人工智能详细教学大纲
《人工智能》详细教学大纲.doc
《人工智能》教学大纲 课程名称：人工智能 英语名称：Artificial Intelligence 课程代码：130234 课程性质：专业必修 学分学时数： 5/80 适用专业：计算机应用技术 修（制）订人： 修（制）订日期：2009年2月 审核人： 审核日期： 审定人： 审定日期： 一、课程的性质和目的 （一）课程性质 人工智能是计算机科学理论基础研究的重要组成部分，人工智能课程是计算机科学技术专业的专业拓展选修课。
通过本课程的学习使学生了解人工智能的提出、几种智能观、重要研究领域，掌握人工智能求解方法的特点。
掌握人工智能的基本概念、基本方法，会用知识表示方法、推理方法和机器学习等方法求解简单问题等。
（二）课程目的 1、基本理论要求： 课程介绍人工智能的主要思想和基本技术、方法以及有关问题的入门知识。
要求学生了解人工智能的主要思想和方法。
2、基本技能要求： 学生在较坚实打好的人工智能数学基础（数理逻辑、概率论、模糊理论、数值分析）上，能够利用这些数学手段对确定性和不确定性的知识完成推理；在理解Herbrand 域概念和Horn 子句的基础上，应用Robinson 归结原理进行定理证明；应掌握问题求解（GPS ）的状态空间法，能应用几种主要的盲目搜索和启发式搜索算法（宽度优先、深度优先、有代价的搜索、A 算法、A*算法、博弈数的极大—极小法、α―β剪枝技术）完成问题求解；并能熟悉几种重要的不确定推理方法，如确定因子法、主观Bayes 方法、D —S 证据理论等，利用数值分析中常用方法进行正确计算。
3、职业素质要求：结合实战，初步理解和掌握人工智能的相关技术。
二、教学内容、重（难）点、教学要求及学时分配 第一章：人工智能概述（2学时）……………………………………………………………………装……订……线…………………………………………………………………………………………………………… …………………………1、讲授内容：（1）人工智能的概念（2）人工智能的研究途径和方法（3）人工智能的分之领域（4）人工智能的基本技术（5）人工智能的发展概况2、教学要求：了解：研究途径和方法、人工智能的分之领域、基本技术和发展概况。
《人工智能导论》教学大纲(2024版)
人工智能导论课程教学大纲一、课程基本信息课程编号：课程中文名称：人工智能导论课程性质：学院基础课程、专业核心课程开课学期：3课内学时：32学时，其中授课32学时课外学时：32学时学分：2学分主要面向专业：自动化、测控、电气、机器人工程二、先修课程高等数学、概率论、线性代数、生命科学导论三、课程目标人工智能导论是面向理工科专业的重要基础课程。
课程以学科基础、技术基础、重点方向与领域、行业应用、伦理与法律五维知识体系为主要内容，经典与现代人工智能知识结构模块化，具有广阔的思想和技术背景。
通过课程学习，使学生系统性掌握人工智能基本概念、方法、技术，把握人工智能重点方向及领域；掌握机器学习、深度神经网络等基本方法；初步具备利用人工智能技术解决问题的基本能力；初步理解人工智能伦理及其对人工智能技术发展的重要意义。
为进一步学习相关的专业基础课程和专业课程打下必要的理论和实践基础。
（1）从大历史观角度使学生理解人工智能发展的历史和思想脉络，使学生认识到人工智能的本质和内涵，思考人之为人的价值和意义,勇于承担社会发展责任。
（2）充分发挥人工智能多学科、多领域理论、知识交叉的特点和优势，培养学生多学科知识交叉思维和创新意识。
（3）激发学生学习人工智能的热情和人机协同创新思维，为后续人工智能+X专业学习、创新创业、竞赛、就业等奠定基础。
（4）系统理解机器智能实现技术和方法，认识到机器智能对人类智能补充与增强作用，学会利用人机协同技术和方法及解决各类问题。
(5)使学生充分理解人工智能对未来人类社会经济、科技和文明发展的重要作用，具备未来能社会发展需要的人工智能人才素质。
四、教学内容与教学方法五、考核方式六、参考教材及学习资源（一）参考教材：[1]莫宏伟，徐立芳.人工智能导论.第2版.[2]莫宏伟，徐立芳.人工智能伦理导论.。
人工智能 课程大纲
人工智能课程大纲第一部分：介绍人工智能（Artificial Intelligence，简称AI）是目前信息技术领域的热门话题，它涉及到机器智能的发展和应用。
本课程旨在帮助学生了解人工智能的基本概念、原理和应用，使他们具备一定的人工智能技术应用能力。
第二部分：课程目标1. 掌握人工智能的基本概念和分类；2. 熟悉人工智能的代表性算法和技术；3. 具备人工智能技术的应用和实践能力；4. 培养学生的创新思维和问题解决能力。
第三部分：课程内容1. 人工智能发展历史和基本概念；2. 人工智能主要技术分类和代表性算法；3. 机器学习、深度学习和神经网络；4. 自然语言处理、图像识别和智能推荐；5. 人工智能在各领域的应用案例。
第四部分：教学方法1. 理论课堂教学：讲授人工智能的基本理论知识；2. 实践教学：通过编程实践，帮助学生掌握人工智能算法和技术；3. 项目案例分析：讲解人工智能在各个领域的应用案例，激发学生创新思维。
第五部分：考核方式1. 平时表现（包括课堂参与、作业完成情况等）占比30%；2. 期中考试占比30%；3. 期末项目实践占比40%。
第六部分：参考教材1. 《人工智能基础》；2. 《Python深度学习》；3. 《机器学习实战》；4. 《神经网络与深度学习》。
第七部分：教学团队本课程由具有丰富教学经验和人工智能实践经验的教师团队共同执教，以确保教学质量和效果。
结语通过本课程的学习，相信学生们能够全面了解人工智能的基本理论和应用技术，为未来在相关领域的发展和应用打下坚实的基础。
希望学生们能够主动参与课程学习和实践，不断提高自身的人工智能技术能力，为社会发展和创新贡献自己的力量。
2024人工智能教学大纲
包括树、图等，对于解决复杂问题有 很大帮助。
2024/1/26
10
03
机器学习
2024/1/26
11
监督学习
线性回归
掌握线性回归的原理和 实现方法，理解损失函 数和优化算法。
逻辑回归
了解逻辑回归的原理和 应用场景，掌握其实现 方法。
。
2024/1/26
离散数学
包括集合论、图论、逻辑等，对于 理解和设计人工智能算法有很大帮 助。
最优化理论
包括梯度下降、牛顿法等优化算法 ，是训练机器学习模型的关键。
8
编程基础
01
02
03
Python编程
Python是人工智能领域最 常用的编程语言之一，需 要掌握基本的语法、数据 结构、函数等。
2024/1/26
C编程
对于需要高性能计算的应 用，C是一个重要的选择 ，需要掌握基本的语法、 指针、内存管理等。
Java编程
Java在大数据处理和分布 式计算中有广泛应用，需 要掌握基本的语法、面向 对象编程、异常处理等。
9
数据结构与算法
基本数据结构
包括数组、链表、栈、队列等，是编 程的基础。
高级数据结构
算法设计与分析
卷积神经网络的训练与调优
掌握卷积神经网络的训练方法和调优技巧，如数据增强、迁移学习、 模型融合等。
17
循环神经网络
循环神经网络基础
理解循环神经网络（RNN）的 基本原理和实现细节，包括循 环层、时间步长等概念。
长短期记忆网络（LSTM ）
掌握LSTM的原理和实现细节 ，了解其在处理序列数据中的 长期依赖问题方面的优势。
《人工智能》课程大纲
人工智能课程教学大纲一、课程的基本信息适应对象：信息工程专业。
课程代码：39E01126学时分配：42赋予学分：2先修课程：C语言程序设计、数据结构、面向对象程序设计后续课程：二、课程性质与任务本课程是信息工程专业的一门专业课程，具有较强的理论性和应用性。
本课程的任务是使学生掌握人工智能基本原理，理解人工智能程序设计的基本思路和方法。
培养学生的人工智能应用程序的编程能力和实践应用能力。
本课程的主要知识点包括面向知识表示、智能搜索、多智能体、推理技术、模糊逻辑、机器学习等。
三、教学目的与要求通过理论和实践教学，使学生掌握人工智能的基本思想和方法，培养学生的人工智能应用程序开发的基本能力，到达以下3个目标。
1.知识教学目标：理解和掌握人工智能的知识表达，推理和搜索技术，了解基于统计分析的机器学习方法。
2.能力教学目标：熟练使用prolog, matlab, visual C++等工具来开发人工智能应用程序3.思想教育目标：了解人工智能的最新进展和目前的开展思路.四、教学内容与安排(-)课时分配4照课程内容，分成5个教学单元，各单元的课时安排如下表所示：(-)教学内容安排51单元人工智能概述【教学内容】1.人工智能基本概念2.智能感知简介3.智能推理简介4.智能学习简介5.展望【教学重点及难点】教学重点：智能、感知、推理与学习。
教学难点：强、弱人工智能辨析。
【基本要求】•了解智能、感知、推理与学习的基本概念；•了解弱人工智能的常见范例。
【培养能力】了解、掌握人工智能基本知识。
第2单元知识表示与推理【教学内容】1.知识表示基本概念2.命题逻辑与谓词逻辑3.产生式系统4.其他知识表示方法5.基于知识的系统：专家系统【教学重点及难点】教学重点：谓词逻辑、产生式系统、专家系统。
教学难点：归结原理、语义网络、框架。
【基本要求】•了解一阶谓词逻辑，产生式，专家系统；•掌握归结推理；•掌握产生式规那么前后向推理；•了解其他知识表示方法。
人工智能详细教学大纲
人工智能详细教学大纲第一章：导论1.1 人工智能的定义和基本概念- 人工智能的定义和起源- 人工智能的发展历程1.2 人工智能的应用领域- 人工智能在医疗领域的应用- 人工智能在金融领域的应用- 人工智能在交通领域的应用第二章：机器学习基础2.1 机器学习的概述- 监督学习、无监督学习、强化学习的基本原理和区别- 机器学习的应用场景2.2 数据预处理- 缺失值处理- 异常值检测与处理- 特征选择与降维2.3 常见的机器学习算法- 逻辑回归- 决策树- 支持向量机- 集成学习第三章：深度学习3.1 深度学习的原理与应用- 深度学习的发展历程- 神经网络的基本结构和工作原理3.2 常用的深度学习框架- TensorFlow- PyTorch- Keras3.3 深度学习的应用案例- 图像分类与识别- 自然语言处理- 人脸识别第四章：自然语言处理4.1 自然语言处理的基础知识- 词向量表示- 语法分析和语义分析4.2 文本分类与情感分析- 文本特征提取- 文本分类算法4.3 机器翻译与问答系统- 神经机器翻译- 阅读理解模型第五章：计算机视觉5.1 计算机视觉的基本概念- 图像处理与特征提取- 目标检测与图像分割5.2 图像识别与物体识别- 卷积神经网络（CNN）- 目标检测算法（如YOLO、Faster R-CNN）5.3 视觉生成与图像风格迁移- 生成对抗网络（GAN）- 图像风格迁移算法第六章：人工智能伦理与法律6.1 人工智能的伦理问题- 隐私与数据安全- 就业与职业变革- 人工智能的道德问题6.2 人工智能的法律问题- 数据保护法与隐私权- 人工智能专利与知识产权- 算法歧视与公平性第七章：人工智能未来发展趋势7.1 人工智能的挑战和机遇- 人工智能的挑战与限制- 人工智能带来的机遇与可能性7.2 人工智能与人类的关系- 人工智能助力人类创新与发展- 人工智能对就业和教育的影响总结与展望本教学大纲全面介绍了人工智能的基本概念、机器学习、深度学习、自然语言处理、计算机视觉等领域的基础知识与应用。
2024版《人工智能》课程教学大纲
计算机体系结构
理解计算机硬件组成、操 作系统及基本工作原理。
数据结构与算法
掌握基本数据结构（如数 组、链表、栈、队列等） 和常用算法（如排序、查 找等）。
计算机网络
了解网络协议、网络架构 及网络安全等基础知识。
数学基础
线性代数
掌握向量、矩阵、线性方程组等基本概念和运算。
概率论与数理统计
理解概率分布、随机变量、数理统计等基本概念 和方法。
介绍神经网络优化的一些常用方 法，如梯度下降、动量法、
Adam等优化算法的原理和应用。
卷积神经网络（CNN）
卷积层
池化层
讲解卷积层的工作原理和实 现方法，包括卷积核、步长、 填充等概念。
介绍池化层的作用和实现方 法，包括最大池化、平均池 化等。
CNN模型
介绍一些经典的CNN模型， 如LeNet-5、AlexNet、 VGGNet、GoogLeNet、 ResNet等，并分析其网络结 构和特点。
无监督学习
K-均值聚类
层次聚类
将数据划分为K个簇，使得同一簇内的数据尽 可能相似，不同簇间的数据尽可能不同。
通过不断将数据点或已有簇合并成新的簇， 直到满足某种停止条件。
主成分分析（PCA）
自编码器
通过线性变换将原始数据变换为一组各维度 线性无关的表示，可用于高维数据的降维。
一种神经网络结构，通过编码器和解码器对 输入数据进行压缩和重构，实现特征提取和 降维。
句ห้องสมุดไป่ตู้分析技术
短语结构分析
识别句子中的短语结构，如名词短语、动词短语等。
依存关系分析
分析句子中单词之间的依存关系，如主谓关系、动宾关系等。
句法树构建
根据短语结构和依存关系构建句子的句法树，表示句子的结构信 息。
人工智能课程教学大纲-2024鲜版
卷积神经网络在图像处理中的应用
2024/3/27
卷积层与池化层
解释卷积层如何通过卷积核提取图像特征，池化层如何降低数据 维度，减少计算量。
经典卷积神经网络结构
介绍LeNet-5、AlexNet、VGGNet等经典卷积神经网络的结构和 特点。
图像分类与目标检测
阐述卷积神经网络在图像分类和目标检测任务中的应用，包括数据 集、评估指标等。
目标检测
讲解目标检测的任务和方法，包括基于滑动窗口的目标检测、基于区域提议的目标检测等 ，以及常见的目标检测算法，如R-CNN、Fast R-CNN、Faster R-CNN等。
图像分割
介绍图像分割的概念和方法，包括基于阈值的分割、基于边缘的分割、基于区域的分割等 ，以及常见的图像分割算法，如K-means聚类、水平集方法等。
人工智能课程教学大纲
2024/3/27
1
目录
2024/3/27
• 课程介绍与目标 • 基础知识与技能 • 机器学习原理及方法 • 深度学习原理及应用 • 自然语言处理技术 • 计算机视觉技术 • 人工智能伦理、法律和社会影响
2
01
课程介绍与目标
Chapter
2024/3/27
3
人工智能定义及应用领域
图像描述生成
讲解图像描述生成的基本方法和模型，包括基于卷积神经 网络和循环神经网络的方法，介绍图像描述生成的评估指 标和优化方法。
23
06
计算机视觉技术
Chapter
2024/3/27
24
图像识别、目标检测等基础知识
2024/3/27
图像识别
介绍图像识别的基本原理，包括特征提取、分类器设计等，以及常见的图像识别算法，如 卷积神经网络（CNN）。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
《人工智能》详细教学大纲
《人工智能》教学大纲
课程代码：130234
课程性质：专业必修
学分学时数：5/80
适用专业：计算机应用技术
、课程的性质和目的
（一）课程性质
人工智能是计算机科学理论基础研究的重要组成部分，人工智能课程是计算机科学技术专业的 专业拓展选修课。
通过本课程的学习使学生了解人工智能的提出、几种智能观、重要研究领域，掌 握人工智能求解方法的特点。
掌握人工智能的基本概念、基本方法，会用知识表示方法、推理方法 和机器学习等方法求解简单问题等。
（二）课程目的
1、基本理论要求:
课程介绍人工智能的主要思想和基本技术、方法以及有关问题的入门知识。
要求学生了解人工 智能的主要思想和方法。
2、基本技能要求:
学生在较坚实打好的人工智能数学基础（数理逻辑、概率论、模糊理论、数值分析）上，能够 利用这些数学手段对确定性和不确定性的知识完成推理；在理解
础上，应用 Robinson 归结原理进行定理证明；应掌握问题求解（ GPS 的状态空间法，能应用几种 a
主要的盲目搜索和启发式搜索算法（宽度优先、深度优先、有代价的搜索、 数的极大一极小法、
— B 剪枝技术）完成问题求解；并能熟悉几种重要的不确定推理方法，如确
定因子法、主观 Bayes 方法、D — S 证据理论等，利用数值分析中常用方法进行正确计算。
3、职业素质要求： 结合实战，初步理解和掌握人工智能的相关技术。
、教学内容、重（难）点、教学要求及学时分配
第一章：人工智能概述（2学时）
1、讲授内容:
（1） 人工智能的概念
（2） 人工智能的研究途径和方法
3) 人工智能的分之领域
4) 人工智能的基本技术
5) 人工智能的发展概况 2、教学要求： 了解：研究途径和方法、人工智能的分之领域、基本技术和发展概况。
Herbrand 域概念和Horn 子句的基
A 算法、A*算法、博弈
理解：人工智能的基本概念、基本技术掌握：人工智能的发展概况，人工智能研究的课题种类3、教学重点：人工智能概念4、难点：人工智能的研究途径和方法
第二章：基于谓词逻辑的机器推理( 2 学时)
1、讲授内容：
一阶谓词逻辑
1)
归结演绎推理
2)
应用归结原理求取问题答案
3)
归结策略
4)
Horn 子句归结与逻辑程序
5)
6) 非归结演绎推理
2、教学要求：了解：一阶谓词逻辑的基本概念
理解：应用归结远力求取问题答案的方法和Horm自居归结于逻辑程序的方法以及非归结演绎原理的方法和途径掌握：归结演绎推理3、教学重点：归结演绎推理4、难点：Horn 子句归结与逻辑程序
第三章：图搜索技术( 5 学时)
1、讲授内容：
1) 状态图搜索
状态图问题求解
2)
与或图搜索
3)
与或图问题求解
4)
5) 博弈树搜索
2、教学要求：了解：常用的图搜索技术理解：与或图搜索问题的原理掌握：与或图的启发式搜索算法AO
3、教学重点：与或图的启发式搜索算法AO
4、难点：与或图搜索
第四章：产生式系统(2 学时)
1、讲授内容：
1) 产生式规则
产生式系统
2)
产生式系统与图搜索
3)
4) 产生式系统的应用
2、教学要求：了解：产生式理解：谓词逻辑归结原理掌握：Herbrand 定理
3、教学重点：谓词逻辑归结原理
4、难点：Herbrand 定理
第五章：知识表示( 2 学时)
1、讲授内容：
1) 知识及其表示
框架
2)
语义网络
3)
4) 面向对象知识表示
2、教学要求：了解：知识表示的概述理解：几种知识表示方式掌握：产生式表示语义网络表示
3、教学重点：产生式表示语义网络表示
4、难点：框架表示
第六章：不确定性推理方法( 6 学时)
1、讲授内容：
1）不确定性及其类型
不确定性知识的表示
2）
不确定性推理的一般模式
3）
确定性理论
4）
证据理论
5）
6）模糊推理
2、教学要求：了解：不确定性推理方法的概述理解：论证理论模糊推理掌握：论证理论
3、教学重点：论证理论模糊推理
4、难点：证据理论（D-Stheory）
第七章：专家系统（4 学
时）
1、讲授内容：
专家系统的概念
（1）
专家系统的结构
（2）
专家系统的应用与发展
（3）
专家系统设计与实现
（4）
专家系统开发与环境
（5）
（6）新一代专家系统研究
2、教学要求：
了解：专家系统的概述、专家系统的组成结构与发展理解：专家系统的设计与实现掌握：专家系统的开发与使用3、教学重点：专家系统的设计与实现4、难点：新一代专家系统概述
第八章：机器学习（10 学时）
1、讲授内容：
1）符号学习
2）神经网络学习
2、教学要求： 了解：机器学习的概述 理解：符号学习 掌握：常用的机器学习的方式
3、教学重点： 神经网络学习
4、难点： 遗传算法
三、各教学环节的基本要求
一) 课堂讲授
1、教学方法
1) 注重理论指导的作用， 积极探究达到最佳视觉效果的典型做法。
的原则，给学生出一定量的思考，并要求学生完成一定量的作业，以提高学生的理论水平， 培养学生的动手能力和创新精神。
2) 把握课程的重难点，及时总结深化所学内容，并针对重难点布置适当的综合练习。
以便达到
良好的教学效果。
2、教学手段
1) 采用理论讲解、操作示范等多种方式，充分利用多媒体等现代化教学手段，整体优化教学过
程和教学内容，调动学生学习积极性，进行启发式的教学。
2) 注重学生动手能力的培养，积极鼓励和引导学生对所学的知识、技能加以拓宽、深化。
3、教学辅助资料
CAI 课件
二) 作业、答疑和质疑 1、作业 2、答疑和质疑
三) 考核方式
、与其他课程的联系与分工
离散数学》、《高等数学》、《概率论》、《线性代数》、《 五、建议教材及教学参考书
一)建议教材 本课是计算机及相关专业学生的专业选修课， 选修本课须有比较全面的计算机知识。
先行课程： 同时贯彻理论和实践相结合
1、 考核方式： 考试
2、 成绩评定： 期末考试 70%，平时成绩 30%
C 语言程序设计》、《数据结构》
人工智能及其应用》，蔡自兴，徐光祐。
清华大学出版社，二）教学参考书
人工智能（上、下册）》，陆汝钤，北京：科学出版社，
2000 年 5 月。
1996 年。