《人工智能通识基础与应用》教学大纲

《人工智能通识基础与应用》教学大纲一、基本信息课程类别专业任选课课程性质考查授课模式线下考核方式考试总学分3.0总学时48理论学时48实验学时0上机学时0实践学时0适用专业通信工程、电子信息工程、自动化、电气工程、人工智能、机器人先修课程数字图像处理、机器学习二、课程性质、目的、任务1.性质：《人工智能通识基础与应用》是通信工程、电子信息工程、人工智能、机器人等专业的专业任选课，是一门旨在介绍人工智能领域基本概念、原理和应用的学科课程。课程主要讲授人工智能与智能体、智能机器人与互联网智能、机器学习、人工神经网络、专家系统、智能机器人、类脑智能、智能图像处理、自然语言处理等人工智能的典型工程应用案例，同时重点介绍了人工智能的核心概念、技术和方法。学习本课程需要学习的预备知识有数字图像处理和机器学习常用方法和编程思想，机器学习的理论知识及其与本课程理论之间的密切关系。2.目的：通过《人工智能通识基础与应用》课程的学习，使得学生具有基于人工智能原理和模型表达专业工程问题的分析能力；形成分析人工智能策略或规则，调研和分析专业工程问题解决方案的研究能力；培养总结人类学习过程的认知模型，使用现代工具对人工智能领域的特定需求进行模拟和预测的能力；获得运用人工智能算法解决实际问题，分析和评价专业工程实践与社会、安全、法律之间相互影响的能力，从而为学生今后从事人工智能领域的研究、设计、开发奠定基础。3.任务：通过本课程的学习，学生将了解到人工智能的基本原理，掌握相关技术和方法，并培养批判性思维和解决问题的能力。通过人工智能通识基础与应用课程的学习，学生将不仅掌握人工智能的基本概念和技术，还将了解人工智能的发展现状和未来趋势，为进一步深入研究或应用人工智能技术打下坚实的基础。三、课程目标本课程通过学习人工智能的基础知识，使得学生能够表达专业工程问题；通过学习和运用人工智能的基本原理和相关模型，使得学生能够调研和分析专业工程问题的解决方案；通过总结人类学习的认知模型，使学生能对专业领域的特定需求进行模拟和预测；通过了解工程应用案例中常见的开发方法，使学生能分析和评价专业工程实践与社会、安全、法律之间的相互影响。通过讲授工程案例，课程与学校发展、行业发展之间的关系，课程理论及行业发展中的知名人物与事件，课程理论相关的哲学思想等内容，在强化学生的工程、科学与学术思维的同时，培养学生投身社会主义建设的理想信念与服务行业企业的职业操守。课程目标具体要求如下：课程目标1：能运用学习人工智能通识基础与应用知识和知识表示方法，理解人工智能问题，正确表达专业问题，并强化学生投身社会主义建设的理想信念与服务行业企业的职业操守。课程目标2：能运用机器学习的知识，使用机械学习、传授学习、演绎学习、归纳学习和类比学习等基本策略，总结人类学习过程的认知模型，通用学习算法，构造面向任务的专用学习系统，对专业领域的特定需求进行模拟和预测，并分析其局限性。课程目标3：了解智能机器人知识，能运用类脑智能、智能图像处理、自然语言处理等知识，解决实际问题，分析和评价专业工程实践与社会、安全、法律之间的相互影响，理解应承担的责任。四、教学内容（一）具体教学内容1．绪论（1）教学内容人工智能的定义、人工智能研究的方法及途径、人工智能的研究和应用领域、强人工智能和弱人工智能、大数据和人工智能之间的关系、大数据对人工智能的发展所起的作用、人工智能的起源、人工智能的发展。（2）教学要求能够阐述人工智能的定义；能够解释认识人工智能研究所采用的方法和途径；能够讲述人工智能的研究和应用领域，了解大数据对人工智能的发展所起的作用，使学生能够理解上述知识，初步形成解决人工智能领域工程问题的思路。（3）重点从不同科学或学科出发对人工智能进行的定义；区别强人工智能和弱人工智能；阐述人工智能的起源与发展过程；讨论人工智能与人类智能的关系；描述人工智能的研究和应用领域；简介人工智能所研究的范围与应用领域。（4）难点人工智能和人类智能的区别；人工智能作为一门学科有什么意义；人工智能的研究方法和实现途径；人工智能的核心研究内容与应用生态；人工智能的实现途径。（5）教学方法通过课堂讲授、课堂提问或讨论、课中及课后习题练习等方法开展教学。（6）本章支撑课程目标1机器学习（1）教学内容机器学习的有关知识、机器学习系统的基本模型、归纳学习、类比学习、统计学习、强化学习、进化学习、群体智能。（2）教学要求能够解释机器学习的概念、机器学习系统的基本模型、了解机器学习的特点及应用情况；掌握主要的机器学习方式、理解机器学习的原理和主要类型；理解常用典型距离及类比学习的定义、理解S-MEA算法、掌握基于案例的推理、迁移学习等方法、了解统计学习的定义；了解强化学习模型、理解学习自动机方法、理解进化算法、遗传算法；了解群体智能的概念。（3）重点掌握简单的机器学习模型、掌握归纳学习的基本方法；常用典型距离及类比学习的定义、理解S-MEA算法、了解统计学习的定义、理解统计学习的逻辑回归、支持向量机等方法、了解强化学习模型、理解学习自动机方法、蚁群算法的关键技术。（4）难点理解归纳学习中的变形空间学习方法和决策树方法的基本原理、掌握基于案例的推理、迁移学习等方法、掌握统计学习的步骤、实现AdaBoost算法；掌握进化策略、进化规则；掌握粒子群优化算法。（5）教学方法通过课堂讲授、案例讲解、课堂提问或讨论、课中及课后习题练习、章节测验等方法开展教学。（6）本章支撑课程目标13.神经网络（1）教学内容神经网络的概念、神经信息处理的基本原理、感知机、前馈神经网络；Hopfield神经网络、随机神经网络；深度学习、自组织神经网络。教学要求了解神经网络的概念、类型及思想；掌握并行分布处理模型的工作原理；了解感知机的基本神经元及模型、了解并掌握无隐层感知机学习算法、了解前馈神经网络模型、了解误差反向传播算法、掌握误差反向传播算法的改进思想；了解离散型Hopfield神经网络模型及思想、了解连续型Hopfield神经网络模型及思想、了解模拟退火算法；了解深度学习概念；理解深度学习的主要类型及工作原理、了解自组织特征映射网络模型。（3）重点了解神经网络的概念、类型及思想；了解感知机的基本神经元及模型、了解前馈神经网络模型、了解误差反向传播算法；理解Hopfield神经网络模型、理解随机神经网络；掌握深度学习的概念、理解自组织神经网络。（4）难点掌握并行分布处理模型的工作原理；了解并掌握无隐层感知机学习算法、掌握误差反向传播算法的改进思想；理解模拟退火算法和玻尔兹曼机原理；了解表征学习、了解Kohonen网络训练算法。（5）教学方法通过课堂讲授、案例讲解、课堂提问或讨论、课中及课后习题练习、章节测验等方法开展教学。（6）本章支撑课程目标24．专家系统（1）教学内容人工智能专家系统的特点、类型和发展史、专家系统的基本结构；专家系统MYCIN、专家系统工具CLIPS；专家系统工具JESS、专家系统工具OKPS；专家系统的建立、新型专家系统。（2）教学要求了解人工智能专家系统的特点、类型和发展史；掌握专家系统的基本结构；了解MYCIN系统的基本概念与结构、了解MYCIN系统中数据的表示以及控制策略、掌握专家系统的工具CLIPS的基本概念；了解各种专家系统工具、掌握专家系统工具的知识表示、开发和运行；掌握新型专家系统的定义、掌握新型专家系统的设计原则、掌握分布式专家系统、了解协同式专家系统。（3）重点了解人工智能专家系统的特点、类型和发展史；掌握MYCIN系统的基本概念与结构、掌握专家系统的工具CLIPS的基本概念；掌握专家系统工具的知识表示、开发和运行；掌握新型专家系统的设计原则。（4）难点掌握专家系统的基本结构；了解MYCIN系统中数据的表示以及控制策略、了解CLIPS的运行；掌握新型专家系统的特征。（5）教学方法通过课堂讲授、案例讲解、课堂提问或讨论、课中及课后习题练习、章节测验等方法开展教学。本章支撑课程目标25．智能机器人（1）教学内容智能机器人的概述、智能机器人的体系结构；机器人视觉系统、机器人规划系统；情感机器人、教育机器人；服务机器人、智能机器人的应用；智能机器人的发展趋势。（2）教学要求掌握智能机器人的特点、了解智能机器人的分类；了解智能机器人的体系结构、掌握七种体系结构的原理和特点；了解机器人视觉系统的发展历史、掌握视觉系统的特点、功能和应用；了解机器人规划系统的基本构成、掌握轨迹规划的常用办法；掌握情感机器人和教育机器人的发展趋势、掌握情感机器人的理论障碍、了解情感机器人对社会的影响和产生的问题、了解教育机器人的应用；掌握服务机器人的特点；了解智能机器人的关键技术、掌握智能机器人的发展趋势。（3）重点掌握智能机器人的关键技术；掌握视觉系统的特点、功能和应用；掌握轨迹规划的常用办法；掌握情感机器人和教育机器人的发展趋势、掌握情感机器人的理论障碍；掌握服务机器人的特点，了解服务型机器人的定义；智能机器人的关键技术。（4）难点掌握视觉系统的特点、功能和应用；了解情感机器人对社会的影响和产生的问题；掌握服务机器人的特点、掌握服务机器人的发展趋势。（5）教学方法通过课堂讲授、案例讲解、课堂提问或讨论、课中及课后习题练习、章节测验等方法开展教学。（6）本章支撑课程目标36.类脑智能（1）教学内容类脑智能概述、大数据智能；认知计算、神经形态芯片；类脑智能路线图。（2）教学要求了解类脑智能的定义、了解类脑智能的形成和发展、掌握大数据的本质及其定义、了解大数据智能的发展；了解认知计算的定义、发展历程；了解神经形态芯片的产生过程、作用和用途；了解类脑智能路线图的定义和作用。（3）重点掌握类脑智能的定义、了解大数据的本质及其定义；神经形态芯片的作用和用途。（4）难点类脑智能的形成和发展；神经形态芯片的作用和用途；掌握类脑智能路线图的定义和与作用。（5）教学方法通过课堂讲授、案例讲解、课堂提问或讨论、课中及课后习题练习、章节测验等方法开展教学。（6）本章支撑课程目标37.智能图像处理（1）教学内容图像分类；图像分割；视觉问答；图像修复；图像风格迁移；视频分类、视频转文本。（2）教学要求掌握图像分割的定义、了解图像分割的发展、掌握图像风格迁移的基本方法；了解视觉回答的发展历程；了解视频分类、视频转文本的技术原理；了解视频转文本的应用领域。（3）重点掌握图像分割的定义、了解图像分割的工作流程、了解VQA任务及常见架构的分类法；了解视频转文本的技术原理。（4）难点了解自然语言处理的一个用场景；图像分割的方法和用途；掌握图像风格迁移的定义和与作用。（5）教学方法通过课堂讲授、案例讲解、课堂提问或讨论、课中及课后习题练习、章节测验等方法开展教学。（6）本章支撑课程目标3自然语言处理（1）教学内容什么是NLP；NLP任务类型；NLP的预处理；NLP表示方式；NLP的业务场景。（2）教学要求了解什么是NLP；了解NLP的任务类型；掌握NLP的预处理流程；掌握NLP的表示方式；了解NPL的业务场景。（3）重点了解NLP的定义；了解NLP的基本概念；了解NLP的发展历程；了解NLP的任务类型；掌握NLP的预处理流程；了解离散式的典型任务。（4）难点了解同步和异步序列的区别；了解收集数据的方法；了解清洗数据的具体步骤；了解分步式的典型任务；掌握离散式和分步式的区别；了解NLP的业务场景。（5）教学方法通过课堂讲授、案例讲解、课堂提问或讨论、课中及课后习题练习、章节测验等方法开展教学。（6）本章支撑课程目标39.智能图像处理（1）教学内容生成式人工智能概述；生成式人工智能及发展背景；AIGC的发展历史；AIGC的三大核心技术；AIGC的三大应用场景。（2）教学要求了解生成式人工智能的概念与定义；了解生成式人工智能的分类和主要的应用领域；了解生成式人工智能与传统人工智能的区别；掌握生成式人工智能的研究内容及实现途径；掌握生成式人工智能的应用生态及伦理挑战。（3）重点了解生成式人工智能的发展历史；了解AIGC赋能内容创作的四大模态；了解AIGC三大核心模型之一的NLP技术；了解AIGC的职能应用；了解AIGC的产品研发；了解AIGC的文本生成应用；了解AIGC的创新设计领域；了解AIGC的创业实践领域；了解生成式人工智能带来的伦理问题。（4）难点了解AIGC三大核心模型之一的GAN技术；了解AIGC的管理协作；了解AIGC的风险与监管；掌握如何解决伦理问题、促进生成式人工智能向善、引领人工智能健康发展。（5）教学方法通过课堂讲授、案例讲解、课堂提问或讨论、课中及课后习题练习、章节测验等方法开展教学。（6）本章支撑课程目标3（二）课程思政重点设计序号教学内容课程思政元素具体内容1基础知识坚定学习强国的信念在人工智能的概述中，讲解课程的文化背景、电子信息产业对人才的要求，围绕“国家与民族”、“职业规范与道德”、“担当与奋斗”等内容设计概述课程内容，使学生理解课程与社会各环节的相互影响，增加学生学习课程的内在驱动力和信心。2机器学习服务行业企业的职业操守围绕机器学习算法的发展历程，讲述机器学习算法的原理。培养学生理解理论背景及服务行业企业的职业操守。3类脑智能投身社会主义建设的理想信念通过工程案例讲授课程所学知识实际应用时与国家、行业、社会发展的相互影响，提升学生对所学课程知识的理解及在社会生活中的定位，培养学生的爱国情怀和创新创业思维。（三）学时分配表教学内容理论学时上机学时实验学时实践学时绪论6机器学习6神经网络8专家系统4智能机器人8类脑智能4智能图像处理4自然语言处理4生成式人工智能4合计48五、教学设计课程目标教学方法和手段设计与实施课程目标1课堂讲授课堂讲授内容采用PPT讲述人工智能的定义、人工智能研究的方法及途径、人工智能的研究和应用领域、强人工智能和弱人工智能、大数据和人工智能之间的关系、大数据对人工智能的发展所起的作用、人工智能的起源、人工智能的发展；机器学习的有关知识、机器学习系统的基本模型、归纳学习、类比学习、统计学习、强化学习、进化学习、群体智能、智能发现；用典型历史事件介绍人工智能在国内外的发展情况，当前的研究现状和研究内容。利用老年伴侣机器人ELLI.Q，讨论人工智能在医疗行业的应用；利用水下机器人引入人工智能和人类智能的区别。通过理论教学，使学生能利用人工智能的基本知识分析和评价人工智能系统与社会、健康之间的相互影响，并强化学生投身社会主义建设的理想信念与服务行业企业的职业操守。课堂提问或讨论课中及课后习题练习围绕教学章节内容，在课堂上有针对重点难点知识点进行提问或讨论；课中布置练习和讨论题目，课后布置有一定数量的课后练习，作业涉及人工智能通识基础与应用知识与基本原理的计算、分析、设计、问题回答等手写作业外，以及需要使用Python、MatLab、C语言进行计算与辅助设计的计算机编程作业，通过将手写作业与计算机编程作业相结合，夯实学生的人工智能理论基础，最大限度地综合锻炼学生利用人工智能通识基础与应用知识、基本原理及技术方法，表达专业工程问题、设计开发专业解决方案的能力、对专业领域的特定需求进行模拟和预测的能力、分析和评价专业工程实践与社会、安全、法律之间的相互影响。测验围绕课程目标1包含的各章教学重点内容，进行阶段测验。测验内容包括：人工智能的概念、构成、特性及意义，人工智能系统的分类，人工智能的发展过程，人工智能技术在各领域的应用及国内外的研究现状、研究方向、应用现状、机器学习的有关知识、机器学习系统的基本模型、归纳学习、类比学习、统计学习、强化学习、进化学习、群体智能、智能发现。教师将收集所有章的测验成绩进行统计作为每个课程目标的测验成绩，并对测验成绩不佳的同学及时开展有针对性的帮扶。课程目标2课堂讲授案例讲解课堂讲授内容采用PPT讲述，讲授神经网络的概念、神经信息处理的基本原理、感知机、前馈神经网络、Hopfield神经网络、随机神经网络、深度学习、自组织神经网络等内容；讲解人工智能专家系统的特点、类型和发展史、专家系统的基本结构；专家系统MYCIN、专家系统工具CLIPS；专家系统工具JESS、专家系统工具OKPS；专家系统的建立、新型专家系统，在此框架上对比讲解不同策略的区别。课堂提问或讨论课中及课后习题练习围绕教学章节内容，在课堂上有针对重点难点知识点的提问；课中布置练习和讨论题目，课后布置有一定数量的课后作业涉及前馈神经网络、Hopfield神经网络、随机神经网络、深度学习、自组织神经网络、专家系统等内容，从而夯实学生的人工智能理论基础，最大限度地锻炼学生设计人工智能系统过程中使用现代工具的能力。测验围绕课程目标2包含的各章教学重点内容，进行基于考试形式的线下阶段测验。测验内容包括：前馈神经网络、Hopfield神经网络、随机神经网络、深度学习、自组织神经网络、专家系统等。教师将收集每章题目测验的成绩按照课程目标的要求进行统计，作为最终每个课程目标的测验成绩，并对测验成绩不佳的同学及时开展有针对性的帮扶。课程目标3课堂讲授案例讲解课堂讲授内容采用PPT讲述，介绍智能机器人的体系结构；以具体案例为例讲授机器人视觉系统、机器人规划系统；介绍情感机器人、教育机器人、服务机器人、智能机器人的应用等；讲解类脑智能、大数据智能、认知计算、神经形态芯片、类脑智能路线图；讲解图像分割的定义、图像分割的发展、图像风格迁移的基本方法；视觉回答的发展历程、视频分类、视频转文本的技术原理、视频转文本的应用领域；介绍NLP定义、NLP的任务类型、NLP的预处理流程、NLP的表示方式、NPL的业务场景；介绍生成式人工智能的概念与定义、生成式人工智能的分类和主要的应用领域、生成式人工智能与传统人工智能的区别、生成式人工智能的研究内容及实现途径、、生成式人工智能的应用生态及伦理挑战；培养学生设计/开发专业解决方案能力。课堂提问或讨论课中及课后习题练习围绕教学章节内容，围绕教学章节内容，在课堂上有针对重点难点知识点的提问；课中布置练习和讨论题目，课后布置有一定数量的课后作业涉及机器人视觉及智能机器人、视频分类、视频转文本等任务，包括视频转文本、生成式人工智能、机器人规划系统的相关算法和软件等手写作业，从而夯实学生的人工智能技术理论基础，培养学生利用人工智能系统基本设计/开发方法，设计/开发专业解决方案能力。测验（线下期末测验）围绕各章教学重点内容，进行基于考试形式的线下阶段测验。测验内容包括：智能机器人的概述、智能机器人的体系结构；机器人视觉系统、机器人规划系统；情感机器人、教育机器人；服务机器人、智能机器人的应用；智能机器人的发展趋势、类脑智能、讲解图像分割的定义、图像分割的发展、图像风格迁移的基本方法；视觉回答的发展历程、视频分类、视频转文本的技术原理、视频转文本的应用领域；NLP定义、NLP的任务类型、NLP的预处理流程、NLP的表示方式；生成式人工智能的概念与定义、生成式人工智能的分类和主要的应用领域、生成式人工智能的研究内容及实现途径。教师将收集每章题目测验的成绩按照课程目标的要求进行统计，作为最终每个课程目标的测验成绩，并对测验成绩不佳的同学及时开展有针对性的帮扶。六、本课程与其他课程的联系《人工智能通识基础与应用》课程的先修课程除涉及高等数学、算法与数据结构等公共基础课外，主要包括：数字图像处理、机器学习等课程。该课程也是毕业设计等后续开设实践课程的基础。七、课程考核方法与成绩评定（一）考核方式及要求本课程为考查课，课程总评成绩由作业成绩、测验成绩、实验成绩、课堂参与度、考试成绩五个考核项目综合评定产生，各考核项目的分值、权重(所占比例)、考核/评价细则、支撑的课程目标等如下表所示，其中：作业成绩满分100分，按0.1的权重系数计入课程总评成绩，测验成绩满分100分，按0.1的权重系数计入课程总评成绩，大作业成绩满分100分，按0.2的权重系数计入课程总评成绩，考试成绩满分100分，按0.6的权重系数计入课程总评成绩。课程考核内容及评价细则见下表。考核项目权重(比例)分值考核/评价细则支撑的课程目标作业0.11001.手写作业（题型包含：分析、计算、论述、简答等）。2.布置的作业应能支撑课程目标且有对应的参考答案与评分标准。3.作业的成绩按照作业质量、次数、作业评分标准综合评价，按百分制评分。课程目标1课程目标2课程目标3单元实践/测验0.1100根据学生实践情况、学生自评、他人评价和教师评价相结合的方式评定成绩。测验选择的题型包括：填空、判断、计算、画图、问题回答、案例分析等。课程目标1课程目标2课程目标3课程大作业0.2100学生完成个人报告，评估学生对人工智能相关问题研究能力和对相关理论的理解与应用。教师评定报告成绩。课程目标1课程目标2课程目标3考试0.61001.考试可选题型包括：选择题、判断题、填空题、分析题、简答题等，按百分制评分。2.期末考查形式：通过考试测试学生对课程内容的理解程度、掌握情况和应用能力。可采用开卷或闭卷方式。教师评定笔试成绩。3.期末考试对试题的要求：试题应体现重点，难度适中，题量适度，应能支撑课程目标且有对应的参考答案及评分标准。课程目标1课程目标2课程目标3（二）课程目标达成考核的评分标准考核环节及占比对应课程目标及评分标准作业（占总成绩10%）对应的课程目标课程目标1课程目标2课程目标3评分标准观测点及权重90-100分80-89分70-79分60-69分0-59分作业完成进度与规范（权重0.2）全部完成，按时提交，书写整洁，格式规范。全部完成，按时提交，书写比较整洁，格式比较规范。全部完成，延时提交，书写整齐，格式比较规范。少量题目未解答，督促补交，书写基本整齐，格式基本规范。督促后补交部分，书写不整齐，格式不规范。作业解答结果（权重0.8）知识掌握扎实，能熟练地用于分析相关问题；能很好地利用相关原理、性质分析过程影响因素并获得有效结论；很好地掌握了相关设计方法，相关影响因素了解全面充分。知识掌握比较扎实，能比较熟练地用于分析相关问题；能较好地利用相关原理、性质分析过程影响因素并获得有效结论；较好地掌握了相关设计方法，相关影响因素了解较为全面。知识掌握较好，能用于分析相关问题；能利用相关原理、性质分析过程影响因