輸出的全流程AI計算服務，即使是初學用戶，無需編程也可獲得強大的人工智能服務能力。
2.4.3.2 系統實訓功能
AI深度學習訓練系統具有可即用、更輕快、高精度三大特征。目前已經開放圖像分類、目標檢測定制訓練服務。
1）圖片分類
2）目標檢測
2.4.3.3 神經網絡應用
本平臺采用TensorFlow框架的各類神經網絡算法來參與到模型從創建到訓練的整個過程。
1）圖片識別
2）目標檢測
人工智能實驗管理課程包庫是提供的若干個典型的人工智能技術實驗資源，提供實驗指導手冊、實驗數據源、實驗過程中所需的大數據分析軟件、實驗參考示例代碼和運行結果。學生可以在實驗資源包的基礎上完成仿真應用實驗，完成創新創業實驗和模擬大賽環境等相應的實驗實訓環節。
1. 人工智能實驗可以滿足教學的同時兼顧GPU深度學習的科研需求；
2. 實驗都是基于python語言實現；
3. 每個實驗都包含實驗手冊、實驗環境；
4. 每個實驗都提供實驗手冊，每個手冊呈現詳細的實驗流程指導，包括實驗描述、實驗環境、相關技能、相關知識點、實現效果、實驗步驟、參考答案和總結，參照手冊即可輕松完成每個實驗；
5. 提供教學配套題庫資源，題庫內包括作業題、考試題等。
實驗課程庫分為：數據分析與預處理模塊、機器學習模塊、深度學習模塊、行業應用案例模塊。
數據預處理（data preprocessing）是指在主要的處理以前對數據進行的一些處理。如對大部分地球物理面積性觀測數據在進行轉換或增強處理之前，首先將不規則分布的測網經過插值轉換為規則網的處理，以利于計算機的運算。另外，對于一些剖面測量數據，如地震資料預處理有垂直疊加、重排、加道頭、編輯、重新取樣、多路編輯等。
詳情聯系：020-22883217
