第4期2023年4月10日计算机教育ComputerEducation中图分类号：G642158基金项目：教育部第二批新工科研究与实践项目（E-RGZN20201027）。作者简介：陈飞，男，副教授，机器学习与计算机视觉，chenfei314@fzu.edu.cn；张春阳（通信作者），男，副教授，机器学习与计算机视觉，zhangcy@fzu.edu.cn。0引言机器学习作为人工智能的核心课程，近年来发展迅速。特别是深度神经网络的兴起，带动了计算机视觉的蓬勃发展，同时计算机视觉广泛的应用需求也推动了机器学习算法的不断升级[1]。经过多年的交叉与融合，逐渐形成了以机器学习和计算机视觉为中心的课程群，如图1所示。该课程群涉及诸多交叉学科领域的课程，如模式识别、最优化方法、三维重建、视频编码、信号处理等。课程群具有如下特点：①知识范围广、教学内容更新快；②理解难度大、实践过程长且学习路径具有多样性；③综合度高、教学内容紧密相关且交叉融合不断深入。这些特点对学生的学习和掌握能力提出了很大的挑战，学生需要在具备多学科综合能力的基础上，花费较长时间才能进行相应的学习和实践，并根据内容的不断变化进行持续性的综合实践。面向机器学习课程群的综合性实践教学近年在人工智能专业课程体系中占据重要地位，其教学效果将直接影响学生动手能力和抽象逻辑思维能力的培养[2]。目前对于这类前沿课程群，综合性实践教学模式非常匮乏。现有实践教学归纳起来存在以下问题：①实践教学内容与前沿知识脱节；②实践内容安排在课内，课程之间存在冗余基于知识图谱的综合实践教学设计陈飞，张春阳，于元隆（福州大学计算机与大数据学院，福建福州350108）摘要：针对现有课程群在综合实践教学上存在知识点零散、内容重叠、实践路径单一、缺乏有效评价等问题，提出一种基于知识图谱的“能力导向+问题驱动”综合性实践教学模式，分别从教学目标、问题分解、资源整合、实施方式和成绩评定等方面探讨多路径实践教学及评定方法。关键词：知识图谱；机器学习课程群；问题驱动；能力导向；综合实践文章编号：1672-5913(2023)04-0158-05且综合度不高；③实践内容依赖教程，学生模仿式实践，学习路径单一、缺乏创新意识；④成绩评价体系不合理。这些问题导致目前机器学习课程群在实践教学方面没有很好的效果。如何提高综合性实践教学效果是教师面临的重要课题[3-4]。近年来，知识图谱作为知识的一种形式[5]，在智能问答[6]、语义搜索[7]、思维训练[8]、项目管理[9]，智慧教育[10]等领域发挥越来越重要...
