《人工智能导论》课程教学大纲一、课程名称：人工智能二、课程性质：必修三、学时与学分：24学时，2学分四、课程先导课：离散数学、概率论与数理统计、算法分析与设计、数据结构、高级程序设计语言五、课程介绍人工智能是高校新工科建设的重点学科，其培养的学生不仅应具备极高的科学素养和极强的创新创业能力，更要明确建设科技强国的神圣使命。作为计算机科学的一个重要分支，人工智能是一门理论基础完善、多学科交叉且应用领域广阔的前沿学科，主要研究如何利用计算机模拟、延伸和扩展人类的智能活动，即通过研究如何使计算机更聪明、能运用知识处理问题、可模拟人类的智能行为，进而揭示人类智能的根本机理。其主要任务是建立或运用智能信息处理理论，设计并实现可展现某些近似于人类智能行为的计算机系统。课程主要讲授人工智能研究中的经典理论和方法，通过课程学习，使学生能较全面、深入地掌握人工智能的基本概念、基本方法、主要功能及其实现技术，了解人工智能方法在多媒体分析、计算机视觉、机器学习等方面的发展前沿，培养和增强学生对人工智能这一学科的兴趣、逻辑思维与实践能力，为今后进一步在相关领域，拓展高水平的人工智能技术及应用奠定基础。六、课程目标课程定位于本科层次，针对人工智能的基础知识、基本技能及一般应用，通过各项教学活动的实施，达到如下目标：目标1：培养学生的科技创新能力，明确科技报国、科技兴国的神圣使命。为毕业要求1提供支持。目标2：掌握人工智能的基本概念与理论，培养学生利用人工智能方法、运用技能解决本专业及相关领域实际问题的能力。为毕业要求2、3、4提供支持。目标3：能够实现一些常用的人工智能模型及相关算法，如图模型、人工神经网络模型、遗传算法等，逐步培养学生对这些模型和相关算法的理解能力。为毕业要求3、4、5提供支持。目标4：围绕当前人工智能的热点现象或问题，通过课外资料查找、课内教学，培养学生能运用所学知识，分析和理解其中的人工智能技术。为毕业要求6、7提供支持。1
1 《人工智能导论》课程教学大纲 一、课程名称：人工智能 二、课程性质：必修 三、学时与学分：24 学时，2 学分 四、课程先导课：离散数学、概率论与数理统计、算法分析与设计、数据结构、高级程 序设计语言 五、课程介绍 人工智能是高校新工科建设的重点学科，其培养的学生不仅应具备极高的科学素养 和极强的创新创业能力，更要明确建设科技强国的神圣使命。 作为计算机科学的一个重要分支，人工智能是一门理论基础完善、多学科交叉且应 用领域广阔的前沿学科，主要研究如何利用计算机模拟、延伸和扩展人类的智能活动， 即通过研究如何使计算机更聪明、能运用知识处理问题、可模拟人类的智能行为，进而 揭示人类智能的根本机理。其主要任务是建立或运用智能信息处理理论，设计并实现可 展现某些近似于人类智能行为的计算机系统。课程主要讲授人工智能研究中的经典理论 和方法，通过课程学习，使学生能较全面、深入地掌握人工智能的基本概念、基本方法、 主要功能及其实现技术，了解人工智能方法在多媒体分析、计算机视觉、机器学习等方 面的发展前沿，培养和增强学生对人工智能这一学科的兴趣、逻辑思维与实践能力，为 今后进一步在相关领域，拓展高水平的人工智能技术及应用奠定基础。 六、课程目标 课程定位于本科层次，针对人工智能的基础知识、基本技能及一般应用，通过各项 教学活动的实施，达到如下目标： 目标 1：培养学生的科技创新能力，明确科技报国、科技兴国的神圣使命。为毕业要 求 1 提供支持。 目标 2：掌握人工智能的基本概念与理论，培养学生利用人工智能方法、运用技能解 决本专业及相关领域实际问题的能力。为毕业要求 2、3、4 提供支持。 目标 3：能够实现一些常用的人工智能模型及相关算法，如图模型、人工神经网络模 型、遗传算法等，逐步培养学生对这些模型和相关算法的理解能力。为毕业要求 3、4、5 提供支持。 目标 4：围绕当前人工智能的热点现象或问题，通过课外资料查找、课内教学，培养 学生能运用所学知识，分析和理解其中的人工智能技术。为毕业要求 6、7 提供支持
目标5：课内讨论环节分小组进行，每个小组设立一个组长，负责组织本小组成员的分工及合作，培养学生的口头及书面表达能力、组织管理能力、团队协作能力。为毕业要求8、9提供支持。目标6：通过课程学习，在具有初步积累的基础上，针对相关前沿方向开着研究，培养学生的自主学习能力。为毕业要求10提供支持。七、课程目标对毕业要求的支撑关系支撑的毕业要求二级指标点课程目标目标1-21.1能将数学、自然科学和信息科学的语言工具用于计算机复杂工程问题的表述。目标1-21.2能针对计算机复杂工程问题的具体对象进行建模和求解。12.1能认识到计算机技术日新月异的发展特点，认同自主学习和终身学习目标3的必要性12.2具备自主学习能力，能通过多种途径拓展自己的知识和能力，包括理目标4解能力，归纳总结的能力和提出问题的能力等八、教学设计及对课程目标的支持第1章概述1、教学内容：了解人工智能的含义，人工智能的发展和应用研究领域；理解人工智能的内涵。(1)、人工智能的概念、学科与发展、研究及应用领域。(2)、人工智能的研究途径与方法。(3)、人工智能的基本技术，以及现阶段的前沿技术。本章支持课程目标1和目标2。2、教学重点：人工智能的基本概念，主要研究领域及其前沿技术。3、教学难点：理解人工智能概念，三个主流学派及其内涵。4、教学环节设计：通过介绍实际应用案例，初步了解人工智能的基本理论与方法，培养学生运用人工智能方法、技能解决本专业及相关领域实际问题的认识和能力。第2章知识表示1、教学内容：了解与掌握知识表示的有关方法(1)、状态空间(2)、问题规约(3)、产生式系统2
2 目标 5：课内讨论环节分小组进行，每个小组设立一个组长，负责组织本小组成员的 分工及合作，培养学生的口头及书面表达能力、组织管理能力、团队协作能力。为毕业 要求 8、9 提供支持。 目标 6：通过课程学习，在具有初步积累的基础上，针对相关前沿方向开着研究，培 养学生的自主学习能力。为毕业要求 10 提供支持。 七、课程目标对毕业要求的支撑关系 支撑的毕业要求二级指标点 课程目标 1.1 能将数学、自然科学和信息科学的语言工具用于计算机复杂工程问题 的表述。 目标 1-2 1.2 能针对计算机复杂工程问题的具体对象进行建模和求解。 目标 1-2 12.1 能认识到计算机技术日新月异的发展特点，认同自主学习和终身学习 的必要性 目标 3 12.2 具备自主学习能力，能通过多种途径拓展自己的知识和能力，包括理 解能力，归纳总结的能力和提出问题的能力等 目标 4 八、教学设计及对课程目标的支持 第 1 章 概述 1、教学内容：了解人工智能的含义，人工智能的发展和应用研究领域；理解人工智能的 内涵。 ⑴、人工智能的概念、学科与发展、研究及应用领域。 ⑵、人工智能的研究途径与方法。 ⑶、人工智能的基本技术，以及现阶段的前沿技术。 本章支持课程目标 1 和目标 2。 2、教学重点：人工智能的基本概念，主要研究领域及其前沿技术。 3、教学难点：理解人工智能概念，三个主流学派及其内涵。 4、教学环节设计：通过介绍实际应用案例，初步了解人工智能的基本理论与方法，培养 学生运用人工智能方法、技能解决本专业及相关领域实际问题的认识 和能力。 第 2 章 知识表示 1、教学内容：了解与掌握知识表示的有关方法 ⑴、状态空间 ⑵、问题规约 ⑶、产生式系统
(4)、谓词逻辑(5)、语义网络(6)、知识图谱2、教学重点：主要知识表示方法介绍，并对后续章节涉及的表示方法作重点讲解。3、教学难点：一阶谓词逻辑、产生式系统、语义网络、知识图谱。4、教学环节设计：通过几种主要知识表示方法的讲解，初步建立起相关数学与逻辑思维，引入大数据分析与设计方法。第3章确定性推理1、教学内容：了解并掌握推理的基本概念及归结、演绎等确定性推理方法。(1)、推理的基本概念(2)、推理的逻辑基础(3)、自然演绎推理(4)、归结演绎推理(5)、基于规则的演绎推理(6)、规则演绎推理的剪枝策略2、教学重点：推理的基本概念及归结、演绎等确定性推理方法。3、教学难点：推理的逻辑基础、冲突消解策略、归结演绎推理。4、教学环节设计：通过实际案例，展示推理方法在有关智能系统的应用。第4章不确定与非单调推理1、教学内容：讲解不确定性的概念、性质和意义；不确定性知识的表示方法；模糊集合和模糊逻辑，以及模糊推理的基本方法：理解确定性理论并熟悉可信度计算的基本方法；掌握证据理论的基本概念，以及基于证据理论的不确定性推理方法等。(1)、不确定性推理的基本概念(2)、不确定性推理的概率论基础(3)、主观Bayes方法(4)、可信度方法与证据理论(5)、模糊逻辑与模糊推理方法2、教学重点：主观Bayes方法、C-F模型、模糊推理3、教学难点：涉及到概率论、模糊数学有关知识3
3 ⑷、谓词逻辑 ⑸、语义网络 ⑹、知识图谱 2、教学重点：主要知识表示方法介绍，并对后续章节涉及的表示方法作重点讲解。 3、教学难点：一阶谓词逻辑、产生式系统、语义网络、知识图谱。 4、教学环节设计：通过几种主要知识表示方法的讲解，初步建立起相关数学与逻辑思维， 引入大数据分析与设计方法。 第 3 章 确定性推理 1、教学内容：了解并掌握推理的基本概念及归结、演绎等确定性推理方法。 ⑴、推理的基本概念 ⑵、推理的逻辑基础 ⑶、自然演绎推理 ⑷、归结演绎推理 ⑸、基于规则的演绎推理 ⑹、规则演绎推理的剪枝策略 2、教学重点：推理的基本概念及归结、演绎等确定性推理方法。 3、教学难点：推理的逻辑基础、冲突消解策略、归结演绎推理。 4、教学环节设计：通过实际案例，展示推理方法在有关智能系统的应用。 第 4 章 不确定与非单调推理 1、教学内容：讲解不确定性的概念、性质和意义；不确定性知识的表示方法；模糊集合 和模糊逻辑，以及模糊推理的基本方法；理解确定性理论并熟悉可信度计 算的基本方法；掌握证据理论的基本概念，以及基于证据理论的不确定性 推理方法等。 ⑴、不确定性推理的基本概念 ⑵、不确定性推理的概率论基础 ⑶、主观 Bayes 方法 ⑷、可信度方法与证据理论 ⑸、模糊逻辑与模糊推理方法 2、教学重点：主观 Bayes 方法、C-F 模型、模糊推理 3、教学难点：涉及到概率论、模糊数学有关知识
4、教学环节设计：通过案例教学，说明实际应用中的智能系统大多是以不确定性推理为基础，在制造业领域具有的意义，同时引出机器学习相关方法。第5章图搜索和问题求解1、教学内容：基本状态图、加权状态图的搜索方法；广度优先搜索、深度优先搜索、启发式搜索的原理；运用图搜索方法求解走迷宫、八数码等经典人工智能问题；了解与或图、博奔树和α-β剪枝技术。(1)、搜索的基本概念(2)、状态空间的盲目搜索与启发式搜索(3)、与/或图的盲目搜索与启发式搜索(4)、博奔树的启发式搜索(5)、极大极小算法、α-β剪枝算法2、教学重点：状态图搜索的基本概念；理解盲目搜索、启发式搜索的原理；启发式搜索与其它搜索方法的关系。3、教学难点：状态图搜索中Open表和Closed表的结构与实现；4、教学环节设计：通过井字棋游戏实例，将搜索策略、博奔树及剪枝方法进行融合。第6章计算智能1、教学内容：介绍计算智能的基本理论、方法、技术等基础知识，掌握主要算法的机理求解步骤。(1)、遗传算法的基本机理和求解步骤(2)、进化策略的算法模型(3)、进化策略和遗传算法的区别(4)、进化编程的机理、表示和算法步骤(5)、群智能2、教学重点：遗传算法的基本机理和求解步骤；进化策略的算法模型及求解步骤；蚁群算法。3、教学难点：遗传算法的交叉和变异机制；进化编程的表示；蚁群算法的实现过程。4、教学环节设计：通过求函数极值和旅行商问题的实例教学，初步掌握典型算法的求解步骤与实现过程。第7章机器学习1、教学内容：介绍机器学习的基本概念、常用算法和理论，使学生通过理论学习掌握相4
4 4、教学环节设计：通过案例教学，说明实际应用中的智能系统大多是以不确定性推理为 基础，在制造业领域具有的意义，同时引出机器学习相关方法。 第 5 章 图搜索和问题求解 1、教学内容：基本状态图、加权状态图的搜索方法；广度优先搜索、深度优先搜索、启 发式搜索的原理；运用图搜索方法求解走迷宫、八数码等经典人工智能问 题；了解与或图、博弈树和α-β剪枝技术。 ⑴、搜索的基本概念 ⑵、状态空间的盲目搜索与启发式搜索 ⑶、与/或图的盲目搜索与启发式搜索 ⑷、博弈树的启发式搜索 ⑸、极大极小算法、α-β剪枝算法 2、教学重点：状态图搜索的基本概念；理解盲目搜索、启发式搜索的原理；启发式搜索 与其它搜索方法的关系。 3、教学难点：状态图搜索中 Open 表和 Closed 表的结构与实现； 4、教学环节设计：通过井字棋游戏实例，将搜索策略、博弈树及剪枝方法进行融合。 第 6 章 计算智能 1、教学内容：介绍计算智能的基本理论、方法、技术等基础知识，掌握主要算法的机理 求解步骤。 ⑴、遗传算法的基本机理和求解步骤 ⑵、进化策略的算法模型 ⑶、进化策略和遗传算法的区别 ⑷、进化编程的机理、表示和算法步骤 ⑸、群智能 2、教学重点：遗传算法的基本机理和求解步骤；进化策略的算法模型及求解步骤；蚁群 算法。 3、教学难点：遗传算法的交叉和变异机制；进化编程的表示；蚁群算法的实现过程。 4、教学环节设计：通过求函数极值和旅行商问题的实例教学，初步掌握典型算法的求解 步骤与实现过程。 第 7 章 机器学习 1、教学内容：介绍机器学习的基本概念、常用算法和理论，使学生通过理论学习掌握相
关方法，了解当前最新发展，初步形成解决实际问题的能力。(1)、机器学习的基本概念(2)、机器学习的分类(3)、机器学习系统的基本结构（4）、机器学习常用算法的原理、过程及其应用2、教学重点：机器学习的基本概念，机器学习系统的基本结构；机器学习算法的分类常用的机器学习算法。3、教学难点：机器学习系统的结构；实现聚类、回归、分类等常用算法的原理及应用。4、教学环节设计：结合具体应用实例，理解相关算法原理并能具体应用。第8章人工神经网络1、教学内容：人工神经网络的基本概念、基本形态：感知器模型、BP、Hopfield等神经网络的基本原理、组成及特点；BP算法；神经网络的应用。(1)、人工神经网络概述(2)、人工神经网络的结构及其学习机理(3)、人工神经网络的知识表示与推理(4)、感知器模型(5)、误差反向传播网络(6)、Hopfield网络2、教学重点：人工神经网络的分类及结构：BP网络、Hopfield网络的工作原理。3、教学难点：感知器模型、BP算法4、教学环节设计：通过实例，结合感知器模型结构和原理，体会感知器模型的用途。第9章深度学习1、教学内容：介绍深度学习的基本原理、常用算法，并在此基础上应用于机器视觉、自然语言处理等相关领域，培养学生分析和解决实际问题的能力。(1)、卷积神经网络设计与训练(2)、循环神经网络设计与网络(3)、生成对抗网络(4)、AlphaGo的设计思路2、教学重点：深度学习的基本和原理、卷积神经网络、循环神经网络、生成对抗网络。3、教学难点：卷积神经网络设计与训练、循环神经网络设计、深度学习主要框架。4、教学环节设计：通过井字棋游戏与AlphaGo的关联教学，使同学既能从传统人工智能5
5 关方法，了解当前最新发展，初步形成解决实际问题的能力。 ⑴、机器学习的基本概念 ⑵、机器学习的分类 ⑶、机器学习系统的基本结构 ⑷、机器学习常用算法的原理、过程及其应用 2、教学重点：机器学习的基本概念，机器学习系统的基本结构；机器学习算法的分类； 常用的机器学习算法。 3、教学难点：机器学习系统的结构；实现聚类、回归、分类等常用算法的原理及应用。 4、教学环节设计：结合具体应用实例，理解相关算法原理并能具体应用。 第 8 章 人工神经网络 1、教学内容：人工神经网络的基本概念、基本形态；感知器模型、BP、Hopfield 等神经 网络的基本原理、组成及特点；BP 算法；神经网络的应用。 ⑴、人工神经网络概述 ⑵、人工神经网络的结构及其学习机理 ⑶、人工神经网络的知识表示与推理 ⑷、感知器模型 ⑸、误差反向传播网络 ⑹、Hopfield 网络 2、教学重点：人工神经网络的分类及结构；BP 网络、Hopfield 网络的工作原理。 3、教学难点：感知器模型、BP 算法 4、教学环节设计：通过实例，结合感知器模型结构和原理，体会感知器模型的用途。 第 9 章 深度学习 1、教学内容：介绍深度学习的基本原理、常用算法，并在此基础上应用于机器视觉、自 然语言处理等相关领域，培养学生分析和解决实际问题的能力。 ⑴、卷积神经网络设计与训练 ⑵、循环神经网络设计与网络 ⑶、生成对抗网络 ⑷、AlphaGo 的设计思路 2、教学重点：深度学习的基本和原理、卷积神经网络、循环神经网络、生成对抗网络。 3、教学难点：卷积神经网络设计与训练、循环神经网络设计、深度学习主要框架。 4、教学环节设计：通过井字棋游戏与 AlphaGo 的关联教学，使同学既能从传统人工智能