人工智能基础实践教程实践环节教学计划

《人工智能基础》实践环节教学计划适用对象：**本科专业施教学院：**学院预修课程：大学计算机基础，高等数学，线性代数/线性代数与解析几何，程序设计/计算机程序设计/程序设计与数据结构/高级语言程序设计。实践环节编号：202205078实施地点：课堂内学时安排：48学时。理论学时：38学时实践（实验）学时：10学时学分：3课程性质：学科基础必修课程、学科基础选修课开课学期：秋3、春3、秋4一、任务背景与目标（一）任务背景描述人工智能基础是一门理论联系应用的课程，本课程的实验以人工智能基础理论的应用能力培养为总体考虑，设计5项实验，一是A*算法的编程实现和特性观察，锻炼学员的编程实现能力和加强对启发式搜索算法的理解掌握；二是博弈算法实验，锻炼学员的问题建模能力以及加强对极小极大搜索及剪枝技术的理解和掌握；三是机器学习实验，锻炼学员的问题建模能力以及加强对机器学习分类技术的掌握；四是神经网络学习实验，目的是加强对人工神经网络特点的了解以及锻炼应用神经解决模式分类问题的能力；五是大模型应用实验，使学员熟悉大模型的特性、优势与局限，掌握人与大模型高效协同的基本原则培养学员利用大模型解决实际问题的能力，提升创新实践与跨领域应用能力。（二）实践目标一是使用自己熟悉的编程语言实现图搜索算法的程序，达成结果正确的目标；二是完成棋类博弈问题的抽象建模，并运用博弈树搜索及剪枝技术编制可对弈程序，达成结果正确程序可应用的目标。知识目标巩固通用图搜索算法流程、细节问题处理、极小极大搜索算法、α-β剪枝等知识点；进一步理解机器学习过程、评价方法、人工神经网络性能等知识点。能力目标培养学员分析和解决现实问题的能力，包括三个方面：一是对实际问题进行分析抽象的能力；二是自己动手编程求解的能力；三是应用求解结果反馈和解决问题的能力。思政目标在实验过程中培养学员的动手解决实际问题的意识、承受挫折的勇气和耐心。二、主要内容和要求实验1A*算法实验1．实验目的与任务实验目的：通过本实验，使学员进一步熟悉通用图搜索算法及A*算法的流程，了解程序结构设计的一般原则和方法，训练学员养成“先设计、后实现”的习惯；使学员透彻理解图搜索算法的执行过程，达到培养学员自己动手、分析解决实际问题的能力。实验任务：完整实现A*算法程序，并通过联调测试，能够就图搜索问题进行建模、求解，要求计算结果正确，程序适用性较强，具备路径复现和检验的功能。2．训练的能力点包括抽象问题和表述问题、建立隐式状态图、设计目标函数并评估其可纳性、更具信息等方面的能力点。3．实验原理将A*算法流程与程序设计的一般方法相结合，采用指导、说明、反馈、改错等教学方法和手段使学员理解编制A*算法程序时首先进行设计的重要性。综合采用说明、提示、反馈、改错等手段使学员深入理解图搜索算法的执行过程，实现相应代码。要求学员在充分准备的基础上，进行上机联调，通过个别指导了解联调中的常见问题，进行讲解说明，并进一步个别指导，使学员排除程序常见错误，实现程序全部功能。通过讲解，让学员在思想上认识到当前程序的不足以及可以进一步改进的方向，鼓励学员就人性化界面、状态节点的表示及数据结构设计、输出结果的可视性等方面进行改善。4．实验内容及要求（1）未知环境下人质搜索问题的A*算法读懂理解人质搜索问题的A*算法代码，并验证上述代码的正确性；设计不同的启发函数，观察和验证启发函数的可纳性，以及不同启发函数的特性（更具信息性）；对比不同的启发函数下，总扩展节点数量的区别。5．实验结果及要求实验结果包括A*算法程序和测试结果及实验报告。要求程序的正确性，并通过测试验证。实验2博弈算法实验1．实验目的与任务实验目的：通过本实验，使学员进一步熟悉极小极大搜索算法及α-β剪枝算法的流程和原理，了解博弈算法程序设计的特点；使学员透彻理解博弈树搜索的过程，达到培养学员自己动手、分析解决实际问题的能力。实验任务：完整实现一个博弈算法程序，并通过联调测试，能够就博弈问题进行建模、求解，要求计算结果正确，程序适用性较强，具备基本的人-机的对弈功能。2．训练的能力点包括抽象问题和表述问题、建立博弈树节点的评价方法、设计目标函数等方面的能力点。3．实验原理将博弈树搜索的流程与程序设计的一般方法相结合，采用指导、说明、反馈、改错等教学方法和手段使学员理解编制博弈算法程序时首先进行设计的重要性。综合采用说明、提示、反馈、改错等手段使学员深入理解博弈树搜索算法的执行过程，实现相应代码。要求学员在充分准备的基础上，进行上机联调，通过个别指导了解联调中的常见问题，进行讲解说明，并进一步个别指导，使学员排除程序常见错误，实现程序全部功能。通过讲解，让学员在思想上认识到当前程序的不足以及可以进一步改进的方向，鼓励学员就人性化对弈界面、状态节点的表示及数据结构设计、棋局状态的评价等方面进行改善。4．实验内容及要求（1）棋局状态的表示及评价正确给出至少一种棋局状态节点的表示方法及数据结构实现；给出至少一种状态节点的评价函数；设计并实现正确的规则走步表示，程序可据此正确走步。（2）博弈树的极小极大搜索正确实现博弈树的有界深度优先扩展；能够根据极小极大原则正确反推各节点值完成状态极小极大搜索算法；（3）α-β剪枝算法正确实现α和β值的计算；能够正确判断剪枝时机在最大最小搜索算法中实现α-β剪枝策略5．实验结果及要求实验结果包括对弈程序和测试结果及实验报告。要求程序的正确性，并通过测试验证。实验3机器学习实验1．实验目的与任务实验目的：了解常用的视觉图像特征提取算法，理解SVM、KNN、K-means等典型算法思想，学会使用sklearn库；使学员透彻理解机器学习分类的过程，达到培养学员自己动手、分析解决实际问题的能力。实验任务：完整实现一个机器学习分类程序，并通过联调测试，能够就军用目标识别问题进行建模、求解，要求计算结果正确，程序适用性较强。2．训练的能力点包括抽象问题和表述问题、建立机器学习分类问题的特征提取、分类方法设计等方面的能力点。3．实验原理将机器学习分类的流程与程序设计的一般方法相结合，采用指导、说明、反馈、改错等教学方法和手段使学员理解编制机器学习分类程序时首先进行设计的重要性。综合采用说明、提示、反馈、改错等手段使学员深入理解机器学习分类算法的执行过程，实现相应代码。要求学员在充分准备的基础上，进行上机联调，通过个别指导了解联调中的常见问题，进行讲解说明，并进一步个别指导，使学员排除程序常见错误，实现程序全部功能。通过讲解，让学员在思想上认识到当前程序的不足以及可以进一步改进的方向，鼓励学员就特征提取、构建并测试模型、不同分类算法的分类效果评估等方面进行改善。4．实验内容及要求（1）图像特征的表示及评价了解常用的视觉图像特征提取算法；提取图像的HoG特征；对特征进行显示和评价。（2）军事目标识别阅读示例中视觉图像分类的程序代码；构建并测试模型；观察不同分类算法的分类效果；5．实验结果及要求实验结果包括机器学习程序和测试结果及实验报告。要求程序的正确性，并通过测试验证。实验4卷积神经网络实验1．实验目的与任务实验目的：通过本实验，使学员进一步熟悉卷积神经网络的特性和设计流程，了解PyTorch库的使用方法，使学员透彻理解卷积神经网络的工作原理，达到培养学员自己动手、分析解决实际问题的能力。实验任务：完整实现卷积神经网络设计和编程，并通过联调测试，能够利用卷积神经网络实现对图像类别的识别，要求程序正确，适用性较强，具有较高识别正确率。2．训练的能力点包括卷积神经网络的结构选择和设计，编程实现等方面的能力点。3．实验原理将卷积神经网络设计实现与图像识别任务相结合，采用指导、说明、反馈、改错等教学方法和手段使学员理解卷积神经网络解决应用问题的一般步骤和工作特性。综合采用说明、提示、反馈、改错等手段使学员深入理解卷积神经网络的工作原理，实现相应代码。要求学员在充分准备的基础上，进行上机联调，通过个别指导了解联调中的常见问题，进行讲解说明，并进一步个别指导，使学员排除程序常见错误，实现程序全部功能。通过讲解，让学员在思想上认识到当前程序的不足以及可以进一步改进的方向，鼓励学员就算法运行时间及识别率等方面进行改善。4．实验内容及要求（1）卷积神经网络的选择和设计调整卷积神经网络层数、卷积核、池化层等参数，并通过后续测试对比调整前后性能；选择合适的学习策略。（2）卷积神经网络的训练和测试根据统一提供的训练图片完成对卷积神经网络的训练；根据教员提供或学员自行下载的坦克、飞机、民用汽车图片完成卷积神经网络图像识别性能的测试。（3）迁移学习编程实现（可选）根据班级专业背景讲授迁移学习相关概念以及编程应用，让学员将一个预先训练好的网络作为学习新任务的起点，使用较少的训练图像使网络学习新任务，具体方案细节随开课当学期的考核方案一起制定。5．实验结果及要求实验结果包括程序和测试结果及实验报告。要求程序的正确性，并通过测试验证。实验5大模型实验1．实验目的与任务实验目的通过本实验，使学员熟悉大模型的特性、优势与局限，掌握人与大模型高效协同的基本原则（如提示词工程、检索增强生成技术等），了解不同类型大模型的适用场景，培养学员利用大模型解决实际问题的能力，提升创新实践与跨领域应用能力。实验任务结合大模型的功能特性，自选主题完成一项创新作品（如游戏程序设计、人工智能前沿方向文献综述、科普视频等）；需使用至少两种不同类型的大模型或检索增强生成（RAG）技术，完成作品的设计、实现与优化，并提交完整的作品、实验报告及创作日志，确保作品符合主题要求，具备一定的实用性和创新性。2．训练的能力点包括大模型的选择与匹配能力（根据场景选择合适的大模型）、提示词工程应用能力（设计精准提示词提升大模型输出质量）、人机协同创作能力（结合人类创造力与大模型高效处理能力）、大模型局限性分析与规避能力（识别并修正大模型“幻觉”“推理不严谨”等问题）、跨工具整合能力（如结合代码生成、视频合成等大模型功能）等方面的能力点。实验原理大模型是基于海量数据训练的人工智能系统，具备文本生成、图像处理、代码编写等多模态能力，但其存在“幻觉”（生成虚假信息）、创造力有限、依赖数据等局限。实验通过将大模型应用与实际任务（如内容创作、程序开发、学术分析）结合，使学员理解大模型的工作机制：（1）人机协同原理：人类负责创意构思、批判性审核、需求拆解，大模型负责高效处理基础任务（如文本生成、代码编写、素材合成），二者优势互补；（2）提示词工程原理：通过明确角色、目的、风格等要素设计提示词，引导大模型精准输出符合需求的内容；（3）检索增强生成（RAG）原理：结合外部知识库检索与大模型生成能力，提升输出的准确性和时效性。通过案例分析（如大模型“翻车”案例）、工具实操（如不同大模型对比使用）、步骤拆解（如作品创作流程）等方式，使学员掌握大模型应用的一般步骤，理解其适用场景与局限，学会通过人工干预优化大模型输出，实现高效协同。4．实验内容及要求（1）大模型的选择与匹配根据选定的任务主题（如游戏程序设计、科普视频生成、学科前沿综述），从豆包、DeepSeek、通义千问、Kimi、混元-DiT等大模型中选择至少两种，对比其核心优势与适用场景，确定最适配的工具组合；若涉及专业领域知识，可结合RAG技术整合外部知识库。作品创作与实现根据主题选择以下至少一项任务展开：（1）程序设计与实现：完成主题构思（如类2048、跳一跳等）、AI内容设计、代码生成（如使用CodeGeeX）、界面优化（结合PYGAME），并通过人工审核修正逻辑错误；（2）科普视频生成：确定主题（如无人作战、激光陀螺等），完成AI脚本生成（800字左右）、音频生成、视频合成，确保内容通俗易懂、兼具趣味性，时长控制在3-4分钟；（3）学科前沿综述：选择Transformer、扩散模型、强化学习等主题，检索不少于30篇文献，完成引言、主体内容（含领域分析、趋势展望）、结语撰写，符合GB/T7714-2015参考文献格式，避免大模型“幻觉”导致的内容错误。（3）创作过程记录与优化全程保存创作日志，记录大模型输出结果、人工调整步骤（如修正错误、优化逻辑、提升创意）；针对大模型输出的不足（如推理不严谨、创造力不足），通过优化提示词、补充领域知识等方式进行迭代优化。实验结果及要求实验结果包括最终作品（程序、视频、综述文档等）、创作日志、实验报告及10分钟汇报材料。要求：（1）作品符合主题要求，功能完整（如程序可正常运行、视频画面清晰、综述逻辑严谨）；（2）创作日志详细记录大模型选择依据、输出结果及人工干预过程，体现人机协同思路；（3）实验报告需说明任务背景、大模型应用过程、结果分析及改进方向；（4）汇报材料需清晰展示作品亮点、大模型应用技巧及遇到的问题与解决方案。三、实践环节单位概况及