《人工智能》详细教学大纲
《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》课程教学大纲.doc
《人工智能》课程教学大纲课程代码：H0404X课程名称：人工智能适用专业：计算机科学与技术专业及有关专业课程性质：本科生专业基础课﹙学位课﹚主讲教师：中南大学信息科学与工程学院智能系统与智能软件研究所蔡自兴教授总学时：40学时﹙课堂讲授36学时，实验教学4学时﹚课程学分：2学分预修课程：离散数学，数据结构一.教学目的和要求：通过本课程学习，使学生对人工智能的发展概况、基本原理和应用领域有初步了解，对主要技术及应用有一定掌握，启发学生对人工智能的兴趣，培养知识创新和技术创新能力。
人工智能涉及自主智能系统的设计和分析，与软件系统、物理机器、传感器和驱动器有关，常以机器人或自主飞行器作为例子加以介绍。
一个智能系统必须感知它的环境，与其它Agent和人类交互作用，并作用于环境，以完成指定的任务。
人工智能的研究论题包括计算机视觉、规划与行动、多Agent系统、语音识别、自动语言理解、专家系统和机器学习等。
这些研究论题的基础是通用和专用的知识表示和推理机制、问题求解和搜索算法，以及计算智能技术等。
此外，人工智能还提供一套工具以解决那些用其它方法难以解决甚至无法解决的问题。
这些工具包括启发式搜索和规划算法，知识表示和推理形式，机器学习技术，语音和语言理解方法，计算机视觉和机器人学等。
通过学习，学生能够知道什么时候需要某种合适的人工智能方法用于给定的问题，并能够选择适当的实现方法。
二.课程内容简介人工智能的主要讲授内容如下：1.叙述人工智能和智能系统的概况，列举出人工智能的研究与应用领域。
2.研究传统人工智能的知识表示方法和搜索推理技术，包括状态空间法、问题归约法谓词逻辑法、语义网络法、盲目搜索、启发式搜索、规则演绎算法和产生式系统等。
3.讨论高级知识推理，涉及非单调推理、时序推理、和各种不确定推理方法。
4.探讨人工智能的新研究领域，初步阐述计算智能的基本知识，包含神经计算、模糊计算、进化计算和人工生命诸内容。
人工智能课程教学大纲
2024/1/28
1
目录
2024/1/28
• 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
2024/1/28
3
人工智能定义及应用领域
增强现实技术
介绍增强现实技术的原理和应用，包括增强现实设备的分 类和特点，增强现实内容的制作和呈现方式等，以及增强 现实与虚拟现实的比较和融合趋势。
27
07
人工智能伦理、法律和社会影 响
Chapter
2024/1/28
28
人工智能伦理原则和价值观探讨
尊重人权
人工智能的设计和应用应遵循平 等、公正和尊重人权的原则，避 免歧视和偏见。
概率论概率分布、随机变量源自条件概率、贝叶斯定理等3最优化理论
梯度下降、牛顿法、拟牛顿法等
2024/1/28
9
编程基础：Python语言及常用库
Python基础语法
变量、数据类型、控制流、函数 等
Python常用库
NumPy、Pandas、Matplotlib 等
面向对象编程
类与对象、继承与多态等
2024/1/28
25
视频处理和分析方法介绍
2024/1/28
视频编码与压缩
讲解视频编码的基本原理和常见的视频编码标准，如H.264/AVC 、H.265/HEVC等，以及视频压缩的方法和技巧。
视频运动分析
介绍视频运动分析的基本方法和应用，包括光流法、帧间差分法、 背景减除法等，以及运动目标跟踪和行为识别等技术。
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》详细教学大纲
面向对象编程、模块与包、异常处理 、文件操作等高级特性。
数据结构与算法基础
基本数据结构
数组、链表、栈、队列、哈希表 等数据结构的实现和应用。
树与图
二叉树、红黑树、堆等树形结构， 图的表示和遍历算法。
常用算法
排序算法（如快速排序、归并排序 等）、查找算法（如二分查找等） 、动态规划等常用算法的原理和实 现。
循环神经网络（RNN）
优化算法与技巧
RNN的基本原理和实现方法，以及在序列 建模、自然语言处理等领域的应用。
梯度下降法、动量法、Adam等优化算法的 原理和实现方法，以及正则化、批归一化 等训练技巧。
04 自然语言处理技术与应用
词法分析、句法分析等自然语言处理技术
词法分析
研究单词的内部结构和构词规则 ，包括词性标注、词干提取、词
评估指标
轮廓系数、Calinski-Harabasz 指数等聚类评估指标，以及降
维后数据的可视化方法。
深度学习：神经网络原理及实践应用
神经网络基础
卷积神经网络（CNN）
感知机、多层感知机（MLP）、反向传播 算法等神经网络基础知识。
卷积层、池化层、全连接层等CNN组件的 原理和实现方法，以及在图像分类、目标 检测等领域的应用。
1 2
图像处理基础
像素、分辨率、色彩空间、图像变换等基本概念 。
计算机视觉概述
视觉感知、视觉计算模型、视觉任务分类等。
3
常用图像处理和计算机视觉库
OpenCV、PIL、Scikit-Image等。
目标检测、图像分割等视觉任务解决方法
01
目标检测方法
基于滑动窗口的方法、基于区域提议的方法（如R-CNN系列）、基于
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。
人工智能教学大纲
人工智能课程教学大纲【课程编码】JSZX0300【适用专业】计算机科学与技术【课时】 72(理论)+28(实验)【学分】 3【课程性质、目标和要求】人工智能是计算机科学的重要分支，是计算机科学与技术专业本科生的专业限选课之一。
本课程介绍如何用计算机来模拟人类智能，即如何用计算机实现诸如问题求解、规划推理、模式识别、知识工程、自然语言处理、机器学习等只有人类才具备的"智能"，使得计算机更好得为人类服务．作为本科生一个学期的课程，重点掌握人工智能的基础知识和基本技能，以及人工智能的一般应用．完成如下教学目标：（1）了解人工智能的概念和人工智能的发展，了解国际人工智能的主要流派和路线，了解国内人工智能研究的基本情况，熟悉人工智能的研究领域．（2）较详细地论述知识表示的各种主要方法。
重点掌握状态空间法、问题归约法和谓词逻辑法，熟悉语义网络法，了解知识表示的其他方法，如框架法、剧本法、过程法等。
（3）掌握盲目搜索和启发式搜索的基本原理和算法，特别是宽度优先搜索、深度优先搜索、等代价搜索、启发式搜索、有序搜索、A*算法等．了解博弈树搜索、遗传算法和模拟退火算法的基本方法．(4) 掌握消解原理、规则演绎系统和产生式系统的技术、了解不确定性推理、非单调推理的概念．（5）概括性地介绍人工智能的主要应用领域，如专家系统、机器学习、规划系统、自然语言理解和智能控制等．（6）简介人工智能程序设计的语言和工具．(7) 掌握Visual Prolog编程环境，会使用Prolog语言编写简单的智能程序。
要求学生已修过《数据结构》、《离散数据》和《编译原理》。
【教学时间安排】本课程计 3 学分，理论课时72 ,实验课时28。
学时分配如下表所示：【教学内容要点】教学要求的层次课程的教学要求大体上分为三个层次：了解、理解和认识。
了解即能正确判别有关概念和方法；理解是能正确表达有关概念和方法的含义；认识是在理解的基础上加以灵活应用。
- 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
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） 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。
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：
（1）一阶谓词逻辑
（2）归结演绎推理
（3）应用归结原理求取问题答案
（4）归结策略
（5）Horn子句归结与逻辑程序
（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
（2）状态图问题求解
（3）与或图搜索
（4）与或图问题求解
（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
（2）产生式系统
（3）产生式系统与图搜索
（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
（2）框架
（3）语义网络
（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
（2）不确定性知识的表示
（3）不确定性推理的一般模式
（4）确定性理论
（5）证据理论
（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：
（1）专家系统的概念
（2）专家系统的结构
（3）专家系统的应用与发展
（4）专家系统设计与实现
（5）专家系统开发与环境
（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。
同时贯彻理论和实践相结合的原则，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
1、考核方式：考试
2、成绩评定：期末考试70%，平时成绩30%
四、与其他课程的联系与分工
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：《离散数学》、《高等数学》、《概率论》、《线性代数》、《C语言程序设计》、《数据结构》五、建议教材及教学参考书
（一）建议教材
《人工智能及其应用》，蔡自兴，徐光祐。
清华大学出版社，2000年5月。
（二）教学参考书
《人工智能（上、下册）》，陆汝钤，北京：科学出版社， 1996年。