高校人工智能课程教学大纲

高校人工智能课程教学大纲一、课程基本信息课程名称：人工智能导论（或“人工智能基础”）学分/学时：3学分，总学时48（理论教学36学时，实验教学12学时）适用专业：计算机科学与技术、软件工程、数据科学与大数据技术、智能科学与技术等理工科相关专业先修课程：程序设计基础（Python/C++）、离散数学、数据结构、概率论与数理统计二、课程教学目标（一）知识目标系统构建学生对人工智能学科的认知体系，使其掌握机器学习（含监督、无监督、半监督学习）、深度学习（含卷积、循环、Transformer等网络架构）的核心算法原理；熟悉计算机视觉、自然语言处理、强化学习等领域的基础技术与典型应用场景；了解人工智能伦理、法律与行业规范的核心议题。（二）能力目标培养学生运用Python及主流深度学习框架（如TensorFlow、PyTorch）实现AI算法的实践能力；提升其针对实际问题（如图像识别、文本分析）设计AI解决方案的工程思维；强化其阅读学术文献、跟踪前沿技术（如大模型、多模态学习）的自主学习能力。（三）素质目标引导学生树立“技术向善”的AI伦理观，理解算法偏见、数据隐私等社会议题对技术发展的约束；通过团队项目实践，培养其沟通协作、问题解决与创新思维，为从事AI相关研发、应用或研究工作奠定素养基础。三、教学内容与学时分配（一）理论教学（36学时）1.绪论（2学时）人工智能的定义、发展历程（符号主义、连接主义、行为主义的演进逻辑）学科定位：与计算机科学、数学、神经科学的交叉关系典型应用场景：自动驾驶、医疗诊断、智能推荐、自然语言交互等前沿趋势：大模型、多模态学习、具身智能的研究动态2.数学基础（6学时）线性代数：向量/矩阵运算、特征分解、奇异值分解（SVD）、PCA降维概率与统计：贝叶斯定理、概率分布（高斯、伯努利、多项分布）、极大似然估计最优化方法：梯度下降（批量/随机/小批量）、牛顿法、正则化（L1/L2）3.机器学习基础（8学时）监督学习：损失函数（MSE、交叉熵）、线性回归、逻辑回归、决策树（ID3/C4.5/CART）、支持向量机（SVM）、朴素贝叶斯无监督学习：聚类（K-Means、层次聚类、DBSCAN）、降维（PCA、t-SNE）、密度估计（混合高斯模型）半监督学习与迁移学习：基本概念、典型算法（如自训练、领域自适应）模型评估：混淆矩阵、精确率/召回率、F1值、交叉验证、偏差-方差权衡4.深度学习（6学时）神经网络基础：感知机、BP算法、激活函数（ReLU、Sigmoid、Tanh）卷积神经网络（CNN）：卷积/池化操作、LeNet、AlexNet、ResNet架构循环神经网络（RNN）与变体：LSTM、GRU、注意力机制（Attention）Transformer架构：自注意力、编码器-解码器、BERT/GPT的核心设计模型训练技巧：批量归一化、Dropout、学习率调度、早停法5.计算机视觉基础（4学时）图像表示与预处理：像素操作、数据增强（翻转、裁剪、归一化）经典任务：图像分类（ImageNet竞赛）、目标检测（R-CNN、YOLO、SSD）、语义分割（FCN、U-Net）应用案例：人脸识别、医学影像分析、自动驾驶环境感知6.自然语言处理基础（4学时）文本表示：词袋模型、TF-IDF、词向量（Word2Vec、GloVe、FastText）典型任务：文本分类（情感分析、垃圾邮件检测）、序列标注（命名实体识别）、机器翻译（Seq2Seq模型）预训练模型：BERT、GPT的原理与微调（Fine-Tuning）方法应用案例：智能问答、文本生成、舆情分析7.强化学习（2学时）基本概念：智能体、环境、状态、动作、奖励、回报马尔可夫决策过程（MDP）：状态转移、策略、价值函数经典算法：Q-Learning、SARSA、深度强化学习（DQN、PPO）应用案例：游戏AI（AlphaGo、Dota2）、机器人控制8.人工智能伦理与法律（2学时）伦理挑战：算法偏见（如招聘、司法场景的公平性）、数据隐私（GDPR、个人信息保护法）、自主系统的责任认定技术规范：可解释AI（XAI）、模型鲁棒性（对抗攻击与防御）行业实践：医疗、金融、自动驾驶领域的伦理准则与合规要求（二）实验教学（12学时，4个实验，每实验3学时）实验1：机器学习算法实现环境：Python+Scikit-Learn内容：实现线性回归、逻辑回归、K-Means聚类；使用鸢尾花数据集完成分类任务，对比不同模型的评估指标实验2：深度学习模型搭建环境：Python+TensorFlow/PyTorch内容：搭建CNN模型（LeNet）实现MNIST手写数字识别；对比不同激活函数、优化器对训练效果的影响实验3：计算机视觉应用开发环境：Python+OpenCV+PyTorch内容：基于预训练模型（如ResNet）实现图像分类；使用YOLOv5完成简单目标检测任务（如识别图片中的车辆）实验4：自然语言处理项目实践环境：Python+Transformers库内容：使用BERT微调模型完成文本情感分析；基于Seq2Seq模型实现简单的机器翻译（如中英短句互译）四、教学方法与手段（一）理论教学1.案例驱动讲授：结合真实行业案例（如特斯拉自动驾驶的视觉感知、ChatGPT的对话生成），解析技术原理与应用逻辑，增强知识的具象性。2.学术前沿融入：每章节引入1-2篇顶会论文（如NeurIPS、CVPR）的核心观点，引导学生理解技术演进路径（如从CNN到Transformer的图像模型发展）。3.问题导向讨论：围绕“AI是否会取代人类工作”“数据隐私与算法效率的平衡”等议题组织小组讨论，培养批判性思维。（二）实验教学1.阶梯式实践：实验设计从“算法复现”（如实现LR）到“工程应用”（如开发图像识别系统）逐步进阶，兼顾基础能力与创新实践。2.工具链整合：整合Python、深度学习框架、开源数据集（如MNIST、COCO、IMDB），模拟工业级AI开发流程。3.导师制辅导：实验过程中采用“1名教师+2名助教”的辅导模式，针对代码调试、模型调参等难点提供个性化支持。（三）混合式教学1.线上资源拓展：依托MOOC平台（如Coursera的《DeepLearningSpecialization》、学堂在线的《人工智能概论》）提供视频讲解、习题库，满足学生个性化学习需求。2.线下翻转课堂：课前通过线上平台发布预习任务（如论文阅读、代码片段分析），课堂时间用于案例研讨、实验答疑与项目汇报。五、课程考核方式（一）过程性考核（40%）1.平时作业（20%）：包括理论习题（如推导SVM的对偶问题）、代码实践题（如实现Transformer的自注意力机制），注重知识的理解与应用。2.实验报告（20%）：要求学生提交实验思路、代码实现、结果分析（含可视化图表），考察实践能力与问题分析能力。（二）终结性考核（60%）1.期末考试（40%）：采用闭卷形式，题型包括选择题（概念辨析）、简答题（算法原理）、分析题（案例设计，如为某医疗场景设计AI诊断方案），全面考察知识体系的掌握。2.项目答辩（20%）：要求学生以小组（3-5人）为单位，完成一个综合性AI项目（如基于多模态数据的智能推荐系统），通过答辩汇报项目背景、技术方案、实验结果与创新点，考察工程实践与团队协作能力。六、教材与参考资料（一）推荐教材1.《人工智能：一种现代方法》（第4版），StuartRussell等著，殷建平译，清华大学出版社。（经典教材，覆盖AI全领域理论框架）2.《深度学习》，IanGoodfellow等著，张志华等译，人民邮电出版社。（深度学习领域权威著作，适合进阶学习）（二）参考资料1.《机器学习》，周志华著，清华大学出版社。（“西瓜书”，系统讲解机器学习算法与理论）2.《统计学习方法》（第2版），李航著，清华大学出版社。（“蓝皮书”，侧重统计学习的数学推导与算法实现）3.学术期刊与会议：《ArtificialIntelligence》《IEEETransactionsonPatternAnalysisandMachineIntelligence》、NeurIPS、ICML、CVPR等顶会论文。4.开源社区：GitHub（如PyTorch官方示例、TensorFlowModels）、Kaggle（竞赛案例与数据集）。七、教学实施建议1.师资配置：建议配备1名主讲教师（具备AI领域科研或工程经验）+2名助教（负责实验辅导与作业批改），确保教学质量。2.硬件支持：实验室需配备GPU服务器（如NVIDIATesla系列），满