《人工智能基础》课程标准

《人工智能基础》课程标准一、基本信息课程名称人工智能基础课程代码013399课程学分2学分课程学时32学时（理论16+实践16）课程类别R必修£选修£限定选修课程性质R通识平台课程£学科基础课程£专业基础课程£其他适用专业所有本科专业开设学期第二学期二、课程定位《人工智能基础》课程是面向本科各专业的公共基础课，是数字化转型背景下的通识教育课程。课程以人工智能领域的基础理论、技术原理与社会应用为主线，突破学科壁垒，面向非计算机专业学生普及智能化时代的核心知识体系，培养学生的人工智能素养与跨学科思维能力。旨在帮助学生适应人工智能驱动的社会变革。实现从“认知扫盲”到“思维升级”再到“价值内化”的递进培养，成为学生应对智能化未来的关键能力支点。本课程共32学时，前修课程是《信息技术基础》。三、设计理念课程设计的总体思路：响应国家《新一代人工智能发展规划》、《高等学校人工智能创新行动计划》，培养智能化时代公民核心素养。推动学科交叉融合与数字化转型。构建跨领域知识接口；适应未来职业对AI基础能力的要求。课程内容包括基础理论、技术原理和实践应用，模块编排分层递进，先从认知层，再技术层、最后融合层；教学活动设计，以项目引领、任务驱动，进行AI开发平台体验、算法实践等操作。课时安排，一共32学时，完成16个任务，每个任务2学时。课程思政主线为科技强国及创新精神，通过案例渗透+主题实践，增强民族自信，激发学生探索未知的勇气。教学实施混合教学模式，线上+线下+虚拟仿真，“三阶赋能”，认知扫盲→工具掌握→价值内化，贯穿技术学习与人文反思。教学评价设计，评价维度采用过程性评价（60%）+结果评价（40%）。校企协同育人，联合企业发布真实需求，学生提案纳入企业创新孵化计划。四、课程目标学生学完本门课程后应达到的知识、能力和素质目标如下：1.知识目标（1）掌握人工智能的基本概念、发展历程及核心技术分支；（2）理解人工智能与大数据、物联网等新兴技术的关联逻辑与协同应用模式；（3）能描述人工智能经典算法其适用场景与局限性；（4）能分析AI技术落地中的关键挑战。2.能力目标（1）能够使用Python编程调用AI接口；（2）具备利用低代码平台（如百度AIStudio、阿里云PAI）快速验证AI解决方案的能力；（3）设计AI技术应用框架并评估可行性；（4）将AI技术嵌入专业领域，优化传统技术方案。3.素质目标（1）树立AI技术发展的伦理底线思维，能主动识别并讨论技术应用中的道德争议；（2）具备在团队协作中平衡技术创新与社会价值的意识，避免技术滥用；（3）形成跨学科知识迁移思维，能将AI能力持续赋能个人专业发展。五、课程结构《人工智能基础》课程遵循人工智能学习与认知的一般规律，通过精心设计、系统分解、细致梳理和科学归类，将课程内容精心划分为5个紧密相连的项目。这5个项目（16个学习任务+5个拓展阅读）全面而系统地涵盖了人工智能领域的基础知识与核心技能点，旨在为学生提供扎实的学习框架和深入的理解。课程共计32学时，按照基于成长逻辑的课程开发，每个学习任务都是经教学化处理的真实完整工作任务，具体如下表：项目任务学时项目1初识人工智能任务1人工智能初体验2拓展阅读AI浪潮中的华人之光--项目2机器学习应用任务1顾客市场分析2任务2葡萄酒分类2任务3糖尿病患病风险预测2任务4波士顿房价预测2拓展阅读机器学习驱动下的创新与突破--项目3深度学习应用任务1实现异或电路2任务2学生心理健康分析2任务3黑白图像识别2任务4彩色图像分类2拓展阅读：中国AI视觉之路—从追赶到引领的科技长征--项目4自然语言处理任务1电商评论词云生成2任务2书籍主题词提取与分类2任务3学生作业查重2任务4MP3语音文件识别2扩展阅读：中文在AI时代的独特优势--项目5AIGC与大语言模型应用任务1利用提示工程辅助写作2任务2使用AIGC制作视频故事绘本2任务3使用DeepSeek构建课程学习智能体2拓展阅读：AIGC监管体系构建：从技术规范到伦理治理--合计16个任务+5个扩展阅读32六、课程内容本课程按照学习任务列出具体学习内容，共计52个知识点+16个课程思政，如下表所示：项目任务学习内容学时项目1初识人工智能任务1人工智能初体验人工智能基本概念与发展历程实现人工智能的四大关键要素1.3人工智能的三大研究流派1.4人工智能的应用与未来1.5人工智能的伦理问题1.6AI开发平台体验和橙现智能Orange软件操作入门2项目2机器学习应用任务1顾客市场分析2.1机器学习概述2.2机器学习的学习方式2.3机器学习常见的任务类型2.4机器学习基本流程2.5常见的聚类算法2任务2葡萄酒分类2.6常见的分类算法1K近邻算法2贝叶斯算法3决策树算法2任务3糖尿病患病风险预测2.7常见的回归算法2.8预处理数字数据2任务4波士顿房价预测2.9聚类算法评估指标2.10分类算法评估指标2.11回归算法评估指标2.12机器学习模型的复杂度和误差2项目3深度学习应用任务1实现异或电路3.1感知机概述2任务2学生心理健康分析3.2神经网络3.3搭建神经网络3.4训练神经网络2任务3黑白图像识别3.5计算机视觉3.6图像概述3.7图像的基本处理技术2任务4彩色图像分类3.8搭建卷积神经网络3.9训练卷积神经网络3.10卷积神经网络在图像中的应用3.11经典卷积神经网络2项目4自然语言处理任务1电商评论词云生成4.1自然语言处理概述4.2文本表示方法4.3中文分词与常用工具2任务2书籍主题词提取与分类4.4独热编码4.5分布式表示2任务3学生作业查重4.6基于统计的语言模型4.7基于深度学习的语言模型2任务4MP3语音文件识别4.8语音识别概述4.9语音识别开源库Kaldi简介2项目5AIGC与大语言模型应用任务1利用提示工程辅助写作5.1AIGC的基本概念5.2AIGC的应用场景5.3大语言模型概述5.4常见的大语言模型5.5提示工程2任务2使用AIGC制作视频故事绘本5.6AIGC绘画的基本概念5.7AIGC绘画提示词2任务3使用DeepSeek构建课程学习智能体5.8DeepSeek-R1模型技术特点5.9DeepSeek-R1的各种版本5.10基于大模型的智能体技术5.11RAG检索增强生成5.12Ollama介绍5.13CherryStudio介绍2合计16个任务52个知识点+16个课程思政32学时七、课程考核本课程为考试课，采用“20%平时成绩+80%期末成绩”的考核方式，平时考核包括出勤率、课堂表现、平时作业、MOOC学习和学习通习题完成情况；期末考核采取笔试试卷的形式。考核维度考核项目分值比例备注过程考核课堂表现2%出勤、回答问题、小组参与表现网络学习2%MOOC视频学习、学习通习题内容考核1.机器学习应用任务4%课上任务及任务扩展完成情况2.深度学习应用任务4%课上任务及任务扩展完成情况3.自然语言处理与语音识别任务4%课上任务及任务扩展完成情况4.AIGC与大语言模型应用任务4%课上任务及任务扩展完