课程目标2：数据处理及数据可视化。 课程目标3：系统掌握各种机器学习算法、智能推理模型及应用场景，以及算法优化与评估方 法。 课程目标4：了解人工智能的未来发展方向，培养主动创新的意识和能力，针对A1时代的伦 理道德和科技伦理问顾培养批判性思维，始终保留和追求人性中的卓善美的意识。 (三)课程目标和毕业要求的对应关系 课程目标 毕业要求指标点 毕业要求 的管学总技术及度务知用于息系纹及信息管中的杂园 专业知识 22能运用信息技术包括大数据和人工智能的理论、方法和工具，根据用户需 求设计信息系统解决方案 问趣分析 ,通过文献研究或相关方法，调研和分析信息系统领城 。研究 4 6-】有正确价值观，理解个人与社会的关系，了解中国国情 6.职业规范 三、 教学内容、要求与学时分配 教学内容 预期学习成果 重点、难点 第机学习的基种 买解程对象、矩库 掌握ML的数学基础 境搭建、数据处理与 的数里及可视化 可视化 学脚 12,4 思政融入 北素养的培养及 解并熟悉数据处理和 数据可视 第二章中文文本分类 文本与这本分类概念 高李起和文本分类的 )牙突法朴素贝叶断 4 1,2,3 (4)KNN 第三章决策树 重点：决策树思标 掌决策树木思想 3算法下的决策病 法、C4.5 123 (3)C45算法 法和回归树 贤名 (4)Seikit-lcam与回归树 基于Scikit-leam实现 难点：剪枝策略及实现 第四章推荐系统原理 了解并理解推荐系统匠 重点：推荐系统勇 、协同过滤算注 (2)协同过滤算法 掌握协同过滤算法 的 4 贤8 1.2.3 4) (5)SVD算法详解 K SVD算法详解 16:
·16· 课程目标 2：数据处理及数据可视化。 课程目标 3：系统掌握各种机器学习算法、智能推理模型及应用场景，以及算法优化与评估方 法。 课程目标 4：了解人工智能的未来发展方向，培养主动创新的意识和能力，针对 AI 时代的伦 理道德和科技伦理问题培养批判性思维，始终保留和追求人性中的真善美的意识。 (三) 课程目标和毕业要求的对应关系 课程目标 毕业要求指标点 毕业要求 1 1-1 能将管理学、信息技术及商务知识用于信息系统及信息管理中的复杂问题 的表述 1．专业知识 2 2-2 能运用信息技术包括大数据和人工智能的理论、方法和工具，根据用户需 求设计信息系统解决方案 2．问题分析 3 4-1 能够基于科学原理，通过文献研究或相关方法，调研和分析信息系统领域 复杂问题的解决方案 4．研究 4 6-1 有正确价值观，理解个人与社会的关系，了解中国国情 6．职业规范 三、教学内容、要求与学时分配 教学内容 预期学习成果 重点、难点 学时 教学方式（讲授、 实验、上机、讨论） 支撑课 程目标 第一章 机器学习的基础 （1）AI 基本概念及三大流派 （2）编程环境与开发环境搭建 （3）ML 的数学基础 （4）数据处理及可视化 思政融入点：专业素养的培养及 对待强 AI 的态度 了解并掌握对象、矩阵、 矢量化编程 掌握 ML 的数学基础 熟悉和掌握不同 OS 下 的编程环境 了解并熟悉数据处理和 数据可视化 重点：AI 基本概念 及 ML 基础、编程环 境搭建、数据处理与 可视化 难点：ML 基础及数 据处理 6 讲授（5 学时） 上机（1 学时） 1,2,4 第二章 中文文本分类 （1）文本挖掘与文本分类概念 （2）文本分类项目 （3）分类算法：朴素贝叶斯 （4）KNN 文本挖掘和文本分类的 概念 文本预处理及中文分词 Naïve Bayes KNN 重点：文本挖掘与分 类的概念、朴素贝叶 斯、KNN 难点：朴素贝叶斯、 KNN 算法 4 讲授（3 学时） 上机（1 学时） 1,2,3 第三章 决策树 （1）决策树基本思想 （2）ID3 决策树 （3）C4.5 算法 （4）Scikit-Learn 与回归树 掌握决策树基本思想 掌握 ID3 算法、C4.5 算 法和回归树 基于 Scikit-learn 实现 重点：决策树思想、 ID3 算法下的决策树 训练、持久化、算法 评估、回归树 难点：剪枝策略及实现 4 讲授（2 学时） 上机（2 学时） 1,2,3 第四章 推荐系统原理 （1）概述 （2）协同过滤算法 （3）KMeans 算法 （4）聚类的改进 （5）SVD 算法详解 了解并理解推荐系统原 理 掌握协同过滤算法 掌握 KMeans 算法 熟悉并掌握改进的二分 KMeans 算法 SVD 算法详解 重点：推荐系统原 理、协同过滤算法、 KMeans 算法、改进 的 KMeans、SVD 算 法 难点：各类算法实现 与评估 4 讲授（2 学时） 上机（2 学时） 1,2,3
散学内容 预期学习成采 重点、难点 学对英美方注话整嘉操 五章 热悉最优化理论及其数 下降法 算法分度下降法 律操Logistic梯度下 3 性 12,3 (4)随机梯度下降法（算法政 掌握算法分析方法 进与评估) 熟悉算法改进与评估 :算法的改进与 第六章神经网络初步 丫解神经网络简史 重点：BP神经网纯 P神经网络理论 3 贤只 12.3 m机算法 解Boltmann机算法 熟悉并掌最小二柔法 重点：线性系统的丑 预测 解RBF网 讲授(2学时) 3 解岭回归及其算法讯 上机(1学时) 1,23.4 一而法下 预测的哲学 解测的哲学 实现 SWM中文文本 3 3)SMO算法 分类 授仔 12,3 (4)SVM中文文本分类 掌握SVM中文文本分 解模式识别的基木原 第九章ML中的人脸识别 论、0 作C原 st 贤侣 123 1算法概述 “解并熟悉AdaBoost第 占 人脸识别的代码实现 第十学习 解认知计算理论 重点：多层感知器 (2)多层感知器 数据集利 掌指多层感知器 N的训练过程 4 ( 概日 12,3 no安转与GPU运 生现支持GPU运算 难点：CNN 重点：马尔科夫过 一 概率图模型与词性 、状态目 马尔科夫过程 解概图型和贝叶 随马尔科夫模型、词 断隐马尔科夫模型 性标注系统 2 性提日 12,3 (3)隐马尔科夫模型 (4)词性标注系统 (解词性标注系统 的算法 17
·17· 教学内容 预期学习成果 重点、难点 学时 教学方式（讲授、 实验、上机、讨论） 支撑课 程目标 第五章 梯度寻优 （1）最优化与计算复杂性 （2）Logistic 梯度下降法 （3）算法分析 （4）随机梯度下降法（算法改 进与评估） 熟悉最优化理论及其数 学描述 掌握 Logistic 梯度下降 法 掌握算法分析方法 熟悉算法改进与评估 重点：最优化与计算 复 杂 性 理 论 、 Logistic 梯度下降法 （线性分类器）、算 法评价 难点：算法的改进与 评估 3 讲授（2 学时） 上机（1 学时） 1,2,3 第六章 神经网络初步 （1）概述 （2）BP 神经网络理论 （3）BP 实现与评估 （4）SOM 网络框架 （5）Boltzmann 机算法 了解神经网络简史 掌握 BP 网络理论 实现 BP 网络并评估 了解 SOM 网络框架及 SOM 类 了解 Boltzmann 机算法 重点：BP 神经网络 理论、BP 的设计及 实现和评估 难点：BP 的设计、 实现与评估 3 讲授（2 学时） 上机（1 学时） 1,2,3 第七章 预测技术 （1）线性系统的预测 （2）径向基网络 （3）岭回归 （4）预测的哲学 熟悉并掌握最小二乘法 及代码实现 了解 RBF 网络 了解岭回归及其算法评 估 了解预测的哲学 重点：线性系统的预 测、最小二乘法、算 法评估 难点：最小二乘法及 正规方程组的代码 实现 3 讲授（2 学时） 上机（1 学时） 1,2,3,4 第八章 支持向量机（SVM） （1）SVM 的理论基础 （2）数学推导 （3）SMO 算法 （4）SVM 中文文本分类 熟悉 SVM 的理论基础 了解 SVM 的数学推导 了解分类器函数 SMO 算法求解 SVM，及 数据训练和分类评估 掌握 SVM 中文文本分 类 重点：SVM 理论、 数学推导、SMO 算 法、SVM 中文文本 分类 难点：SMO 算法、 SVM 中文文本分类 3 讲授（2 学时） 上机（1 学时） 1,2,3 第九章 ML 中的人脸识别 （1）模式识别概述 （2）人脸检测 （3）AdaBoost 算法概述 （4）人脸识别 了解模式识别的基本原 理 了解人脸检测的原理及 Haar 级联检测 了解并熟悉 AdaBoost 算 法 人脸识别的代码实现 重点：模式识别理 论、OpenCV 的基本 操作、AdaBoost 算 法、PCA 原理 难点：AdaBoost 算 法、PCA 4 讲授（2 学时） 上机（2 学时） 1,2,3 第十章 深度学习 （1）认知计算 （2）多层感知器 （3）CNN （4）Theano 安装与 GPU 运算 了解认知计算理论 熟悉 MNIST 数据集和 Softmax 回归类 掌握多层感知器 掌握 CNN 原理 实现支持 GPU 运算 重点：多层感知器、 CNN 理 论 基 础 、 CNN 的训练过程 难点：CNN 4 讲授（3 学时） 上机（1 学时） 1,2,3 第十一章 概率图模型与词性 标注 （1）马尔科夫过程 （2）概率图模型与贝叶斯网 （3）隐马尔科夫模型 （4）词性标注系统 了解马尔科夫过程 了解概率图模型和贝叶 斯网 了解隐马尔科夫模型 了解词性标注系统 重点：马尔科夫过 程、状态图、概率图 模型、贝叶斯网络、 隐马尔科夫模型、词 性标注系统 难点：贝叶斯网络、 隐马尔科夫模型中 的算法 2 讲授（1 学时） 上机（1 学时） 1,2,3
四、课程考核评价方式 (一〉考核方式 考核方式为期末闭卷笔试。 考试课程成绩由期末成绩和平时成绩构成。 (仁)课程成绩 (1)平时成绩占比50% (2)期末考试占比50% 1.考核环节及说明 成续构成 考核说明 (1)平时成绩满分为100分，占总成绩的50% 平时成绩 译分标曲教师的。由作业、测、实、误堂表现等部分枸成，各部分古比及 (1)考试方式及占比：采用闭卷笔试，考试成绩100分，占课程考核成绩的50%。 期末考试 (2)评定 答案和 (4)考试内容：针对期来考试对应的课程目标。 计算题和设计题 的答题、 2.考核与评价方式 成绩比例（平时成绩50%+期末成绩50%） 课程目标 平时成绩(50%) 合计 期末成绩(50%) 实验(30%) 课堂表现(20%) 5% 5% 10% 20% 2 5% 5% 15% 25% 3 20% 5% 20% 45% 0 5% 5% 10% 合计（成绩构成） 30% 20% 509% 100% 五、教学方法 课程教学紧扣“课堂讲授、课堂讨论、上机实践、考核”等教学要素，灵活采用传统讲授方式、 电子教案、泛雅在线教学平台等多种现代数字教学方法与手段开展教学。 课程采用的教学媒体主要有：文字教材、课件、人工智能编程软件等。对学生的辅导，主要采 用教学演示、上机指导、微信群线上答疑、学习通等形式。 六、参考材料 资源或平台名：泛雅在线教学平台 参考教材 1.郑捷，《机器学习算法原理与编程实践》，电子工业出版社，2015年11月、第1版 18
·18· 四、课程考核评价方式 (一) 考核方式 考核方式为期末闭卷笔试。 考试课程成绩由期末成绩和平时成绩构成。 (二) 课程成绩 (1) 平时成绩占比 50% (2) 期末考试占比 50% 1． 考核环节及说明 成绩构成 考核说明 平时成绩 （1）平时成绩满分为 100 分，占总成绩的 50% （2）针对平时成绩对应的课程目标，由作业、测验、实验、课堂表现等部分构成，各部分占比及 评分标准由教师根据实际情况决定。 期末考试 （1）考试方式及占比：采用闭卷笔试，考试成绩 100 分，占课程考核成绩的 50%。 （2）评定依据：考试成绩的评定根据试卷参考答案和评分标准进行。 （3）考试题型：包含单项选择题、多项选择题、填空题、简答题、计算题和设计题。 （4）考试内容：针对期末考试对应的课程目标。 2． 考核与评价方式 课程目标 成绩比例（平时成绩50%+期末成绩50%） 平时成绩（50%） 合计 期末成绩（50%） 实验（30%） 课堂表现（20%） 1 5% 5% 10% 20% 2 5% 5% 15% 25% 3 20% 5% 20% 45% 4 0 5% 5% 10% 合计（成绩构成） 30% 20% 50% 100% 五、教学方法 课程教学紧扣“课堂讲授、课堂讨论、上机实践、考核”等教学要素，灵活采用传统讲授方式、 电子教案、泛雅在线教学平台等多种现代数字教学方法与手段开展教学。 课程采用的教学媒体主要有：文字教材、课件、人工智能编程软件等。对学生的辅导，主要采 用教学演示、上机指导、微信群线上答疑、学习通等形式。 六、参考材料 资源或平台名：泛雅在线教学平台 参考教材 1． 郑捷，《机器学习算法原理与编程实践》，电子工业出版社，2015 年 11 月、第 1 版
2.Christoph Molnar,.《Interpretable Machine Learning》,Leanpub,2019年2月、第1版 3.Ajay Thampi,《Interpretable Al》,Manning,2022年5月、第1版 阅读书目 1.李德毅，《人工智能导论》，中国科学技术出版社，2018年8月、第1版 2.廉师友，《人工智能技术导论》，西安电子科技大学出版社，2007年5月、第3版 3.吴军，《智能时代大数据与智能革命重新定义未来》，中信出版社，2016年9月、第1版 4.张惠楚，《人工智能实践一动手做你自己的A》,上海科技教有出版社，2019年8月、第1 主罪人：叶爱兵 审核人：彭高翔 英文校对：彭高翔 教学副院长：王娜 日 期：2022年9月 19
·19· 2． Christoph Molnar, 《Interpretable Machine Learning》，Leanpub，2019 年 2 月、第 1 版 3． Ajay Thampi，《Interpretable AI》，Manning，2022 年 5 月、第 1 版 阅读书目 1． 李德毅，《人工智能导论》，中国科学技术出版社，2018 年 8 月、第 1 版 2． 廉师友，《人工智能技术导论》，西安电子科技大学出版社，2007 年 5 月、第 3 版 3． 吴军，《智能时代-大数据与智能革命重新定义未来》，中信出版社，2016 年 9 月、第 1 版 4． 张惠楚，《人工智能实践—动手做你自己的 AI》，上海科技教育出版社，2019 年 8 月、第 1 版 主 撰 人：叶爱兵 审 核 人：彭高翔 英 文 校 对：彭高翔 教学副院长：王 娜 日 期：2022 年 9 月
附件：各类考核与评价标准表 考核方式里有几种类型，就写几种评分标准，参考如下： 1.实验评分标准 成绩 课程目标 对AI基本概念和 概念和ML的数概念和ML的数概念和ML的数概念和ML的数 的数学其过 课程目标】 学共跳，形人T神学基融。及人丁神 学基魂，及人工神学基础，及人工为 人工神经络基末 (5%) 经网络基木概念 经网路基本② 经网络基本概念 经网络基本概 概念，结构和工作方 结构和工作方式 结构和工作方式 构和工作方式 结构和工作方式 式不大理解 课程目标2 熟练掌提数据处较好掌捉数据处基本幸握数据处初步李捉数据处 尚未掌提数据处理 和致据可祝视化方法 (5%》 理和数据可视化 理和数据可视化理和数据可视化理和数据可视化 方法 方法 方法 万法 课程目标3 熟练掌握各种机 较好掌握各种机基本掌握各种机初步掌握各种机 对各种机器学习算 器学习算法及优 (20%) 器学习算法及优器学习算法及优器学习算法及优法及优化与评估方 化与评估方法 化与评估方法 化与评估方法 化与评估方法 法没有什么概念 2. 课堂表现评价标准 成绩 a 不及格 要程目标 (分数<60分】 的数概念和ML 时A基本概念和 数学抹 课程目标1 基础，及人工神经 学基础，及人 学其，及人丁 学基础，及人工和 闲路基木之结 人工神经网络基本 (5%) 经网络基木念 经络基木概 经网络基木概念 结构和工作方式 结构和工作方式 结构和工作方式 达清不能 概念、结构和工作 课程目标2 然练掌握数据处较好掌握数据处基本掌握数据处初步拿握数据 尚未掌握数据处理 (5%) 数据可视化 理和数据可视化 理和数据可视化理和数据可视化 和数据可视化方法 方法 万法 课程目标3 热练掌握各种机较好掌握各种机基本拿握各种机初步拿握各种机 对各种机器学习算 器学习算法及优 (5%1 器学习算法及优 化与评估方法 化与评估方法 化与评估方法 非常熟悉AI发展较熟悉A1发展方 基本熟墨AI发展对AI发展方向 下熟悉AI发展方 课程目标 方问，对AI时代 向，对A1时代伦 方向，对AI时代AI时代伦理道 可，对AI时代伦男 (5%) 理德和科技和科技伦理同 醒、正确的认知醒、正确的 确的认知 见是正确的 北较迷惑 ·20
·20· 附件：各类考核与评价标准表 考核方式里有几种类型，就写几种评分标准，参考如下： 1． 实验评分标准 成绩 课程目标 优秀 （分数≥90 分） 良好 （78≤分数＜90） 中等 （68≤分数＜78） 及格 （60≤分数＜68） 不及格 （分数<60 分） 课程目标 1 （5%） 深入理解 AI 基本 概念和 ML 的数 学基础，及人工神 经网络基本概念、 结构和工作方式 较好理解 AI 基本 概念和 ML 的数 学基础，及人工神 经网络基本概念、 结构和工作方式 基本理解 AI 基本 概念和 ML 的数 学基础，及人工神 经网络基本概念、 结构和工作方式 初步理解 AI 基本 概念和 ML 的数 学基础，及人工神 经网络基本概念、 结构和工作方式 对 AI 基本概念和 ML 的数学基础，及 人工神经网络基本 概念、结构和工作方 式不大理解 课程目标 2 （5%） 熟练掌握数据处 理和数据可视化 方法 较好掌握数据处 理和数据可视化 方法 基本掌握数据处 理和数据可视化 方法 初步掌握数据处 理和数据可视化 方法 尚未掌握数据处理 和数据可视化方法 课程目标 3 （20%） 熟练掌握各种机 器学习算法及优 化与评估方法 较好掌握各种机 器学习算法及优 化与评估方法 基本掌握各种机 器学习算法及优 化与评估方法 初步掌握各种机 器学习算法及优 化与评估方法 对各种机器学习算 法及优化与评估方 法没有什么概念 2． 课堂表现评价标准 成绩 课程目标 优秀 （分数≥90 分） 良好 （78≤分数＜90） 中等 （68≤分数＜78） 及格 （60≤分数＜68） 不及格 （分数<60 分） 课程目标 1 （5%） 深入理解 AI 基本 概念和ML的数学 基础，及人工神经 网络基本概念、结 构和工作方式，能 完整表述和讨论 较好理解 AI 基本 概念和 ML 的数 学基础，及人工神 经网络基本概念、 结构和工作方式 基本理解 AI 基本 概念和 ML 的数 学基础，及人工神 经网络基本概念、 结构和工作方式 初步理解 AI 基本 概念和 ML 的数 学基础，及人工神 经网络基本概念、 结构和工作方式 对 AI 基本概念和 ML 的数学基础，及 人工神经网络基本 概念、结构和工作方 式不大理解，不能表 述清楚 课程目标 2 （5%） 熟练掌握数据处 理和数据可视化 方法 较好掌握数据处 理和数据可视化 方法 基本掌握数据处 理和数据可视化 方法 初步掌握数据处 理和数据可视化 方法 尚未掌握数据处理 和数据可视化方法 课程目标 3 （5%） 熟练掌握各种机 器学习算法及优 化与评估方法 较好掌握各种机 器学习算法及优 化与评估方法 基本掌握各种机 器学习算法及优 化与评估方法 初步掌握各种机 器学习算法及优 化与评估方法 对各种机器学习算 法及优化与评估方 法没有什么概念 课程目标 4 （5%） 非常熟悉 AI 发展 方向，对 AI 时代 伦理道德和科技 伦理问题有非常 清醒、正确的认知 较熟悉 AI 发展方 向，对 AI 时代伦 理道德和科技伦 理问题有比较清 醒、正确的认知 基本熟悉 AI 发展 方向，对 AI 时代 伦理道德和科技 伦理问题有清醒、 正确的认知 对 AI 发展方向， AI 时代伦理道德 和科技伦理问题 有一定的认知，三 观是正确的 不熟悉 AI 发展方 向，对 AI 时代伦理 道德和科技伦理问 题有一定的认知，但 比较迷惑