中国海洋大学 人工智能 课程大纲(理论课程)
《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。
2024年度2024人工智能课程大纲
马尔可夫决策过程（MDP）
理解强化学习基本原理，掌握MDP模型及贝尔 曼方程。
Q-learning
基于值函数逼近的强化学习方法，通过Q表或神 经网络实现。
ABCD
2024/3/23
动态规划
学习值迭代、策略迭代等动态规划方法求解强化 学习问题。
深度强化学习
结合深度学习技术，应用深度Q网络（DQN） 、策略梯度等方法解决复杂强化学习问题。
前景展望
自动驾驶、智能家居、智慧医疗、智 慧金融等行业的深度融合与创新。
5
伦理、法律与社会影响
伦理问题
数据隐私、算法偏见、人工智能的自主性等 。
法律问题
知识产权、责任归属、监管政策等。
2024/3/23
社会影响
就业市场变革、信息传播方式改变、人类与 机器的互动方式等。
6
2024/3/23
02
CATALOGUE
Python编程
基础语法、数据结构、函数与类、异常处理、文 件操作等。
C编程
基础语法、指针与引用、面向对象编程、STL库 使用等。
3
算法实现
使用Python或C实现基本的数据结构与算法，如 链表、栈、队列、排序算法等。
2024/3/23
9
数据结构与算法基础
算法分析
时间复杂度与空间复杂度的概念及分析方法 。
基础知识与技能
7
数学基础：线性代数、概率论等
线性代数
矩阵运算、向量空间、特征值与特征向量、线性变换等。
概率论
概率分布、随机变量、条件概率、贝叶斯定理、大数定律与中心 极限定理等。
最优化理论
梯度下降、牛顿法、拟牛顿法等优化算法的原理与应用。
2024/3/23
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。
《人工智能基础》课程教学大纲(本科)
《人工智能基础》课程教学大纲课程编号：04291课程名称：人工智能基础英文名称：Artificial Intelligence Foundation课程性质：学科基础课程要求：必修学时/学分：48/3 （讲课学时：36实验学时：12 ）适用专业：智能科学与技术一、课程性质与任务《人工智能基础》是一门探索、揭示人类思维本质，研究将人类智能转化为机器智能的学科。
通过本课程的学习，培养学生拥有能够解决复杂问题的基本能力，为今后在专家系统、智能机器人、智能计算机等方面知识掌握奠定比较扎实的理论基础。
本课程的主要任务是介绍知识表示、基本的搜索算法、模拟人类思维的不确定性推理，使学生对专家系统、智能计算机等方面具有一定的理论基础与实践能力。
（支撑毕业要求1.3, 2.2, 4.2, 5.2, 10.1, 11.2）二、课程与其他课程的联系《人工智能基础》的先修课程包括《概率论与数理统计》、《智能优化方法》、《C语言程序设计》等课程。
《概率论与数理统计》在复杂问题求解中的主观Bayes决策与不确定性理论方面支撑《人工智能基础》课程。
《智能优化方法》在搜索技术问题的理解方面支撑《人工智能基础》课程。
《C语言程序设计》在搜索算法、贝叶斯决策与专家系统的实现方面支撑《人工智能基础》课程。
《人工智能基础》的后续课程包括《智能机器人》，为《智能机器人》提供理论基础方法方面的支撑。
三、课程教学目标1.学习人工智能的基础理论知识，掌握解决复杂问题的基本能力，为今后在专家系统、智能机器人、智能计算机等方面知识掌握奠定比较扎实的理论基础，对智能机器人的应用方面提供理论与实践支撑。
（支撑毕业能力要求13, 10.1, 11.2）2认识到知识表示在本学科发展中所处的地位与扮演的角色，能够掌握本领域经典的知识表示方法，如谓词逻辑、状态空间、语义网络等，并能运用这些知识解决一些实际工程问题。
（支撑毕业能力要求1.3, 2.2, 5.2）1掌握搜索的基本思想，比如宽度优先、深度优先等传统搜索方法。
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。
2024年人工智能培训课程大纲
人工智能培训课程大纲一、引言二、课程目标三、课程内容2.数学基础2.1概率论与数理统计2.2线性代数2.3微积分2.4最优化方法3.机器学习3.1监督学习3.2无监督学习3.3强化学习3.4集成学习4.深度学习4.1神经网络基础4.2卷积神经网络（CNN）4.3循环神经网络（RNN）4.4对抗网络（GAN）5.自然语言处理5.15.2词向量表示5.3语法分析5.4机器翻译6.计算机视觉6.1图像处理基础6.2目标检测6.3图像识别6.4人脸识别7.1智能家居7.2智能交通7.3智能医疗7.4智能教育8.2数据安全与隐私保护四、课程安排1.课程周期：6个月2.课程形式：线上授课，每周2次，每次2小时3.实践环节：每节课后布置作业，课程结束后进行项目实践4.评估方式：平时作业占30%，项目实践占70%五、师资力量3.助教团队：协助讲师进行课程辅导、作业批改和技术支持六、课程证书七、报名与咨询2.报名方式：登录培训机构官方网站或公众号进行报名3.咨询方式：方式、、邮件等多种途径，详细咨询课程相关信息八、2.数学基础2.2线性代数：线性代数为处理和理解多维数据提供了工具，是深度学习等算法的理论基础。
2.3微积分：微积分在优化算法中有着重要的作用，对于理解机器学习中的梯度下降等概念至关重要。
3.机器学习3.1监督学习：监督学习是机器学习的一种主要形式，这部分将介绍监督学习的原理、算法和应用。
3.2无监督学习：无监督学习不依赖于标注数据，能够从数据中自动发现模式，这部分将介绍无监督学习的主要技术和应用。
3.3强化学习：强化学习是一种通过与环境交互来学习最优策略的方法，这部分将介绍强化学习的基本概念、算法和实际应用。
3.4集成学习：集成学习通过结合多个学习器来提高学习性能，这部分将介绍集成学习的方法和策略。
4.深度学习4.1神经网络基础：神经网络是深度学习的基石，这部分将介绍神经网络的基本结构和原理。
4.2卷积神经网络（CNN）：CNN在图像识别等领域有着广泛的应用，这部分将详细介绍CNN的原理和实现。
《人工智能基础》教学大纲
引言概述（ArtificialIntelligence，简称）是一门涉及计算机科学、机器学习和认知科学的学科，致力于使机器能够模拟人类智能的一系列技术和方法。
随着科技的不断发展和应用的推广，已经成为当今世界最热门的前沿领域之一。
为了满足对人才的需求和引导学生深入了解技术，特编制了本《基础》教学大纲。
正文内容一、概述1.1的定义和发展历程1.2的基本原理1.3的应用领域和前景二、智能代理与搜索算法2.1智能代理的概念和基本特点2.2搜索算法的分类和应用2.3与搜索算法的结合应用三、机器学习的基础理论3.1机器学习的定义和基本模型3.2监督学习和无监督学习的区别和应用3.3与机器学习的结合应用四、神经网络与深度学习4.1神经网络的基本原理和结构4.2深度学习的核心思想和常用模型4.3与深度学习的结合应用五、自然语言处理与语音识别5.1自然语言处理的基本概念和技术5.2语音识别的基本原理和方法5.3与自然语言处理、语音识别的结合应用总结通过本《基础》教学大纲，学生将能够全面了解的基本概念、发展历程、基本原理和应用领域。
同时，学生还将深入了解智能代理、搜索算法、机器学习、神经网络、深度学习、自然语言处理和语音识别等领域的相关知识和技术。
这些知识和技术不仅有助于学生理解的核心思想和方法，还能为学生未来的学习和研究提供有力的支持。
1.掌握的基础概念和基本原理；2.熟悉智能代理和搜索算法的基本思想和方法；3.理解机器学习的基本理论和应用；4.了解神经网络和深度学习的基本原理和模型；5.掌握自然语言处理和语音识别的基本技术和应用。
同时，本门课程将通过讲授理论知识和实践案例，鼓励学生进行实际操作和项目实践，以提高他们的问题解决能力和创新能力。
通过与教师和同学的互动交流，学生将有机会扩展他们的思维边界，并形成对的综合理解和深入认识。
本《基础》教学大纲将帮助学生建立起的基础知识和技能，为他们未来在领域的学习和研究奠定坚实的基础。
人工智能课程教学大纲
人工智能课程教学大纲课程名称：人工智能教学大纲课程目标：本课程旨在帮助学生了解人工智能的基本概念、原理和技术，并培养学生在人工智能领域的批判性思维和问题解决能力。
通过学习本课程，学生将能够理解人工智能的背景、应用和发展趋势，并能够独立设计和实现简单的人工智能系统。
课程内容：1. 人工智能概述- 人工智能的定义与应用领域- 人工智能的历史与发展- 人工智能与机器学习的关系2. 机器学习基础- 监督学习、无监督学习和强化学习的基本概念- 常用机器学习算法及其原理- 机器学习的评估方法和误差分析3. 深度学习- 神经网络的基本原理与结构- 卷积神经网络与循环神经网络的应用- 深度学习的训练与优化方法4. 自然语言处理- 语言的表示与处理方法- 文本分类、语义分析和机器翻译的基本原理- 自然语言生成与对话系统的应用5. 计算机视觉- 图像处理与特征提取- 目标检测、图像分类和图像生成的基本原理- 视觉感知与智能交互的应用6. 人工智能伦理与社会影响- 人工智能的道德与伦理问题- 人工智能在社会中的挑战与机遇- 人工智能的未来发展趋势课程教学方法：本课程采用讲授、案例分析和实践项目结合的教学方法。
通过理论讲解、实例分析和实践操作，帮助学生理解和应用人工智能的基本原理和技术。
学生将完成实践项目，设计和实现一个简单的人工智能系统，并对其性能进行评估和优化。
课程评估方式：- 平时作业和课堂表现：占总成绩的30%- 实践项目报告：占总成绩的40%- 期末考试：占总成绩的30%参考教材：- Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning [M]. MIT Press, 2016.- Sebastian Raschka, Vahid Mirjalili. Python Machine Learning [M]. Packt Publishing, 2017.- Dan Jurafsky, James H. Martin. Speech and Language Processing [M]. Pearson, 2019.备注：该人工智能课程教学大纲仅作参考，实际课程内容和安排可能会根据教师和学校要求进行调整。
(完整版)中国海洋大学计算机科学与技术导论课程大纲(理论课程)
中国海洋大学计算机科学与技术导论课程大纲（理论课程）英文名称Introduction to Computer Science and Technology【开课单位】信息学院【课程模块】学科基础教育层面【课程编号】【课程类别】必修【学时数】32 （理论32 实践）【学分数】 2一、课程描述本课程大纲根据2011年本科人才培养方案进行修订或制定。
（一）教学对象计算机科学与技术专业1年级（二）教学目标及修读要求1、教学目标通过本课程的学习，使学生了解和掌握计算机科学的内涵、知识体系、各领域的基本问题和研究方法，形成关于本学科的全局图景，使学习者从学科的高度以整体的观念去认识本专业各门课程，对本专业的学习起指导作用，从而树立正确的专业思想、把握今后学习的侧重点。
该课程内容重在了解，不要求深入研究和探讨相关问题。
经过本课程学习和严格训练后，学生应达到如下要求：(1) 掌握计算机软、硬件的基本知识；(2) 理解计算机学科的基本问题、学科的三种形态及其内在联系；(3) 掌握学科中的核心概念(4) 熟识学科中的数学方法和系统科学方法(5) 熟识学科相关的社会与职业问题2、修读要求（简要说明课程的性质，与其他专业课程群的关系，学生应具备的基本专业素质和技能等）“计算机科学与技术导论”是计算机科学与技术专业全程教学内容的引导课程，是计算机科学与技术专业完整知识体系的绪论，其内容广泛而浅显。
通过对计算机基本理论和基础知识的介绍，使学生掌握关于计算机的基本常识；通过讲述计算机科学的学科特点，知识组织结构和分类体系，各领域发展的基本规律和它们之间的内在联系，使学生建立起本专业学科知识体系的基本架构，了解主要课程在学科知识体系中的地位和作用。
同时，“计算机科学与技术导论”课程还将介绍专业的培养目标、课程体系、学科发展前景和最新科技动态等，以激励学生努力学习，积极创新，掌握计算机科学与技术专业的部分核心技能，引导学生进入计算机科学与技术领域的“大门”，为后续课程打下坚实的基础。
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)。
中国海洋大学人工智能课程大纲（理论课程）
英文名称（Artificial Intelligence）
【开课单位】信息学院【课程模块】专业知识
【课程编号】【课程类别】选修
【学时数】64 （理论48 实践16 ）【学分数】 3.5
一、课程描述
本课程大纲根据2011年本科人才培养方案进行修订或制定。
（一）计算机科学与技术专业第三学年春季学期
（二）教学目标及修读要求
1、教学目标
本课程讲解人工智能的一般性原理和基本方法，包括搜索策略、谓词逻辑归结、知识表示、不确定性推理、机器学习等，要求学生了解人工智能的研究范围和发展现状，能运用一般性原理和基本方法解决一些简单的人工智能问题。
修读要求
本课程是在学生掌握了高级程序设计语言、数据结构、离散数学、操作系统等基本理论和技能的基础上，进一步学习人工智能的主要原理、技术和方法。
要求学生具有一定的算法设计能力、编程能力和抽象思维能力。
先修课程（参照2011版人才培养方案中的课程名称，课程名称要准确）
高级程序设计语言、高级程序设计语言实验、数据结构、离散数学、操作系统
二、教学内容
（一）第０章绪论
1、主要内容：了解人工智能的内涵、发展史和研究范围。
2、教学要求：（按照掌握、理解、了解三个层次对学生学习提出要求）
要求学生理解人工智能的内涵及相关哲学问题、了解其发展史和研究范围。
3、重点、难点：无
4、其它教学环节：（如实验、习题课、讨论课、其它实践活动）：
（二）第一章搜索问题
1、主要内容：回溯策略、图搜索策略、无信息图搜索过程、启发式图搜索过程。
2、教学要求：掌握回溯策略的递归法实现、一般的图搜索过程、深度优先和宽度优先的图搜索过程，以及启发式图搜索A*算法；理解A*算法的启发式函数的下界约束和单调约束，理解A*算法的改进算法及其主要依据。
3、重点、难点：
重点：回溯策略、A*算法
难点：A*算法的启发式函数相关引理及定理的证明
其它教学环节：（如实验、习题课、讨论课、其它实践活动）：
综合性设计项目1：滑动积木块问题的启发式搜索算法及其实现。
（三）第二章与或图搜索问题
1、主要内容：与或图的搜索、与或图启发式搜索算法AO*、博弈树的搜索
2、教学要求：了解与或图搜索问题，掌握与或图的启发式搜索算法AO*，掌握博弈树的极大极小和α-β搜索过程。
3、重点、难点：博弈树的极大极小和α-β搜索过程
4、其它教学环节：（如实验、习题课、讨论课、其它实践活动）：综合性设计项目2
利用博弈树的极大极小和α-β搜索过程，设计并实现二打一棋类游戏的下棋机器人。
（四）第三章谓词逻辑和归结原理
1、主要内容：命题逻辑、谓词逻辑基础、谓词逻辑归结原理、Herbrand定理。
2、教学要求：掌握命题和谓词逻辑的基础知识，掌握谓词逻辑的归结原理，理解herbrand 定理。
3、重点、难点：
重点：命题逻辑和谓词逻辑的基础知识、谓词逻辑的归结原理；
难点：谓词逻辑的归结原理。
4、其它教学环节：（如实验、习题课、讨论课、其它实践活动）：
（五）第四章知识表示
1、主要内容：概述、产生式表示、语义网络表示、框架表示
2、教学要求：掌握知识的产生式、语义网络、框架等表示方法及推理方法。
3、重点、难点：语义网络基本原理、知识表示和推理方法。
4、其它教学环节：（如实验、习题课、讨论课、其它实践活动）
（六）第五章不确定性推理方法
1、主要内容：概述、概率论基础、贝叶斯网络、主观贝叶斯方法、确定性方法、
证据理论。
教学要求：了解不确定推理的基本概念和基本问题，掌握贝叶斯网络和主观贝叶斯方法，掌握确定性方法，理解证据理论。
3、重点、难点：贝叶斯网络和主观贝叶斯方法、确定性方法
4、其它教学环节：（如实验、习题课、讨论课、其它实践活动）
（七）第六章机器学习
1、主要内容：概述、机器学习的基本系统结构、实例学习、解释学习、决策树学习、
神经网络学习
2、教学要求：了解机器学习的基本思想和若干方法，包括基于实例的学习、基于解释的学习、决策树学习、人工神经网络学习等。
掌握决策树学习中决策树的构建算法，理解人工神经网络学习的基本原理和主要方法。
3、重点、难点：决策树学习中决策树的构建算法。
4、其它教学环节：（如实验、习题课、讨论课、其它实践活动）
三、教学环节及学时分配
本课程总学时64 学时（如有实践环节根据课程的实际情况填写，如实验、上机、案例讨论和角色扮演等），其学时分配见下表。
面向对象的程序设计课程教学学时分配表
教学内容总学时课堂教学学时课外辅导/
课外实践
学时
备注理论讲授实践环节
第０章绪论 2 2
第一章搜索问题8 8 8 第二章与或图搜索问题8 8 8 第三章谓词逻辑和归结原理 6 6
第四章知识表示 6 6
第五章不确定性推理方法10 10
第六章机器学习8 8
合计48 48 16
四、考核方式及评价体系（考核方式及成绩评价体系由老师根据课程自己设定）
1、考核方式：（1）学生分组讲解课程内容，提交项目设计报告、程序及其运行结果
2、评价体系：课程考核成绩由平时成绩和期末考试成绩构成，平时成绩根据出勤、课堂讨论、课后作业、期中检查等评定，所占比重一般不超过50%。
考核各部分的比重由老师结合课程内容给定：平时成绩：40 %期末考试：60 %
五、选用教材及必读参考书（注明作者、出版社、出版时间及版次）
1、选用教材
《人工智能》，马少平、朱小燕编著，清华大学出版社，2004年8月第1版
主要参考书
1. S. J. Russell, P. Norvig, 人工智能一种现代的方法（Artificial Intelligence A Modern Approach）, 清华大学出版社
六、近两年开设情况
开设次数：2
教师2011年
人数
2011年
及格率
2011年
优秀率
2012年
人数
2012年
及格率
2012年
优秀率
徐建良10 100% 20% 54 100% 17%。