全国首个人工智能课程走进中小学课堂

640?wx_fmt=gif&wxfrom=5&wx_lazy=1


5月5日,在教育部举办的第三届全国基础教育信息化应用展示交流活动中,北京市朝阳区进行了一堂人工智能科普教育的示范课,引起了现场领导和老师们的高度关注。据悉,这是国内首个走入中小学课堂的人工智能科普教育课程。


640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1


示范课上,来自北京市朝阳区陈经纶中学的范晶老师演示了一堂以声纹识别的概念与应用为主题的人工智能基础课程。课上,范晶老师不仅以孩子们易懂的语言解释了声纹识别技术的基本原理和应用 ,还通过新颖的形式展示了如何利用声纹识别技术,完成“锁定目标人”的作品任务。浅显的语言、生动的内容、边讲边实操的模式,引起学生对人工智能的充分兴趣。本次示范课得到了众多领导、专家的肯定和赞许。中国工程院院士倪光南评价道:“我阅读了《人工智能实践教程》,感到很高兴,认为这是精心策划、组织和编写的一本好的人工智能科普教材。从普及人工智能知识的角度看,让青少年从动手开始学,我举双手赞同。就像学习计算机编程解题一样,光看书不动手实践是学不会的。有关人工智能的知识,光看书听讲而不动手做,你很难入门,很快就会兴趣索然,知难而退。”


640?wx_fmt=jpeg


北京市朝阳区将人工智能科普教育课程纳入常规教学。首批进入校园的是以语音识别为基础的人工智能科普教育课程,后续将陆续推出图像识别课程、Python编程等内容。据朝阳区信息技术负责人介绍,这些课程的顺利开展,归功于“创造栗”于2017年12月底推出的人工智能科普教育课程解决方案。方案包括全面的人工智能课程服务体系、完善的教学用具(人工智能硬件、人工智能编程软件)、人工智能实验室计划等,可以帮助学校快速开展人工智能课程,帮助学生掌握人工智能应用和技术基础知识。


640?wx_fmt=jpeg


“创造栗”推出的人工智能科普教育课程解决方案涵盖完整的人工智能应用和技术知识体系,搭配全面的人工智能课程、人工智能硬件、人工智能编程软件等,根据学龄学情的不同,提供精准的人工智能课程方案,其中的案例从简单到复杂,适用于各个不同的年龄阶段,让学生在动手实践的学习过程中,不仅掌握人工智能知识,还培养了学生的计算思维、数字化学习与创新思维、动手实践能力和正确的信息时代社会责任感。


640?wx_fmt=jpeg


现今,人工智能成为全球关注的焦点,同时它也成为改变人类未来生活的重要方式,人工智能在未来的竞争将集中体现在人才竞争上。要在人工智能大时代中占有一席之地,势必需要培养人工智能高新人才。学在少年,赢在未来,人工智能科普教育工作任重而道远。



END


640?wx_fmt=jpeg

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
浙江大学人工智能课程课件,内容有: Introduction Problem-solving by search( 4 weeks) Uninformed Search and Informed (Heuristic) Search (1 week) Adversarial Search: Minimax Search, Evaluation Functions, Alpha-Beta Search, Stochastic Search Adversarial Search: Multi-armed bandits, Upper Confidence Bound (UCB),Upper Confidence Bounds on Trees, Monte-Carlo Tree Search(MCTS) Statistical learning and modeling (5 weeks) Probability Theory, Model selection, The curse of Dimensionality, Decision Theory, Information Theory Probability distribution: The Gaussian Distribution, Conditional Gaussian distributions, Marginal Gaussian distributions, Bayes’ theorem for Gaussian variables, Maximum likelihood for the Gaussian, Mixtures of Gaussians, Nonparametric Methods Linear model for regression: Linear basis function models; The Bias-Variance Decomposition Linear model for classification : Basic Concepts; Discriminant Functions (nonprobabilistic methods); Probabilistic Generative Models; Probabilistic Discriminative Models K-means Clustering and GMM & Expectation–Maximization (EM) algorithm, BoostingThe Course Syllabus Deep Learning (4 weeks) Stochastic Gradient Descent, Backpropagation Feedforward Neural Network Convolutional Neural Networks Recurrent Neural Network (LSTM, GRU) Generative adversarial network (GAN) Deep learning in NLP (word2vec), CV (localization) and VQA(cross-media) Reinforcement learning (1 weeks) Reinforcement learning: introduction
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值