《人工智能导论》教学大纲

《人工智能导论》教学大纲课程英文名IntroductionofArtificialIntelligence课程代码03M0278学分2总学时32理论学时32实验学时0上机学时0实践学时0课程类别学科基础课课程性质选修课先修课程《高等数学A1/A2》、《线性代数A》、《Python程序设计》、《概率论与数理统计A》适用专业人工智能开课学院信息工程学院注：课程类别是指公共基础课/学科基础课/专业教育课；课程性质是指必修/限选/任选。一、课程地位与课程目标（一）课程地位《人工智能导论》是人工智能专业的重要基础课程，承担着学生对人工智能学科理论与技术的启蒙任务，在专业人才培养体系中具有核心地位。通过系统介绍人工智能的基本概念、发展历程、主要研究领域及关键技术，本课程帮助学生构建清晰的知识体系，为后续专业核心课程的学习奠定基础。同时，课程注重理论与实践结合，初步培养学生智能系统设计与实现的能力，并通过对人工智能伦理与社会影响的探讨，增强学生的社会责任感与科学价值观。作为连接学科基础与专业核心课程的桥梁，《人工智能导论》对培养具有理论素养、工程实践能力和创新精神的人工智能复合型技术人才具有重要意义。（二）课程目标本课程旨在帮助学生系统掌握人工智能的基本概念、理论框架和关键技术，了解人工智能的发展历程和研究现状，为后续专业课程学习奠定理论和实践基础。具体目标（ILO，IntendedLearningOutcomes）包括：构建理论基础（ILO-1）：使学生掌握人工智能的基本概念、核心理论和主要研究领域，包括知识表示、推理方法、机器学习、神经网络等，为理解人工智能技术奠定基础。提升实践能力（ILO-2）：通过案例分析与实践任务，初步培养学生在实际问题中应用人工智能方法的能力，为设计智能系统和解决复杂工程问题提供实践经验。培养创新思维（ILO-3）：激发学生对人工智能技术的兴趣，培养创新意识和探索精神，引导学生关注前沿技术动态，为后续深入研究与开发创造条件。增强社会责任感（ILO-4）：通过对人工智能伦理、安全及其对社会、经济、文化影响的讨论，培养学生的社会责任感和正确的价值观，使其能够在未来的工程实践中综合考虑技术与社会因素。本课程作为人工智能专业的重要启蒙课程，旨在培养学生系统的理论素养、初步的实践能力和全面的社会责任感，为成为具有创新精神和实践能力的人工智能技术人才打下坚实基础。二、课程目标达成的途径与方法以课堂教学为主，结合出勤、课堂讨论、课外作业、期末考试等多种形式，全面提升学生的知识掌握和实践能力。课堂教学：通过教师系统讲授人工智能的基本概念、核心理论、关键技术和典型应用，帮助学生构建清晰的学科知识体系，并结合案例分析促进理解。课堂讨论：围绕人工智能领域的热点问题、前沿技术以及实际应用场景，组织学生开展小组讨论，培养学生的批判性思维、团队合作能力和表达能力。课外作业：引导学生通过指定阅读材料、完成课后作业和实践项目，进一步加深对课堂知识的理解，锻炼自主学习能力和问题解决能力。期末考试：通过综合性考试评价学生对课程知识的掌握程度，同时检验其在知识应用和分析问题方面的能力。这种多元化的教学模式旨在提高学生的学习效果，增强其理论与实践相结合的能力，为后续课程学习和专业发展奠定坚实基础。课程目标课程目标达成的途径与方法ILO-1课堂教学、课堂讨论、课外作业、期末考试ILO-2课堂教学、课外作业、期末考试ILO-3课堂讨论ILO-4出勤、课堂讨论三、课程目标与相关毕业要求的对应关系课程目标课程目标对毕业要求的支撑程度（H、M、L）毕业要求1毕业要求2毕业要求3课程目标1H课程目标2M课程目标3M课程目标4M注：1.支撑强度分别填写H、M或L（其中H表示支撑程度高、M为中等、L为低）。四、课程主要内容与基本要求第一章绪论1.1人工智能的基本概念1.2人工智能的发展简史1.3人工智能研究的基本内容1.4人工智能的主要研究领域基本要求：了解人工智能的定义和特征，掌握人工智能的发展历程及其重要阶段，了解人工智能研究的主要内容和领域。通过学习人工智能发展的历史与趋势，激发学生对人工智能技术的兴趣，增强探索和创新的意识。结合人工智能发展的背景与成就，增强学生的民族自豪感和科技报国的使命感，树立正确的价值观和社会责任感。第二章知识表示与知识图谱2.1知识与知识表示的概念2.2一阶谓词逻辑表示法2.3产生式表示法2.4框架表示法2.5知识图谱基本要求：掌握知识表示的基本方法，包括一阶谓词逻辑、产生式、框架表示等，了解知识图谱的提出、构建及应用。通过学习，提升学生对知识表示技术的理解和实际应用能力。引导学生认识知识共享与传递的重要性，培养团队合作和共享精神，为解决社会复杂问题贡献智慧。第三章确定性推理方法3.1推理的基本概念3.2自然演绎推理3.3谓词公式化为子句集的方法3.4鲁宾孙归结原理3.5归结反演基本要求：了解确定性推理的原理与方法，掌握鲁宾孙归结原理及其在问题求解中的应用。通过案例分析，培养学生逻辑思维能力和问题求解能力。通过学习人工智能的推理过程，增强学生对逻辑严谨性和科学精神的认知，引导学生追求真理和创新。第四章不确定性推理方法4.1不确定性推理的概念4.2可信度方法4.3证据理论4.4模糊推理方法基本要求：了解不确定性推理的核心概念和基本方法，掌握模糊推理和证据理论的基础知识。通过案例学习，增强学生处理不确定性问题的能力。结合模糊推理的应用场景，引导学生关注社会实际问题，培养其适应复杂环境的能力和社会责任感。第五章搜索求解策略5.1搜索的概念5.2状态空间的搜索策略5.3启发式图搜索策略基本要求：掌握搜索问题的基本概念和主要过程，了解盲目搜索与启发式搜索的策略及其实现方法。通过学习典型搜索算法，培养学生的算法设计能力。通过问题求解过程，引导学生认识坚持探索与不断优化的重要性，树立解决复杂问题的信心和毅力。第六章智能计算及其应用6.1进化算法的产生与发展6.2遗传算法及其应用6.3粒子群优化算法及其应用6.4蚁群算法及其应用基本要求：掌握智能计算的基本原理和典型算法，包括遗传算法、粒子群优化和蚁群算法，了解其在实际问题中的应用。通过动手实践，培养学生解决复杂优化问题的能力。结合智能计算在社会实际问题中的应用案例，激发学生探索未知领域的兴趣，增强其对科技服务社会的责任感和使命感。第七章专家系统与机器学习7.1专家系统的基本概念与发展7.2机器学习的基本概念与分类7.3知识发现与数据挖掘基本要求：了解专家系统和机器学习的基本原理及其分类，掌握数据挖掘的核心方法及其实际意义。通过案例分析，提升学生在实际场景中设计和应用智能系统的能力。通过分析专家系统和机器学习在社会中的应用，引导学生关注社会热点问题，树立服务社会和推动技术进步的意识。第八章人工神经网络及其应用8.1神经元与神经网络的基本概念8.2BP神经网络及其学习算法8.3深度学习及卷积神经网络8.4生成对抗网络基本要求：掌握人工神经网络的基本概念与工作原理，了解BP神经网络、卷积神经网络及生成对抗网络的结构与应用。通过实践任务，培养学生利用神经网络技术解决实际问题的能力。结合人工神经网络在智慧医疗、教育等领域的典型应用案例，激发学生对国家重大需求的关注，增强其社会责任感和科技向善的意识。五、课程学时安排章节号教学内容学时数学生任务对应课程目标第一章第一章绪论1.1人工智能的基本概念1.2人工智能的发展简史1.3人工智能研究的基本内容1.4人工智能的主要研究领域2预习人工智能基本概念和发展简史相关材料。完成课堂笔记并回答思考题，如“人工智能的定义是什么？”“人工智能发展经历了哪些阶段？”搜索并整理人工智能发展史上的里程碑事件，提交一页简要总结。ILO-1第二章第二章知识表示与知识图谱2.1知识与知识表示的概念2.2一阶谓词逻辑表示法2.3产生式表示法2.4框架表示法2.5知识图谱4自学知识表示的基本方法，并完成知识表示的课堂练习。使用简单案例（如动物识别）尝试构建产生式规则，提交小组讨论总结。习题：2.1/2.2/2.3ILO-1ILO-2第三章第三章确定性推理方法3.1推理的基本概念3.2自然演绎推理3.3谓词公式化为子句集的方法3.4鲁宾孙归结原理3.5归结反演4完成指定阅读，理解推理基本概念及鲁宾孙归结原理。针对课堂提供的问题（如逻辑推理题），尝试用归结法进行求解并提交结果。分组讨论归结反演的实际应用场景，并准备简要陈述材料。习题：3.3/3.4ILO-1ILO-2第四章第四章不确定性推理方法4.1不确定性推理的概念4.2可信度方法4.3证据理论4.4模糊推理方法4完成课后作业，练习可信度方法和模糊推理的基本运算。调研模糊逻辑在工业控制中的应用，提交个人案例分析作业。习题：4.1/4.2ILO-1ILO-2ILO-3第五章第五章搜索求解策略5.1．搜索的概念5.2．状态空间的搜索策略5.3．盲目的图搜索策略5.4．启发式图搜索策略4按照课堂要求，编程实现深度优先搜索与宽度优先搜索，并完成对比分析报告。针对实际问题（如迷宫求解），设计状态空间的搜索图并提交手绘图示。思考题：5.7ILO-1ILO-2ILO-3第六章第六章智能计算及其应用6.1．进化算法的产生与发展6.2．基本遗传算法6.3．遗传算法的改进算法6.4．遗传算法的应用6.5．群智能算法产生的背景6.6．粒子群优化算法及其应用6.7．蚁群算法及其应用6自学遗传算法的基本步骤并完成算法代码实现作业。分组完成智能优化问题（如路径规划）的案例分析，并提交小组报告。对比粒子群算法与蚁群算法的特点，完成课堂问答题并参与讨论。ILO-1ILO-2ILO-3第七章第七章专家系统与机器学习7.1．专家系统的产生和发展7.2．专家系统的概念7.3．专家系统的工作原理7.4．知识获取的主要过程与模式7.5．机器学习7.6．知识发现与数据挖掘7.7．专家系统的建立7.8．专家系统实例及其骨架系统7.9．专家系统开发环境4完成机器学习分类方法的自学任务，完成课后习题（如监督学习与无监督学习的对比）。使用Python实现简单的专家系统推理模块并提交代码。ILO-1ILO-2ILO-4第八章第八章人工神经网络及其应用8.1．神经元与神经网络8.2．BP神经网络及其学习算法8.3．BP神经网络在模式识别中的应用8.4．Hopfield神经网络及其改进8.5．Hopfield神经网络的应用8.6．卷积神经网络与深度学习8.7．生成对抗网络及其应用4按照课堂要求，完成BP神经网络的基本算法实现，并绘制学习过程曲线。自学卷积神经网络的基本原理，完成图像分类案例实践报告。小组设计一个基于生成对抗网络的简单任务（如生成手写数字图像），并进行课堂展示。ILO-1ILO-2I