《算法导论》教学大纲

《算法导论》教学大纲适用范围：202X版本科人才培养方案课程代码：10150301课程性质：专业选修课学分：1.5学分学时：24学时（理论24学时）先修课程：管理学基础后续课程：系统建模与仿真等适用专业：工业工程开课单位：管理学院一、课程说明《算法导论》是工业工程专业的一门专业选修课程。本课程主要任务是在人工智能时代背景下，使学生从算法和算法模型方面了解人工智能脉络体系；掌握算法逻辑和推理的流程；掌握算法求解搜索的架构、基础与原理；掌握深度学习、机器学习和强化学习算法的概念和求解机制以及简单应用，使学生具备一定的算法优化能力，基本胜任算法调研、设计、初步开发和仿真等工作。二、课程目标通过本课程的学习，使学生达到如下目标：课程目标1：了解多种智能计算方法，理解人工智能算法的基本分类，理解逻辑和推理的基本流程和原理；理解算法不同搜索过程、寻优路径和机理；掌握典型机器学习算法、深度学习算法、强化学习算法的基本概念、特征和求解机制；课程目标2：掌握算法的关键优化技术和方法，具备一定的算法操作能力，能够运用算法解决实际运筹优化问题，基本胜任算法调研、设计、初步开发和仿真等工作。课程目标3：在人工智能背景下，大数据信息时代中，培养学生树立正确的价值观、高度的社会责任感、合作共赢意识，树立勇于钻研敢于创新的理念。三、课程目标与毕业要求《算法导论》课程教学目标对工业工程专业毕业要求的支撑见表1。表1课程教学目标与毕业要求关系毕业要求指标点课程目标支撑强度4.研究4.1能够基于科学原理，通过文献研究或相关方法，调研和分析复杂工程问题获得解决方案。课程目标1：掌握算法的关键优化技术和方法，具备一定的算法操作能力，能够运用算法解决实际运筹优化问题，基本胜任算法调研、设计、初步开发和仿真等工作。M5.使用现代工具5.2能够选择与使用恰当的工具、方法和模拟软件，对复杂工程问题进行分析、计算与设计。课程目标2：掌握算法的关键优化技术和方法，具备一定的算法操作能力，能够运用算法解决实际运筹优化问题，基本胜任算法调研、设计、初步开发和仿真等工作。H9.个人和团队9.1理解团队合作的重要性，具有与团队成员或负责人协调合作的团队精神和能力，能够在多学科背景下的团队中独立或合作开展工作并发挥作用。课程目标3：在人工智能背景下，大数据信息时代中，培养学生树立正确的价值观、高度的社会责任感、合作共赢意识，树立勇于钻研敢于创新的理念。M注：表中“H（高）、M（中）”表示课程与相关毕业要求的关联度。四、教学内容、基本要求与学时分配理论部分的教学内容、基本要求与学时分配见表2。表2教学内容、基本要求与学时分配教学内容教学要求，教学重点难点理论学时实验学时对应的课程目标1.绪论1.1人工智能的起源

1.2可计算载体：形式化与机械化

1.3智能计算方法教学要求：理解人工智能的起源历史，了解可计算载体的两种形式；掌握智能计算方法的分类，了解几种典型的智能计算方法的核心特征和概念。重点:智能计算方法。难点:智能计算方法。212.逻辑与推理2.1命题逻辑

2.2谓词逻辑

2.3知识图谱推理2.4因果推理教学要求：了解命题逻辑、谓词逻辑、知识图谱推理和因果推理的概念和特征，掌握其对应的逻辑原理和推理方法。重点:知识图谱推理和因果推理。难点:知识图谱推理。213.搜索求解3.1搜索算法基础3.2启发式搜索教学要求：理解搜索算法的特征、框架以及评价指标；掌握启发式搜索算法、对抗搜索算法和蒙特卡洛树搜索算法的原理和机制。重点:启发式搜索算法、对抗搜索算法和蒙特卡洛树搜索算法。难点:蒙特卡洛树搜索算法。42、34.机器学习-监督学习4.1机器学习基本概念4.2回归分析4.3决策树4.4线性判别分析教学要求：理解机器学习的基本概念，掌握回归分析、决策树分析、线性判别分析、AdaBoosting、支持向量机和生成学习模型的分析和求解方法。重点：回归分析、决策树、线性判别分析。难点：支持向量机、AdaBoosting。62、35.统计机器学习-无监督学习5.1K均值聚类5.2主成分分析教学要求：理解无监督学习的概念和特征，掌握K均值聚类方法、主成分分析中的方差、协方差和相关系数的设定以及降维理念；了解特征人脸方法以及理解潜在语义分析思想；了解期望最大化算法的应用案例。重点:主成分分析和K均值聚类。难点:主成分分析。42、36.强化学习6.1强化学习问题定义6.2基于价值的强化学习6.3基于策略的强化学习6.4深度强化学习的应用教学要求：掌握强化学习的基本概念、马尔可夫决策过程和强化学习问题定义以及贝尔曼方程；掌握基于价值的强化学习策略迭代模式、定理和评估方法；掌握基于策略的强化学习的梯度定理、基于蒙特卡洛采样的策略梯度法和Actor-Critic算法。重点:基于价值的强化学习；基于策略的强化学习。难点:策略评估方法和策略梯度方法。61、3合计24五、教学方法及手段本课程以课堂讲授为主，结合讨论、案例、视频资源共享等教学手段，完成课程教学任务和相关能力的培养。结合多媒体课件、学习通资源、作业等多样化形式完成学习内容，学生比较全面地理解人工智能模型和算法的相关理论与方法，学生在掌握模型和算法基础知识基础上，具有进行算法调研、设计、简单开发与仿真等工作的初步能力。六、课程资源1.推荐教材：吴飞.人工智能导论：模型与算法[M].北京:高等教育出版社,2020,05.2.参考书：（1）\o"[美]杰弗瑞·希顿（JefferyHeaton）"杰弗瑞·希顿.人工智能算法[M].北京:人民邮电出版社,2020,01.（2）李一邨,人工智能算法大全：基于MATLAB[M].北京:机械工业出版社,2021,09.（3）唐宇迪.\o"人工智能算法基础"人工智能算法基础[M].北京:机械工业出版社,2022,03.（4）尚荣华,焦李成,刘芳,李阳阳.智能算法导论[M].北京:清华大学出版社,2021,09.3.期刊：（1）鲁邦克,许春龙,孟祥兰.中国省际乡村振兴发展速度测度与时空异质性研究——基于组合加权主成分分析的综合评价方法[J].数理统计与管理,2021,40(02):205-221.（2）张晶华,甘宇健.基于深度学习支持向量机的上证指数预测[J].统计与决策,2019(02):176-178.（3）陈露,刘修岩,叶信岳,等.城市群视角下的产业共聚与产业空间治理:机器学习算法的测度[J].中国工业经济,2020(05):99-117.（4）朱凡,王印琪.基于k-means与神经网络机器学习算法的用户信息聚类及预测研究[J].情报科学,2021,39(07):83-90.（5）陆晓琴,冯玲,丁剑平.汇率货币模型的非线性协整关系检验——基于深度GRU神经网络[J].中国管理科学,2020(05):1-13.4.网络资源：（1）画船听雨眠,论文中常用的改进群智能优化算法,知乎[EB/OL]./p/425439560?utm_medium=social&utm_oi=719140794585337856.（2）GitHub中文社区,/.（3）CSDN专业开发者社区,/.（4）吴飞,浙江大学,人工智能:模型与算法,中国大学MOOC.七、课程考核对课程目标的支撑课程成绩由过程性考核成绩和期末考核成绩两部分构成，具体考核/评价细则及对课程目标的支撑关系见表3。表3课程考核对课程目标的支撑考核环节占比考核/评价细则课程目标123过程性考核课堂表现10（1）根据课堂讨论和回答问题情况进行考核，满分100分。（2）以平时考核成绩乘以其在总评成绩中所占的比例计入课程总评成绩。√√82线上资料学习15（1）根据线上资源学习完成情况进行考核，满分100分。（2）以线上学习成绩乘以其在总评成绩中所占的比例计入课程总评成绩。√√7.57.5作业15（1）主要考核学生对各章节知识点的复习、理解和相关技术的掌握程度，满分100分；（2）每次作业单独评分，取各次成绩的平均值作为此环节的最终成绩。（3）以作业成绩乘以其在总评成绩中所占的比例计入课程总评成绩。√√√555习题测验10（1）主要考核学生对各章节知识点的复习、理解和掌握程度，满分100分；（2）每次测验单独评分，取各次成绩的平均值作为此环节的最终成绩。（3）以测验成绩乘以其在总评成绩中所占的比例计入课程总评成绩。√√55期末考核50（1）期末考核总成绩为100分，以成绩乘以其在总评成绩中所占的比例计入课程总评成绩。（2）主要考核算法概念、算法分类、算法特征、算法优化流程、算法机理、算法应用等内容。（3）考查形式可采用课程小论文、综述报告（调查报告）、大作业设计等。√√√202010合计：100分45.537.517八、考核与成绩评定1.考核方式及成绩评定考核方式：本课程主要以课堂表现、作业、期末大作业、课程小论文等方式对学生进行考核评价。考核基本要求：（加强过程考核）考核总成绩由期末考核和过程性考核成绩组成。其中：期末考核成绩为100分（权重50%），考查形式可以采用课程小论文、综述报告（调查报告）、大作业设计等；课堂表现、线上资料学习、作业、习题测验等过程性考核成绩为100分（权重50%）；过程性考核和考查试题分值分配应与教学大纲各章节的学时基本成比例。2.过程性考核成绩的标准过程性考核方式重点考核内容、评价标准、所占比重见表4。表4过程性考核方式评价标准考核方式所占比重(%)100>x≥9090>x≥8080>x≥7070>x≥60x<60课堂表现20积极参与教学活动，踊跃回答问题，准确率大于90%。认真参与教学活动，回答问题准确率大于80%。偶尔参与教学活动，回答问题准确率大于70%。上课不认真，偶尔参与教学活动。上课不认真，不参与教学活动。线上资料学习30完成90%以上的线上资源学习。完成80%以上的线上资源学习。完成70%以上的线上资源学习。完成60%以上的线上资源学习。完成不足60%的线上资源学习。作业30作业完整，思路清晰，过程正确，主观题无雷同，准确率大于90%。作业完整，主观题无雷同，准确率大于80%。不交作业2次以内，主观题雷同程度低，准确率大于70%