人工智能-课程教学大纲

ADDINCNKISM.UserStyle《人工智能》课程教学大纲（理论课程）一、课程基本信息课程号1223S09073开课单位生命科学院课程名称（中文）人工智能（英文）ArtificialIntelligence课程性质选修考核类型考试课程学分2课程学时34课程类别选修课先修课程高等数学，线性代数，概率论等适用专业（类）生命科学凤凰班（一）课程简介《人工智能》课程是生物信息学的一门选修课程，是计算机科学的重要分支。信息是由数据来表达的客观事物，知识是信息经过智能性加工后的产物，智能是用来对信息和知识进行加工的加工器。在信息社会，人类面对的信息将非常庞大，仅靠人脑表现出来的自然智能是远远不够的，必须开发那种由机器实现的人工智能。《人工智能》课程就是研究如何利用计算机来模拟人脑所从事的感知、推理、学习、思考、规划等人类智能活动，以解决需要用人类智能才能解决的问题。人工智能是延伸人们智能的科学，该课程旨在通过理论教学与实践操作训练，使学生能够了解人工智能的发展，以及国际人工智能的主要流派和路线，同时了解国内人工智能研究的基本情况，包括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。同时还需要学生掌握人工智能的基本概念及原理、知识表示的各种主要方法，熟悉人工智能的研究领域，使学生具备运用盲目搜索和启发式搜索算法的基本能力。（二）教学目标通过本课程的学习，学生应具备以下几方面的目标：课程目标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,列举出人工智能的研究与应用领域，熟悉多媒体信息的表示、存储形式。课程目标2：较详细地论述知识表示的各种主要方法。重点掌握产生式表示法和谓词逻辑法，熟悉语义网络法，了解知识表示的其他方法，如框架法。熟悉产生式推理方法，了解自然演绎推理和归结演绎推理。课程目标3：掌握可信度推理的模型和算法，掌握主观贝叶斯方法的推理模型和推理特性，了解模糊推理的定义，掌握贝叶斯网络推理的概念和类型、贝叶斯网络的精确推理。课程目标4:掌握机器学习的概念，掌握一元线性回归模型，了解多元线性回归模型，掌握人工神经网络概念、连接学习概念，了解人工神经网络的生物机理，熟悉人工神经元的结构及模型，掌握感知器模型、BP网络模型、能利用神经网络模型解决实际应用问题。课程目标5:指导学生探索人工智能领域的新知识，培养自主学习和终身学习的意识，提升不断学习和适应发展的能力，为今后学习和工作打下良好的基础。三、课程目标对毕业要求的支撑关系毕业要求指标点课程目标权重1-3：掌握比较扎实的数学和物理、化学方面的基础理论知识,具有计算机及信息科学等方面的基础知识。课程目标130%2-3：具有浓厚的科学兴趣及批判性思维能力。课程目标220%2-5：具有一定的计算机和信息技术应用能力。课程目标2，3，420%3-3：具备良好的专业素质，受到严格的科学思维训练，有求实创新的精神、批判性思维和可持续发展理念。课程目标3-530%四、教学方式与方法（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。（二）作业、答疑和质疑1.作业2.课堂进行答疑3.课堂讨论，提出质疑五、教学重点与难点（一）教学重点第一章：人工智能概述（2学时）教学重点：人工智能概念第二章：确定性知识系统（4学时）教学重点：谓词逻辑表示法和产生式表示法第三章：不确定性知识系统（4学时）教学重点：贝叶斯推理和可信度推理的概念、理论及模型第四章：智能搜索技术（6学时）教学重点：启发式搜索：状态空间、与/或树；遗传算法第五章：机器学习（6学时）教学重点：机器学习的主要策略和基本结构第六章：人工神经网络与连接学习（6学时）教学重点：人工神经网络的特征，基于神经网络的知识与推理。第七章：专家系统（4学时）教学重点：专家系统的特点第八章：智能应用简介（2学时）教学重点：自然语言理解和词性分析（二）教学难点第一章：人工智能概述（2学时）教学难点：人工智能的研究途径和方法第二章：确定性知识系统（4学时）教学难点：产生式推理第三章：不确定性知识系统（4学时）教学难点：可信度推理模型和贝叶斯推理模型第四章：智能搜索技术（6学时）教学难点：启发式搜索第五章：机器学习（6学时）教学难点：线性回归模型、支持向量机第六章：人工神经网络与连接学习（6学时）教学难点：基于神经网络的知识与推理第七章：专家系统（4学时）教学难点：专家系统的结构和建造步骤第八章：智能应用简介（2学时）教学难点：智能图像处理六、教学内容、基本要求与学时分配序号教学内容基本要求学时教学方式对应课程目标1第1章人工智能概述（1）了解人工智能的基本概念和发展概况，包括人工智能的目标、定义、表现形式、在我国的起步和发展以及人类为什么要研究人工智能等等；（2）熟悉人工智能的分支领域，包括分别基于脑功能、应用领域、应用系统、计算机系统、实现工具与环境等的领域划分；（3）了解人工智能的基本技术，包括推理技术、搜索技术、归纳技术、联想技术等等；（4）掌握人工智能的研究途径和方法：①结构模拟，神经计算；②功能模拟，符号推演；③行为模拟，控制进化。2讲授课程目标1课程目标52第2章确定性知识系统（1）掌握确定性知识表示、推理概念；（2）掌握确定性知识表示方法，包括谓词逻辑表示法、产生式表示法，了解语义网络表示法、框架表示法；（3）熟悉确定性知识推理方法：产生式推理、自然演绎推理和归结演绎推理。4讲授课程目标23第3章不确定性知识系统（1）掌握不确定性推理的含义和基本问题（2）掌握可信度的概念与推理模型；（3）掌握主观贝叶斯方法的概率论基础、推理模型以及推理特性；（4）了解贝叶斯网络的概念及理论、贝叶斯网络推理的概念和类型、贝叶斯网络的精确推理；（5）了解模糊推理：模糊集及运算、模糊关系及运算、模糊知识表示、模糊概念匹配以及模糊推理方法。4讲授课程目标34第4章智能搜索技术（1）掌握搜索的含义、状态空间问题求解方法、问题规约求解方法；（2）掌握启发式搜索和启发性信息：包括状态空间的启发式搜索、与/或树的启发式搜索、博弈树的启发式搜索；（3）了解遗传算法，包括遗传算法的概念、过程、遗传密码、适应度函数。6讲授课程目标55第5章机器学习（1）掌握机器学习的概念和基本模型；（2）掌握一元线性回归模型，了解多元线性回归模型以及线性回归算法；（3）掌握模型评估与选择，包括经验误差与过拟合、评估方法、常用性能度量；（4）了解统计学习、小样本统计学习理论和支持向量机模型。6讲授课程目标4课程目标56人工神经网络与连接学习掌握人工神经网络的概念、连接学习概念；了解人脑神经元的结构与功能以及学习的神经机理；熟悉人工神经元的结构及模型、互联结构；熟悉多种模型：感知器模型、BP网络模型、深度卷积神经网络模型、深度循环神经网络模型。6讲授课程目标47第7章专家系统（1）了解专家系统概念、特点；（2）理解专家系统的结构和建造步骤；（3）了解基于产生式规则的专家系统的结构、特点和设计方法。4讲授课程目标58第8章智能应用简介（1）熟悉自然语言理解的基本概念；（2）熟悉词性分析的方法；（3）了解语法分析和予以分析方法；（4）熟悉生物特征识别系统的组成、不同应用场合。2讲授讨论课程目标5合计34七、实验内容、基本要求与学时分配八、学业评价和课程考核（一）考核类型：¨考试þ考查（二）考核方式：¨开卷考试¨闭卷考试þ课程论文课程报告其它（三）成绩评定：考核依据建议分值（百分比）考核/评价细则对应课程目标过程考核30%出勤表现70考勤情况，课堂表现、学习态度等课程目标5作业110学习小组考核课程目标1作业210学习小组考核课程目标2作业310学习小组考核课程目标3期末考核70%课程论文课程目标1课程目标2课程目标3课程目标4课程目标5九、课程目标达成评价课程目标的实际达成效果计算方式如下，达成值越高，教学效果越好。课程目标达成度毕业要求指标点达成度十、教材与教学参考书（一）教材无教学参考书1.《人工智能及其应用本科生用书》，蔡自兴