近年來，人工智慧學科迅猛發展、一日千裡。科學前沿發展的新形勢對高校信息類專業課程在教學內容設置、教學內容更新周期以及教師和學生專業視野等方面提出了更新和更高的要求。尤其在人工智慧學科方面，隨著深度學習理論的提出，在國際科學界產生了深遠的影響[1]。國內外一些知名企業如Google、Microsoft、Facebook、百度、騰訊等，紛紛研發並推出了自己的開源人工智慧深度學習實驗框架，這些平臺資源不僅是國際一流或領先的，而且一般都是免費開源的。這對於高校學生而言，無疑是寶貴的學習資源，可以說學習和利用這些平臺框架開展科研工作，是站在巨人的肩膀上。讓本科生在本科學習階段儘早接觸國際先進的人工智慧等方向的科研平臺，對學生發展將非常有益。另一方面，人工智慧時代出現的新特徵為信息類專業本科教學賦予了新的要求。對於算法類課程，在原有大量常規經典算法基礎上，出現了眾多新穎的前沿算法。對於教學內容也需要進行與時俱進的調整，即需要兼顧算法內容的廣度和深度、經典性和前沿性。目前，大多數信息類課程的專業課軟體實驗平臺，往往只有單一的平臺，在一般情況也能夠完成實驗任務，達到教學要求，然而不同的實驗平臺環境，其特點不同，側重點不同，往往提供的學習資源也有差異，對學生的要求也不同，實驗難度層次也不同。因此，在實驗課中，如果能根據時間安排，選擇不同的實驗平臺進行合理結合、互補，設計合理的實驗內容，兼顧算法內容的廣度和深度，將可能產生更好的教學效果，對學生是更有益的。當然，由於教學時間限制，實驗平臺也不能太多，否則時間不夠，同時學生也不易掌握。
基於雙平臺融合的「樹形學習」實驗教學，是指在專業課程實驗安排中，同時採用2門不同的軟體實驗平臺框架，根據不同平臺的特點和優勢，對實驗內容及難度層次進行合理安排，以達到優勢互補，既注重「樹形」的實驗教學深度，也考慮「樹形」的實驗教學廣度的教學方法。國內有研究人員曾提出過雙硬體平臺[2-3]、軟硬體平臺結合[4]、虛擬與現實雙平臺[5]等「雙平臺」概念，本文「雙平臺」是指兩種不同軟體平臺的融合。文獻[6]中的「樹形」是借用樹的分枝概念，本文「樹形」重點指樹的廣度和深度特徵。
信息類專業課軟體實驗平臺一般可以分為操作應用級和設計開發級2個層次（如圖1所示）：①操作應用級，立足於對該平臺軟體的操作使用，能夠基於數據，選擇合適算法，設置相應參數，達到預定的分析目標；第1級為基本入門級，學生可以在相關平臺上進行相關操作；②設計開發級，基於一定的算法思想，針對預定的分析目標，編程實現相應算法，也可以對現有經典算法作改進；第2級為提高級，學生可以通過程式語言，針對課程的一個具體任務進行編程實現。
對於高校人工智慧相關的算法類課程，一般在教學內容中需要講解和涵蓋較多種類的算法（如數據挖掘涉及大量的機器學習算法），大多為成熟的經典算法，也可能涉及少量目前主流的前沿算法。這些算法有的思想較為簡單，實現也較為容易；有的算法思想較為複雜，學生理解較為困難，而編程實現更是要耗費較多時間。在人工智慧等信息學科迅猛發展的今天，對學生的專業素質提出了更新更高的要求，要求學生既具備一定的知識廣度，還要具備一定的知識深度。正如一棵參天大樹，它的枝葉和根部同時具有一定的寬度和深度。為此，提出「樹形學習」實驗教學思路，將2種實驗平臺有機結合起來：①在操作應用級平臺中，由於經典算法已經在平臺具體實現，因此可以直接輸入數據，進行參數的設置，運行算法，充分利用平臺的快捷性，儘可能地對更多算法進行快速仿真，理解算法的基本原理，強調的是「樹形學習」的廣度；②在設計開發級實驗平臺中，利用平臺支持的開發語言和資源，對一些重點算法內容進行深入編程實現或有針對性的改進，深入理解算法的細節問題，強調的是「樹形學習」的深度。
3.1 數據挖掘操作應用級實驗教學
數據挖掘是高校信息類本科專業中一門重要的人工智慧方向專業課程，教學目標包括讓學生理解數據挖掘的基本概念，掌握一些經典的數據挖掘和機器學習算法，能夠熟練應用數據挖掘的常見實驗平臺進行數據處理，並對實驗結果進行分析。
數據挖掘課程的理論性和實踐性都很強，也是一門交叉學科，涉及機器學習、資料庫、概率與統計學等多門學科。此外，學生在學習這門課之前，一般都沒有接觸人工智慧、機器學習的相關概念，因而這門課對於很多學生而言，需要建立新的思維方式。不少研究者已經提出了很好的關於數據挖掘的教學方法[7]，但更多的是應用數據挖掘方法來研究教學[8]。本科生作為初學者，需要進行課程學習主要概念和思想的轉化。在教學過程中需要合理選擇實驗平臺、設計合適的實驗內容，通過實驗操作來加強概念和算法理論的理解。首先選擇一個合適的實驗平臺非常重要。對於課程的初學者，選擇一些優秀的免費開源數據挖掘平臺更適合。本課程實驗教學最初採用的是Weka實驗平臺，Weka是紐西蘭懷卡託大學基於Java開發的數據挖掘領域的著名開源軟體[9]，至今已有20多年的發展，界面友好、功能強大和成熟，集成大量的機器學習算法，因此選擇Weka平臺。同時，選擇由戴紅老師主編、清華大學出版社出版的《數據挖掘導論》作為理論課教材，該教材比較適合初學者[10]。
本課程教學內容比較側重於機器學習算法。Weka平臺主要屬於操作應用級平臺，能夠基於數據源選擇合適算法及相應參數，很快達到預定的實驗目標。學生可以在Weka平臺上基於Explorer界面來方便地完成相關操作。
在本課實驗開設的前3年，考慮到選修本課程的學生都是初學者，剛接觸數據挖掘算法，選擇了以第1層次為主的實驗級別要求。基於人工智慧等方向迅猛發展的新形勢以及深度學習理論及應用的前景和影響力，根據教育部對高校人工智慧相關課程的要求，將深度學習平臺TensorFlow引入數據挖掘本科實驗課堂中，開闊學生視野，讓學生能夠接觸最新的深度學習國際主流實驗平臺。基於教育部-Google產學合作協同育人項目課程改革課題開展的機會，我們引入了TensorFlow平臺，基於雙實驗平臺採用Python語言對部分數據挖掘算法進行編程實驗，對經典算法的源碼進行分析。這樣實驗層次也逐步升級到設計開發層次。
3.2 深度學習平臺TensorFlow引入
TensorFlow是國際人工智慧領域巨頭Google基於DistBelief進行研發的第二代人工智慧學習系統，也是Google開源深度學習系統，TensorFlow在計算機視覺很多地方可以應用。
TensorFlow是一個採用數據流圖用於數值計算的開源軟體庫。節點（Nodes）在圖中表示數學操作，圖中的線（Edges）則表示在節點間相互聯繫的多維數據數組，即張量（Tensor）[11]。TensorFlow架構靈活，可在多種平臺上展開計算，如臺式計算機中的一個或多個CPU（或GPU），等等。TensorFlow的實驗環境安裝一般基於Anaconda，它是一個開源的Python發行版本。在實驗中可以基於Anaconda prompt來安裝CPU版的TensorFlow，基於CPU版足夠滿足學生的基本實驗需求。TensorFlow平臺也是很好的人工智慧方向的研究平臺，對於開展研究型教學具有一定的優勢[12]。
3.3 雙平臺融合實驗設計
在實驗課程改革後，把2個平臺結合起來，發揮各自的優勢。根據教學大綱安排，理論學時為32，實驗學時為12，因此實驗課安排共6次。經過精心考慮，對實驗內容選擇和設計見表1（部分實驗資料來源於網際網路，教學實驗設計中對相關資料做了適當修改、整理）。實驗前需要學生有一定預備知識，熟悉Python和TensorFlow。實驗環境選擇64位的Windows下安裝TensorFlow框架。
在實驗教學過程中，實現雙平臺融合的「樹形」實驗教學設計思想：①採用TensorFlow和Weka雙平臺，充分利用平臺互補的優勢，兼顧算法學習的廣度與深度，兼顧算法的經典性與前沿性；②讓學生在TensorFlow框架下，接觸和逐步加深對人工智慧領域主流的神經網絡及深度學習算法基本思想的理解。
表1中6個實驗分別涉及數據挖掘與機器學習領域的若干不同的重要算法。教師可以選擇TensorFlow來實驗BP人工神經網絡、卷積神經網絡、聚類算法，因為TensorFlow框架更適合這些算法的實現。程序中需要通過Import tensorflow as tf語句來調入TensorFlow庫。
Weka平臺下實驗，主要優點是算法得到了實現和封裝，學生只需要調入數據集，在界面選擇和設置合適的參數，作為初學者容易上手，實驗效率高，實驗結果能夠快速得到，難度係數較低。因此，我們要求決策樹、關聯規則、聚類算法、BP人工神經網絡、貝葉斯定理等經典算法在Weka實驗，在2~3個實驗課時間內（其他經典算法在實驗5及課外時間完成）可以較輕鬆完成，學生能夠對算法的原理、思想有一個初步的認識。這裡我們注重的是「樹形學習」的學習廣度。
在TensorFlow平臺實驗，學生需要對Python語言有一定基礎，需要對算法理解較深入，需要編程和調試程序，花費時間較多，難度係數增大。我們要求學生重點對K-means聚類算法、BP人工神經網絡、深度學習卷積神經網絡進行實驗，並根據實際情況給出了一定代碼提示。
在具體實驗實施中，可以採取了如下策略：①加強2種實驗平臺的融合互補：如決策樹、關聯規則、貝葉斯分類器實驗，學生在完成Weka下的實驗後，我們提供基於Python的算法程序，讓學生在課下學習；BP神經網絡、聚類算法學生在TensorFlow完成後，我們再讓學生在Weka上進行操作；TensorFlow的功能需要編程實現，Weka提供的功能可以直接簡單操作得到；②加強兩種平臺實驗的比較分析，在2個平臺設計了同一算法主題的2個實驗內容，即K-means聚類算法、神經網絡，目的是讓學生可以對不同平臺進行比較。對實驗結果進行比較，學生可以起到加深理解、觸類旁通的效果。
在教學實踐中，應著重完善以下環節。
（1）按照表1內容改進實驗內容安排和設計。採用了3個基於TensorFlow平臺的實驗，包括聚類分析、BP神經網絡、卷積神經網絡。每次實驗，我們均以實驗任務書的形式給學生布置實驗任務。在聚類分析、神經網絡這2個實驗的任務書中，要求學生完成TensorFlow的實驗任務，然後在Weka實驗，引導學生加強實驗比較。
（2）採用措施增大對學生實驗的輔導強度。如邀請幾個有TensorFlow開發經驗的研究生擔任助教，來參加實驗輔導。很多學生由於以前沒有接觸過TensorFlow平臺，對Python語言也不熟悉，因此感到有一定難度。通過增加研究生助教來對學生進行輔導，可以增強學生信心，保證實驗效果。同時，在實驗中，可以先給學生一定的時間對實驗程序框架進行了解，然後針對TensorFlow下的算法流程及Python程序的部分難點進行分析、講解。
（3）提前讓學生學習TensorFlow和Python的基本知識。我們在理論課堂專門抽出了一節課來介紹TensorFlow平臺，在理論課的「神經網絡」一章，對深度學習的基本概念進行適當補充。由於沒有太多時間在課堂上讓學生學習Python語言，因此將Python語言學習布置給學生在課下自學，這也可以在一定程度上鍛鍊學生的自學能力。
（4）對於難度較大的實驗編程，提供部分源碼和程序的基本框架，難點處採用程序語句填空方式。如BP神經網絡和卷積神經網絡，提供基本的程序框架；對於聚類算法，提供部分程序。讓學生重點理解程序邏輯、把握算法核心思想，而不把主要時間花在語法調試上。
（5）在期末理論考試中，嘗試將實驗內容及實驗結果分析列入考試內容，注重對概念理解和動手能力的考查。
引入TensorFlow框架到本科數據挖掘課堂實驗，存在一個過渡過程。筆者從2015年在學院開設數據挖掘課程，經過單平臺下教學實踐後，逐步引入人工智慧深度學習內容，並在實驗課中引入TensorFlow平臺。每學年有軟體工程、智能科學、網絡工程3個不同專業的教學任務。
通過對學生實驗的5個學期的教學實踐過程分析及學生教學反饋，絕大多數學生能夠在規定時間內完成既定實驗和學習任務，經過實驗學習後，確實學有所獲。通過雙平臺融合的「樹形學習」實驗教學策略，可以有效增加學生的融會貫通能力，開闊學生的學習視野，較好激發學生的實驗興趣，增強學生的實驗探索能力。同時，學生也能初步接觸國際先進的TensorFlow深度學習主流平臺，為以後參加畢業設計、就業、深造，打下一個良好的學習基礎。
在本科實驗課程中引入人工智慧TensorFlow深度學習框架，採取基於雙平臺融合的「樹形學習」實驗教學策略，取得了良好成效。以後還需要進一步加強2種軟體實驗平臺的融合度，探索如何在TensorFlow框架下開展更多有效的數據挖掘實驗，進一步改進和完善「樹形學習」教學策略，進一步提升學生的滿意度。
參考文獻:
[1] Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553): 436.
[2] 熊正鵬, 湯漾平, 馮清秀. 基於PLC與單片機雙平臺控制的開放式機電教學實驗設備的研製[J]. 實驗室研究與探索, 2004(12): 40-41.
[3] 洪波, 王秀敏, 單良, 等. 基於雙平臺的「系統設計與仿真課程設計」教學改革[J]. 高教學刊, 2017(12): 106-107.
[4] 陳英, 王路露, 劉光燦, 等. 基於軟硬體結合的「雙平臺教學」在「信號與系統」課程實驗教學中的應用[J]. 長沙大學學報, 2012, 26(2): 128-130.
[5] 王旭東, 祝世興, 田靜, 等. 雙平臺實驗教學模式的研究與實踐[J]. 實驗室科學, 2011, 14(4): 56-59.
[6] 齊穎. 樹形項目式教學模式在高校計算機專業平面設計課程中的實踐與研究[J]. 通化師範學院學報, 2013, 34(6): 61-62.
[7] 張雲春, 薛崗, 何婧, 等. 基於MOOC嵌入式教學的數據挖掘教學改革初探[J].計算機教育, 2015(13): 39-42.
[8] 魏順平, 韓豔輝, 王麗娜. 基於學習過程數據挖掘與分析的在線教學反思研究[J]. 現代教育技術, 2015, 25(6): 89-95.
[9] 袁梅宇. 數據挖掘與機器學習: Weka應用技術與實踐[M]. 北京: 清華大學出版社, 2014.
[10] 戴紅, 常子冠, 於寧. 數據挖掘導論[M]. 北京: 清華大學出版社, 2015.
[11] 李嘉璇. TensorFlow技術解析與實戰[M]. 北京: 人民郵電出版社, 2017.
[12] 林亦平. 對研究型教學模式在工科院校創新意識培養中的理論與實驗的認識[J]. 當代教育論壇, 2007(1): 109-110.
基金項目：教育部-Google產學合作協同育人項目教學內容和課程體系改革項目「基於TensorFlow平臺的數據挖掘與知識發現課程教學改革研究」（201701003015）；湖北高校省級教學研究項目「『人工智慧+新工科』背景下民族院校軟體工程專業人才培養新模式研究」（2018206）。
作者簡介：李波，男，副教授，研究方向為機器學習、數據挖掘、軟體工程教學，libo_hust@126.com。