一、培养目标

本专业培养具有良好的计算思维与人工智能思维思维能力，掌握生成式人工智能的基础理论和专业知识，具有较好的实践能力，掌握生成模型构建、训练优化、应用开发的基本方法，能够综合使用生成式人工智能开发工具解决社会发展和企业生产中有关智能内容创作、自动化系统构建的实际问题的高素质复合型人才。在社会与专业领域发展的预期培养目标为：

知识目标：掌握人工智能基础、机器学习、深度学习等基础知识，精通神经网络、生成对抗网络、扩散模型等核心知识，了解自然语言处理、计算机视觉、多模态生成等相关领域知识，构建全面的生成式人工智能技术知识体系。

能力目标：具备生成式 AI 模型开发与实践操作技术与实践操作能力，能独立完成项目，熟练运用Python、Pytorch、国产大模型等工具。拥有良好沟通协作和创新能力，可与团队协同创新，解决实际问题。

价值目标：塑造正确价值观，培养职业道德与人文素养，将个人发展与国家需求结合，以积极态度为社会贡献，注重技术应用的社会效益与人文价值。

思政目标：增强政治素养，坚定政治立场。强化思想道德教育，践行核心价值观。树立远大理想信念，为实现各行业智能化、信息化努力拼搏，担当社会责任。

二、结业要求

本微专业要求学生学习并掌握生成式人工智能技术的基本理论和方法,受到科学研究的初步训练,能够运用所学知识和生成式模型开发技能解决实际问题；具备包括算法设计与优化思维在内的科学思维能力，能解决复杂场景下智能生成问题的动手能力以及生成式 AI 系统研究与开发技能；具有良好的创新和创业意识、竞争意识和团队精神。

毕业生应获得以下几方面的知识、能力和素质：

1.掌握生成式人工智能专业基础知识，能运用深度学习模型设计与训练的方法解决智能内容创作、自动化决策系统中的实际问题；

2.了解多模态生成、跨领域迁移学习等领域理论、技术及应用的新发展，具有较强的创新意识；

3.具有个人工作和团队协作的能力，具有创新精神和自主学习与适应发展的能力。

三、招生对象与条件

本专业面向全校学生招生。

四、修读要求

（一）修业年限

基本修业年限为1-2年。

（二）结业要求

本专业要求学生学习完规定的8门课程，修习学分14分。

（三）结业方式

经微专业举办单位审核、教务处审定后，达到微专业结业要求标准的授予微专业证书。

五、课程设置

生成式人工智能微专业课程设置及教学进程计划表

注：本表中的“开课学期”特指“微专业”开课学期。

1.总学时=理论学时+实践学时（实践教学含实验和上机教学），总学时=线上学时+线下学时；

2.线下理论教学学时不低于总学时30%，实践学时不应低于总学时的20%；

3.课内实践教学按照16学时/学分计算，独立设置的实验实训课程按照24学时/学分计算。

4.“考核方式”填写线上考试、线下考试或考察；

5.开课单位填写任课教师所在二级学院，使用简写方式。

六、课程简介

对本微专业开设的课程进行简要介绍，包括课程主要内容、课程教学设计等。

1.Python程序设计：主要讲授Python程序设计基本方法、Python语言语法、常用库的使用方法等。通过学习使学生系统了解Python语言，掌握程序设计的基本方法，了解从问题分析到程序维护整套程序设计流程，初步具备利用Python语言解决各类实际问题的能力，培养学生严谨求实的科学作风，提高科学素养。

2.人工智能导论：主要学习人工智能概述、搜索技术、群智能算法、知识表示、人工智能中的不确定性、专家系统、机器学习、深度学习、强化学习等模块内容。 培养学生掌握人工智能的基本理论、基本方法和基本技术，提高解决“智能”问题的能力。

3.机器学习及应用：主要学习贝叶斯学习基础、逻辑回归、概率图模型基础、隐马尔可夫模型和条件随机场、支持向量机、人工神经网络、高斯过程、聚类、主成分分析与相关的谱方法，以及确定性近似推理、随机近似推理和强化学习。培养学生运用模式识别方法和技能，解决本专业和相关领域实际问题的能力，训练学生的逻辑思维能力和想象力。

4.深度学习与生成式人工智能：主要讲授深度学习的核心技术与生成式模型原理，讲解卷积神经网络（CNN）、循环神经网络（RNN）、Transformer 架构等基础模型，深入解析生成对抗网络（GAN）、扩散模型等生成式技术的数学原理与训练方法。课程结合文本生成、图像生成、多模态生成等案例，通过框架实践与项目开发，培养学生深度学习模型设计与生成式 AI 应用开发的能力。

5.计算机视觉基础：主要讲授计算机视觉的基本理论与技术方法，涵盖图像预处理、特征提取、目标检测、图像分割等核心内容，解析 CNN 在视觉任务中的应用，并介绍生成式技术在图像生成、编辑中的应用。课程通过理论讲解、OpenCV 库实践与视觉项目开发，培养学生计算机视觉算法设计与应用能力，为生成式视觉任务奠定基础。

6.自然语言处理：系统讲解自然语言处理的核心技术与应用场景，包括词法分析、句法分析、语义理解、文本生成等内容，重点解析循环神经网络、Transformer 架构在文本生成中的应用。课程通过 NLTK/Spacy 库实践、预训练模型微调与实战项目，培养学生自然语言处理算法开发与文本生成任务的解决能力。

7.AIGC 和大模型实践：以生成式人工智能与大语言模型为核心，聚焦多模态生成、行业应用及大模型微调与部署。课程采用 “项目驱动” 教学模式，要求学生完成多模态内容生成系统开发、行业定制化大模型应用等实战项目，涵盖需求分析、模型选择、参数调优、效果评估全流程，培养学生 AIGC 技术的综合应用与工程实践能力。

8.人工智能前沿：介绍人工智能领域的最新技术趋势与研究热点，包括多模态大模型、具身智能、生成式 AI 伦理、AI 安全等方向，解析前沿技术的原理与应用场景。课程通过文献研读、前沿案例分析与小组研讨，培养学生跟踪 AI 技术前沿的能力，引导学生思考技术发展与伦理责任的平衡，拓展学术视野与创新思维。

专业负责人：王 翠 张翔宇

审 核 人：杨现德 黄 芳