“人工智能+统计学”交叉课程设计研究

206
（5）门禁识别
门禁识别主要分为人脸识别与RFID 射频识别，用户使用有源RFID 射频身份识别卡片，或进行人脸识别，当用户实时采集信息与系统数据库内信息一致时，即身份验证合法情况下，才可以成功通过门禁，否则无法通过验证[4]。

（6）室内显示
室内配备触摸屏，实时显示室内温湿度、甲醛等环境信息，一目了然，便于用户实时查看，同时支持手动取消报警、手动设备控制等功能。

2.2 无线传输网络设计
无线传输网络分为两部分，室内数据传输与手机终端通信，由于室内空间有限，数据传输采用WiFi 无线组网，避免有线部署产生的施工繁琐问题，智能安全监控器接收传感器设备采集的信息后，通过WiFi 可传输至PC 端供用户进行信息查看[5]。

选用4G 网络实现和手机终端通信，便于接收预警和视频信息等，4G 网络传输速率快，传输容量大，可满足当前需求。

2.3 监控中心设计
鉴于当前手机使用率高、普及面广，为保证信息传输的有效性，监控中心支持PC 端和手机端双端监控，摆脱PC 端固定地点的局限性，手机端可接受预警信息等，提高用户体验感。

3 家庭安防系统功能
（1）实现PC 端和手机终端的双重监控管理，不受地点局限，随时随地可查看室内状况；
（2）实现室内温湿度、烟雾、甲醛、噪音的环境监测、人脸与RFID 射频识别的门禁管理以及摄像头的视频监控，当出现火灾或非法入室等情况，触发险情报警功能，发出
室内报警提示，同时发送短信至手机，有效预防火灾、盗窃及突发性安全事故的发生；
（3）带有设备控制功能，可通过手机实现室内家用电器的电源控制，杜绝安全隐患；
（4）触摸屏室内显示功能，实现人机交互，方便室内模块的直观观察与操作。

4 结语
针对家庭安防系统存在的功能单一、智能化低、建设成本高的问题，以物联网为技术依托，将安全监控器作为监控终端，通过摄像头、烟雾传感器、温湿度传感器等设备实现数据采集。

以W i F i 组网和4G 网络实现数据传输，经由P C 端和手机终端进行监控，实现了远程控制、环境监测、视频监控、险情报警等功能，有效解决了目前家庭安防系统存在的问题，提高了其智能化水平，拓展其功能性，有效降低了建设成本，满足绝大多数家庭的防控需求。

【参考文献】
[1]郭心如,肖瑜佳.基于IOT的智能家居安防系统应用初探[J].信息记录材料,2019,20(07):188-189.
[2]王前.网络视频监控技术在校园安防系统中的应用[J].信息与电脑(理论版),2019,31(20):184-186.
[3]周江迪.基于物联网的校园安防系统结构设计[J].物联网技术,2017,7(04):99-100.
[4]李颖.基于ZigBee 与RFID 的博物馆安防系统设计[J].信息技术,2019,43(11):28-32.
[5]马标.基于WiFi 的智能家居安防系统的设计[J].物联网技术,2018,8(01):74-75.
2017年7月，国务院印发《新一代人工智能发展规划》，从国家层面奠定了人工智能融入教育的政策基础，提出要“发展智能教育，利用智能技术加快推动人才培养模式、教学方法改革”，智能技术赋能人才培养变革成为政策期
待。

联合国教科文组织在2019年移动学习周期间发布《教育中的人工智能: 可持续发展的机遇和挑战》工作报告，从三个方面着重探讨了教育中人工智能可持续发展的相关问题：一是利用人工智能改善学习和促进教育公平；二是
“人工智能+统计学”交叉课程设计研究
唐立力
(重庆工商大学融智学院 重庆 401320)
【摘要】“人工智能+高等教育”已经成为国家人工智能发展和人工智能赋能人才培养发展战略。

人工智能的发展对于高等教育人才培养的创新起到了助推作用，针对当前多学科交叉协同发展趋势，人工智能赋能教育已成为未来教育变革的重要趋势。

本文提出了一种机器学习和统计学相融合的交叉课程设计方式，利用机器学习课程中的决策树、神经网络、支持向量机、贝叶斯分类、集成学习模型来实现统计学课程中的时间序列对象的预测，主要从交叉课程的教学大纲、考核方案两个方面进行了设计。

为人工智能赋能统计学课程内容提供了一种参考方法。

【关键词】人工智能；赋能；统计学；交叉课程；时间序列
【中图分类号】G434 【文献标识码】A 【文章编号】1009-5624（2020）02-0206-02
207
利用人工智能为学习者的未来做准备；三是人工智能在教育中应用的挑战和政策影响。

本文在寻找两个学科课程融合点的过程中，通过充分调研、论证和专家指导，最终将《机器学习》课程的第4章决策树、第5章神经网络、第6章支持向量机、第7章贝叶斯分类器、第8章集成学习与《统计学》课程的第十三章时间序列分析和预测进行融合，开发设计了一门交叉课程：《时间序列智能预测》。

主要从交叉课程的教学大纲和考核方案进行了设计，并体现了课程设计的特色和亮点。

1 《时间序列智能预测》交叉课程教学大纲设计
1.1 交叉课程性质
本课程服务于经济学、人工智能相关专业，可以作为《统计学》课程的后续课程。

课程以《统计学》中的时间序列案例为研究对象，以《机器学习》中的决策树、神经网络、支持向量机、贝叶斯分类器、集成学习模型为核心，以时间序列数据的获取、分析处理、预测等内容为重点。

通过本门课程的学习，使学生具有基本的智能计算思维能力。

为进一步学习深度学习模型在时间序列预测中的应用奠定理论和方法基础，为学习其它经济预测课程和从事经济预测研究工作提供智能方法。

1.2 交叉课程目标
通过本门课程的学习，使学生理解机器学习算法和时间序列统计对象的融合模式，掌握统计数据获取、分析和处理方法。

学习机器学习基础算法，能够使用机器学习算法解决时间序列预测的实际问题。

开展实验研究，能够编程完成预测模型的仿真，并与传统的统计预测模型进行对比分析，总结模型的适用性。

1.3 教学内容和课程总体设计
考虑《机器学习》课程算法特点和《统计学》时间序列对象数据特征，在5个方面进行了融合设计来实现时间序列对象的预测，最后还设计了一个考验学生综合能力的实践项目。

具体教学内容和各环节学时分配如表1所示。

表1 教学内容和课时表
教学内容（章）理论学时实验学时实践学时小计第一章 导论
2//2第二章 时间序列统计模型预测案例2//2第三章 时间序列决策树模型预测22/4第四章 时间序列神经网络模型预测22/4第五章 时间序列支持向量机模型预测22/4第六章 时间序列贝叶斯分类模型预测22/4第七章 时间序列集成学习模型预测22/4第八章 实践项目——三峡库区空气质量指数预测
//44期末复习22/4合计
16
12
4
32
2 《时间序列智能预测》交叉课程考核方案设计
本文设计了“理论+实验+实践”三位一体的考核方案，三个考核板块对应分数比例为40%、40%、20%。

考核题型包括理解、分析、设计、仿真、综合运用五个部分，对应分数比例为10%、10%、20%、40%、20%。

考核难度分为容易、较容易、较难、难四个等级，对应分数比例为20%、30%、30%、20%。

整体设计思路如下图1
所示：
图1 考核方案结构图
3 《时间序列智能预测》交叉课程设计特色和亮点
利用人工智能赋能传统经济学相关课程，模糊课程的边界，提升课程的内涵，衍生出新的课程内容，实现不同学科课程之间的深度交叉，协同发展，培养复合型人才。

4 结语
在人工智能技术日益发展的现代，我们要抓住人工智能技术发展的契机，作为高等教育变革的内在动力，推动跨学科交叉领域的融合，实现多学科协同发展，在更开阔的视野中思考高等教育的变革，既充分发挥变革空间，又保留传统教育的精髓。

希望本文提出的交叉课程融合方式能够为人工智能和经济学学科课程改革做出贡献。

【参考文献】
[1]刘德建.人工智能赋能高校人才培养变革的研究综述[J].电化教育研究,2019(11):106-113.
[2]贾积有.人工智能赋能教育与学习[J].远程教育杂志,2018,37(12):39-47.
[3]任友群,万昆,冯仰存.促进人工智能教育的可持续发展[J].现代远程教育研究,2019,31(05):3-10.
基金项目：重庆市教委科学技术研究项目（KJQN201802102）资助。

作者简介: 唐立力(1983- ),男,汉族,重庆人,硕士,副教授，主要研究方向:智能信息处理。