68479-《人工智能通识基础与应用》-人民邮电出版社-教案

课程教学设计方案配套教材：人工智能通识基础与应用

主编：李云红出版社：人民邮电出版社课程名称人工智能通识基础与应用建议总学时48课程类型通识教育课（）专业基础课（）专业课（√）选修课（）授课老师授课对象专业：年级：班级：课程简介《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。考核方式本课程为考查课，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，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。课程教学进度计划安排周次教学内容建议学时1绪论1.1什么是人工智能1.2大数据和人工智能1.3人工智能的起源与发展历史1.4人工智能的核心研究内容与应用生态421.5人工智能的实现途径1.6人工智能伦理机器学习2.1机器学习概述2.2归纳学习43第二章2.3类比学习2.4统计学习 2.5强化学习2.6进化学习2.7群体智能2.8智能发现44第三章神经网络3.1神经网络概述3.2神经信息处理的基本原理3.3感知机3.4前馈神经网络45第三章神经网络3.5Hopfield神经网络3.6随机神经网络3.7深度学习3.8自组织神经网络46第四章专家系统4.1专家系统概述4.2专家系统的基本结构4.3专家系统MYCIN4.4专家系统工具CLIPS47第五章智能机器人5.1智能机器人概述5.2智能机器人的体系结构5.3机器人视觉系统5.4机器人规划系统48智能机器人5.5情感机器人5.6教育机器人5.7服务机器人5.8智能机器人的应用5.9智能机器人的发展趋势49第六章类脑智能6.1类脑智能概述6.2大数据智能6.3认知计算6.4神经形态芯片6.5类脑智能路线图4107.1图像分类7.2图像分割7.3视觉问答7.4图像修复7.5图像风格迁移7.6视频分类7.7视频转文本4118.1什么是NLP8.2NLP任务类型8.3NLP的预处理8.4NLP的表示方式8.5NLP的业务场景4129.1什么是智能9.2什么是人工智能9.3AIGC的三大核心技术9.4AIGC的三大应用场景9.5AI大模型应用9.6AIGC创新设计与创业实践9.7AIGC面临的挑战及未来发展趋势4合计48周次第1周第1次授课时间100分钟课时2授课内容第一章人工智能概述1.1什么是人工智能1.2大数据和人工智能教学目标了解人工智能的定义。了解强人工智能和弱人工智能。了解人工智能和人类智能的区别。了解人工智能的研究和应用领域。教学重点了解人工智能的定义。了解强人工智能和弱人工智能。教学难点了解人工智能和人类智能的区别。了解人工智能的研究和应用领域。主要教学方式教师讲授（）课堂讨论（）多媒体教学（）小组活动（）当堂测验（）实验演示（）作业讲评（）难点答疑（）提问式教学（）实践教学（）其他活动使用媒体资源纸质教材（）PPT课件（）CAI课件（）视频材料（）音频材料（）三维模型（）直播课堂（）其他资源参考书及参考资料教学活动安排教学环节教学内容教师活动学生活动复习与引导（5分钟）导入案例：电影《人工智能》及水下搜救机器人。提问与引导回答老师问题，随老师陈述会议上节课讲述内容讲授新课内容（80分钟）内容大纲：具体可结合本章的PPT课件进行配合讲解。//1.1什么是人工智能智能有以下三个特点：（1）有智能的物体可以将新的信息融入自己的知识库。（2）有智能的物体可以利用知识库里的信息推理出新的信息。（3）有智能的物体可以利用知识库里的信息去针对外界刺激做出相应的反应。//1.1.1强人工智能与弱人工智能强人工智能(ArtificialGeneralIntelligence，AGI)强人工智能观点认为，有可能制造出真正能推理(Reasoning)和解决问题(ProblemSolving)的智能机器。并且，这样的机器将被认为是有知觉的，有自我意识的。强人工智能可以分为两类：类人的人工智能，即机器的思考和推理就像人的思维一样；非类人的人工智能，即机器产生了和人完全不一样的知觉和意识。使用和人完全不一样的推理方式。（2）弱人工智能(ArtificialNarrowIntelligence，ANI）弱人工智能观点认为，不可能制造出能真正地推理和解决问题的智能机器。这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不具有自主意识。//1.1.2人工智能与人类智能（1）进化途径和本质属性不同：人类的本质属性体现在人类的社会属性上，人工智能的进化是科技与技术进化的产物，是纯粹的物质进化，所以其本质属性是自然。（2）物质承担者不同：人类智能的物质承担者是人的大脑，而人工智能的物质承担者是集成电路、电子管、晶体管等电子元件。（3）智能活动中的地位不同：人类智能在智能活动中依然占据主体地位，当然人类智能将会永久地占据主导地位。（4）人工智能没有人类的意识所特有的能动的创造能力：人工智能虽然可以存储海量的信息，但是它并没有主观能动性。（5）人工智能没有社会属性：人工智能是人类智慧的放大体现，但体现的仅是人类的智慧，并没有体现人类所具有的社会属性，即人工智能不会直接参与人类的社会活动。（6）思维程序和思维深度不同：人工智能的一切能力都是人类创造并赋予的，是人类智能思维的体现。//1.2大数据和人工智能//1.2.1大数据的概念大数据的特点大数据的特点不仅在于数据量大，更在于其应用范围广泛。（1）综合来看，大数据技术具有数据体量大、数据类型多、数据价值密度低和数据处理快四个主要的特点。（2）从数据体量方面来看，截至目前，一般计算机容量为TB级别,许多大企业和工业计算机的容量接近EB量级,大数据的数据体量之大可见一斑.（3）从数据类型方面来看，由于大数据类型的多样性，可以将数据划分为结构化数据和非结构化数据两种。2.大数据的优势在大数据时代来临之前，我们只能通过抽样调查的方式来分析问题，找出事物的因果关系；而在大数据时代；我们的研究范围则大大拓展了。通过全样本方式来分析和解决问题，从而更好地认识和了解世界,不仅能够研究事物的因果关系，还能够处理事物的相关关系。//1.2.2大数据技术在人工智能中的应用优势（1）智能化：人类社会已经进入了智能经济时代,借助大数据能够实现信息的智能化，利用有效工具来挖掘和处理数据,通过数据的“加工”来实现数据的“增值”，从而实现盈利。（2）速度快：相较于以往，在大数据时代下，人工智能的数据获取和数据分析更加快速和及时。（3）结果精确性高：传统数据分析难以精确调研用户的行为习惯，精准性不足。而相较于传统数据分析，利用大数据分析能够有效挖掘用户的真实想法和行为习惯，呈现出的分析结果更为准确，大大提升了人工智能的精确性。//1.2.3大数据在人工智能中的具体应用（1）智能机器人：大数据技术与人工智能技术的结合能够让机器人像人类一样去思考和决策，通过传感器传递海量信息，通过模式识别引擎对大数据进行系统化的分，通过数据学习算法或数据反馈来深化智能机器人技能的设定，由此能够优化人工智能机器人的应用。（2）智能制造：智能制造是未来制造业的一个重要发展趋势通过对工程的智能化改造来让工程具有自我性，实现工厂对整个产品生产过程中各项复杂事物的自主管，并自行制定效率最高的产品生产案。（3）智能物流：大数据时代强调迅捷化、智能化，这不仅体现在产品的生产过程中，还体现在产品的运输过程中。由此可见，在大数据时代智能商业模式的发展过程中，智能物流占据着重要地位。具体来说，智能物流是指依托于物联网、互联网及企业内部网络整合物流资源，以此来充分提升物流服务效率。利用课件展示基本概念和基本理论，由浅入深，从基础理论知识开始，针对计算机基础内容进行大致介绍学生自学引例，认真聆听老师讲授内容，结合所观察的具体实例展开联想思政元素（融入课程教学中）内容导引展开研讨总结分析（思政升华）思政落脚点老年伴侣机器人ELLI.Q人工智能在医疗行业的应用还有哪些?随着社会的老龄化,老年伴侣机器人是否会得到广泛应用?人工智能在医疗行业的应用非常广泛：（1）图像识别和分析：应用于医学影像，如X射线、CT扫描和MRI等。它可以自动检测和识别异常病变，辅助医生进行早期诊断和判断。（2）疾病诊断和预测：基于机器学习和深度学习的算法可以分析大量的医学数据，并帮助医生诊断和预测疾病。（3）医疗机器人：智能机器人可以协助医生进行手术操作、患者监测和医疗程序。它们可以提供高精度的手术辅助、危险手术操作和远程医疗服务。老年伴侣机器人是指专为老年人提供陪伴、照料和支持的智能机器人。随着人口老龄化的加剧，人力资源可能无法满足老年人的照料和陪伴需求。老年伴侣机器人可以成为一种追求的选择，填补人力短缺的空缺。科技发展、人文关怀宠物伴侣机器人Domgy我国自主研发的智能机器人还有哪些?宠物机器人真的可以给人类带来欢乐吗?中国在智能机器人领域进行了许多自主研发和创新：（1）务机器人：中国开发了多种类型的服务机器人，用于智能导览、餐厅服务、医疗护理、保安巡逻等。（2）教育机器人：中国的教育机器人在教学辅助和学习交互方面取得了许多成果.（3）工业机器人：中国的工业机器人制造商在汽车制造、电子设备制造和物流等领域取得了显著进展。（4）智能家居机器人：国内企业推出了多功能的智能家居机器人，能够自动清扫地板，监测环境。宠物机器人在一定程度上可以给人类带来欢乐和情感上的满足。宠物机器人可以提供陪伴感，尤其对于那些空闲时间较多或无法养活实体宠物的人来说，它们可以成为一个伙伴，减轻孤独感。一些宠物机器人具有模仿动物行为和表情的功能，它们可以通过轻拍、摇晃或听觉反馈来传达情感表达，例如高兴、难过或需要关爱。自主创新、文化自信讨论与提问（10分钟）讨论与提问什么是智能的定义？在不同领域中，智能是如何被定义和解释的？智能是否只局限于人类？是否可以将其他生物或机器认为是具有智能的？过去几十年的人工智能发展，是否趋向于更接近人类的智能和意识，或者它们是完全不同的概念？引导学生对设定话题展开讨论通过相互学习加深理解，通过老师答疑促进对内容的掌握总结与布置作业（5分钟）总结本节课我们主要学习了什么是智能、什么是人工智能。通过本次课程的学习，我们深入了解了智能和人工智能的定义及相关概念，了解了强人工智能和弱人工智能的区别，人工智能与人类智能，人工智能是对人类智能进行模仿来实现的，而人类智能能够工作和思考。为了让机器拥有这两种能力，人们开始进行人工智能的开发。最后，我们还学习了人工智能的研究和应用领域，它的研究目标是通过电子仪器、计算机等。随着人工智能理论研究的发展和成熟，人工智能的应用领域更为宽广，应用效果更为显著尽可能地模拟人的精神活动，并且争取在这些方面最终改善并超越人类。布置作业P34页习题1、2快速展示课件和口头总结本次课程内容，布置作业随老师总结快速记忆和复习，记录作业内容周次第1周第2次授课时间100分钟课时2授课内容第一章人工智能概述1.3人工智能的起源与发展历史1.4人工智能的核心研究内容与应用生态教学目标了解大数据和人工智能之间的关系。了解大数据对人工智能的发展所起的作用。了解人工智能的起源。了解人工智能的发展。了解人工智能的核心研究内容。教学重点了解大数据和人工智能之间的关系。了解大数据对人工智能的发展所起的作用。了解人工智能的应用生态。教学难点了解人工智能的起源。了解人工智能的发展。思政目标通过科技教育和科学素养的提升，培养具有社会主义核心价值观和创新精神的学生。引导学生正确认识和应用科技，培养创新意识和创造能力，树立正确的科学观。主要教学方式教师讲授（）课堂讨论（）多媒体教学（）小组活动（）当堂测验（）实验演示（）作业讲评（）难点答疑（）提问式教学（）实践教学（）其他活动使用媒体资源纸质教材（）PPT课件（）CAI课件（）视频材料（）音频材料（）三维模型（）直播课堂（）其他资源参考书及参考资料教学活动安排教学环节教学内容教师活动学生活动复习与引导（5分钟）复习上节内容：什么智能、什么是人工智能。讨论问题：1、智能的定义是什么？2、人工智能和人类智能的区别以及人工智能的研究和应用领域？导入案例：水下机器人提问与引导回答老师问题，随老师陈述会议上节课讲述内容讲授新课内容（80分钟）内容大纲：具体可结合本章的PPT课件进行配合讲解。//1.3人工智能的起源与发展历史人工智能的发展主要分为六个时期：起步发展期(1956年至20世纪60年代初)。反思发展期(20世纪60年中初至70年代初)。应用发展期(20世纪70年代中至80年代中)。低迷发展期(20世纪80年代末中至90年代中)。稳步发展期(20世纪90年代末至2010年)。稳步发展期(20世纪90年代末至2010年)。//1.4人工智能的核心研究内容与应用生态//1.4.1人工智能的核心研究内容机器感知：是机器获取外界信息的主要途径，也是机器智能的重要组成部分。机器感知就是要让计算机具有类似于人的感知能力，如视觉、听觉、触觉、嗅觉、味觉。其包括机器视觉、模式识别、自然语言理解等方面的研究。机器思维：机器思维就是让计算机模仿和实现人的思维能力，以对感知到的外界信息和自己生产的内部信息进行思维性加工。其包括推理、搜索、规划等方面的研究。机器行为：是一个利用行为科学来理解人工智能行为的领域。机器行为处于计算机科学、工程学和行为科学的交叉点，以实现对人工智能行为的全面理解。随着人工智能变得越来越复杂，分析它们的行为能有效理解它们的内部架构以及它们与环境交互的组合。计算智能：是信息科学、生命科学、认知科学等不同学科相互交叉的产物。它主要借鉴仿生学的思人工智能通识基础与应用基于人们对生物体智能机理的认识，采用数值计算的方法模拟和实现人类的智能。//1.4.2智能系统构建与认知建模1.认知建模：美国心理学家休斯敦(T.P.Houston)等把认知归纳为如下5种类型：认知是信息的处理过程；认知是心理上的符号运算；认知是问题求解；认知是思维；认知是一组相关的活动。2.知识表示：“知识Ⅰ”是指隐性知识或者使用其他表示方法表示的显性知识；“知识Ⅱ”是指使用该种知识表示方法表示后的显性知识。“知识Ⅰ”与“知识Ⅱ”的深层结构一致，只是表示形式不同。所以，知识表示的过程就是把隐性知识转化为显性知识的过程，或者是把知识由一种表示形式转化成另一种表示形式的过程。3.自动推理：从一个或多个已知的判断（前提）逻辑地推论出一个新的判断（结论）的思维形式称为推理，这是事物的客观联系在意识中的反映。自动推理是知识使用的过程，人解决问题就是利用以往的知识，通过推理得出结论。自动推理是人工智能研究的核心问题之一。按照新的判断推出的途径来划分，自动推理可以分为演绎推理、归纳推理和反绎推理。（1）演绎推理：从一般到个别的推理过程。演绎推理是人工智能中的一种重要的推理方式。（2）归纳推理：从个别到一般的推理过程。归纳推理是机器学习和知识发现的重要基础，是人类思维活动中最基本、最常用的一种推理形式。（3）反绎推理：由结论倒推原因，又被称为最佳解释推理。按推理过程中推出的结论是否单调地增加，自动推理又可分为：（1）单调推理：指已知为真的命题数目随着推理的进行而严格地增加。（2）非单调推理：结论并不随着条件的增加而增加。4.机器学习是指计算机通过模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能研究的核心问题之一，是当前人工智能理论研究和实际应用非常活跃的研究领域。其是一门多领域交叉的学科，它涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。//1.4.3人工智能的应用生态1.数据挖掘：是通过分析每个数据，从大量数据中寻找其规律的技术，主要有数据准备、规律寻找和规律表示3个步骤：（1）数据准备：从相关的数据源中选取所需的数据并整合成用于数据挖掘的数据集；（2）规律寻找：用某种方法将数据集所含的规律找出来；（3）规律表示：尽可能以用户可理解的方式（如可视化）将找出的规律表示出来。数据挖掘的任务有关联分析、聚类分析、分类分析、异常分析、特异群组分析和演变分析等。2.自然语言处理：研究的是计算机通过人类熟悉的自然语言与用户进行听、说、读、写等交流的技术，是一门与语言学、计算机科学、数学、心理学和声学等学科相联系的交叉性学科。自然语言处理的研究内容主要包括语言计算、语言资源建设、机器翻译或机器辅助翻译、汉语和少数民族语言文字输入输出及智能处理、中文手写和印刷识别、中文语音识别及文语转换、信息检索、信息抽取与过滤、文本分类、中文搜索引擎和以自然语言为枢纽的多媒体检索等。3.智能机器人根据智能可以分为以下四类：（1）工业机器人；（2）初级智能机器人；（3）智能陪护机器人；（4)高级智能机器人。4.模式识别（PatternRecognition）：是指对表征事物或现象的各种形式的信息进行处理和分析，以便对事物或形象进行描述、辨认、分类和解释的过程。模式识别呈现多样性和多元化的趋势，可以在不同的概念粒度上进行，其中，生物特征识别成为模式识别研究的活跃领域，包括语音识别、文字识别、图像识别和人物景象识别等。5.分布式人工智能（DistributedArtificialIntelligence）：是分布式计算与人工智能结合的结果。它主要研究在逻辑上或物理上分散的智能动作者如何协调其智能行为，求解单目标和多目标问题，为设计和建立大型复杂的智能系统或计算机支持协同工作提供有效途径。6.互联网智能：语义Web（SemanticWeb）追求的目标是让Web上的信息能够被机器理解，从而实现Web信息的自动处理，以适应Web信息资源的快速增长，更好地为人类服务。7.博弈（GamePlaying）是人类社会和自然界中普遍存在的一种现象，如下棋、打牌、战争等。博弈的双方可以是个人、群体，也可以是生物群或智能机器，各方都力图用自己的智慧获取成功或击败对方。博弈过程可能产生庞大的搜索空间。利用课件展示基本概念和基本理论，由浅入深，从基础理论知识开始，针对计算机基础内容进行大致介绍学生自学引例，认真聆听老师讲授内容，结合所观察的具体实例展开联想思政元素（融入课程教学中）内容导引展开研讨总结分析（思政升华）思政落脚点水下搜救机器人水下搜救机器人都有什么类型?水下搜救机器人是否存在安全隐患?水下搜救机器人根据其功能和应用领域的不同，可以分为以下几种类型：（1）遥控潜水器（ROV）：遥控潜水器是一种通过遥控操作进行水下任务的机器人。它们通常配备有摄像头和灯光系统，可以支持实时监测和搜救操作。（2）自主潜水器（AUV）：自主潜水器是一种能够自主运行的水下机器人，它们具备自主避障、路径规划和任务执行能力。水下搜救机器人在执行任务时，可能存在一些安全隐患。操作失控：如果水下搜救机器人的遥控或自主系统出现故障，或者操作人员在控制机器人时犯错，可能导致机器人不受控制，甚至造成事故；电气故障和电池问题：由于水下环境的复杂性，水下搜救机器人的电气系统可能面临电气故障的风险。此外，电池的使用寿命和容量可能受到限制，影响机器人的工作时间和效能；水下通信问题：水下环境对无线通信造成了一定的挑战，在深海或海洋环境中，水的透明度、传输距离和通信干扰等问题都可能影响机器人与操作人员之间的通信质量和可靠性。科技发展、安全意识智能建筑智能建筑都有哪些类型?智能建筑是否存在漏洞以及安全隐患?智能建筑的发展是否会带来安保行业的失业问题?智能建筑是指通过集成多种智能技术和系统，以提高建筑物的能效、安全性、可持续性和用户体验的建筑：（1）办公楼：智能办公楼包括各种办公室、商业大楼和商务中心。它们通常包括智能照明系统、能源管理系统、智能安防系统、智能建筑自动化系统和智能办公设备.（2）住宅楼：智能住宅楼集成了智能家居技术，提供便利、舒适和节能的居住环境。例如，智能家居系统可以控制照明、温度、窗帘、安防等，同时智能家电可以与智能设备联动智能建筑在实施和运行过程中确实存在一些漏洞和安全隐患。（1）网络安全风险：智能建筑中的各种智能系统和设备通过互联网进行通信和数据传输，这可能使其成为网络攻击的目标。黑客可能通过攻击智能建筑的网络来获取敏感信息、破坏系统功能或者干扰正常运行。（2）身份认证问题：智能建筑系统中的身份认证和权限管理可能存在漏洞，使得未经授权的人员可以访问和控制系统。这可能导致数据泄露、设备操作失控或者恶意行为。智能建筑的发展可能对传统安保行业造成一定影响，但不一定会导致失业。虽然智能建筑的发展使得一些重复性和规模化的安保工作可能被自动化取代，但人工智能技术本身也需要人类专业人员进行开发、管理和维护。因此，智能建筑的发展可能会促使安保行业从传统的人力为主向智能化、高级化方向发展。科技发展、安全意识讨论与提问（10分钟）讨论与提问大数据和人工智能之间的关系是什么？？大数据如何影响人工智能的发展？人工智能如何改变了数据处理和分析的方式？人工智能在智能的起源和发展中扮演了怎样的角色？人工智能的核心研究内容是什么?引导学生对设定话题展开讨论通过相互学习加深理解，通过老师答疑促进对内容的掌握总结与布置作业（5分钟）总结本节课主要学习了大数据和人工智能与人工智能的起源与发展。“大数据和人工智能”之间密切相关。大数据为人工智能提供了丰富、多样化的数据资源，促进了人工智能技术的发展和应用。人工智能又通过分析和利用大数据来提升自身的学习和决策能力，两者相互促进、相辅相成。人工智能的起源可以追溯到上世纪，但近年来才取得了显著的进展。起初，人工智能主要集中在弱人工智能领域，如专家系统和规则引擎。随着计算能力和算法的发展，强人工智能领域的研究也逐渐崛起，包括机器学习、深度学习和自然语言处理等。大数据的产生和存储技术的发展，为人工智能提供了海量数据和强大计算资源。同时，算法的不断优化和算力的提升，使得人工智能在图像识别、语音识别、自动驾驶等领域取得了突破性进展。未来，人工智能的应用将继续深入各个领域，为社会带来更多机遇和挑战。布置作业P34页习题3快速展示课件和口头总结本次课程内容，布置作业随老师总结快速记忆和复习，记录作业内容周次第2周第1次授课时间100分钟课时2授课内容第一章人工智能概述1.5人工智能的实现途径1.6人工智能伦理教学目标了解人工智能的多种实现途径。了解人工智能伦理的基本概念、面临的挑战与机遇。掌握应对人工智能伦理问题的策略和应遵循的伦理规范。教学重点各研究学派的分类及其核心观点。人工智能面临的主要伦理挑战（失业、隐私、道德等）。教学难点理解不同实现途径背后的哲学思想与研究方法。如何平衡AI技术创新与伦理规范之间的关系。思政目标通过科技教育和科学素养的提升，培养具有社会主义核心价值观和创新精神的学生。引导学生正确认识和应用科技，培养创新意识和创造能力，树立正确的科学观。主要教学方式教师讲授（）课堂讨论（）多媒体教学（）小组活动（）当堂测验（）实验演示（）作业讲评（）难点答疑（）提问式教学（）实践教学（）其他活动使用媒体资源纸质教材（）PPT课件（）CAI课件（）视频材料（）音频材料（）三维模型（）直播课堂（）其他资源参考书及参考资料教学活动安排教学环节教学内容教师活动学生活动复习与引导（5分钟）复习上节内容：什么智能、什么是人工智能。讨论问题：1、大数据和人工智能有什么关系？2、人工智能的发展过程是怎样的导入案例：提问与引导回答老师问题，随老师陈述会议上节课讲述内容讲授新课内容（80分钟）内容大纲：具体可结合本章的PPT课件进行配合讲解。//1.5人工智能的实现途径在人工智能多年的研究过程中，由于人们对智能本质的理解和认识不同，形成了多种不同的研究途径。不同的研究途径具有不同的学术观点，采用不同的研究方法，形成了不同的研究学派。目前，在人工智能界主要的研究学派有：符号主义方法：以物理符号系统假设和有限合理性原理为基础。连接主义方法：以人工神经网络模型为核心。学习主义方法：让机器像婴儿一样学习成长。行为主义方法：侧重研究“感知—行动”反应机制。进化主义方法：使用遗传算法和遗传编程对进化进行模拟。群体主义方法：侧重研究群体的智慧。//1.5.1符号主义符号主义（Symbolism）学派，亦称为功能模拟学派，其主要观点认为智能活动的基础是物理符号系统，思维过程是符号模式的处理过程。其原理主要为物理符号系统（即符号操作系统）假设和有限合理性原理。物理符号系统假设提供了3个重要的方法论方面的保证：（1）从符号主义的观点来看，符号的使用以及符号系统作为描述世界的中介。（2）搜索机制的设计，尤其是启发式搜索，用来探索这些符号系统能够支持的可能推理空间。（3）认知体系结构的分离，这里的意思是假设一个合理设计的符号系统能够提供智能的完整的因果逻辑，不考虑其现实的方法。以符号主义的观点看，知识表示是人工智能的核心，认知就是处理符号，推理就是采用启发式知识及启发式搜索对问题求解的过程，而推理过程又可以用某种形式化的语言来描述。符号主义主张用逻辑的方法来建立人工智能的统一理论体系，但是存在“常识”问题以及不确定性事物的表示和处理问题，因此受到其他学派的批评。大数据的特点//1.5.2链接主义基于神经元和神经网络的连接机制和学习算法的人工智能学派是连接主义（Connectionism），亦称为结构模拟学派。这种方法研究的是能够进行非程序的、可适应环境变化的、类似人类大脑风格的信息处理方法的本质和能力。这种学派的主要观点认为，大脑是一切智能活动的基础。该方法的主要特征表现在：（1）以分布式的方法存储信息（2）以并行方式处理信息（3）具有自组织、自学习能力（4）适合于模拟人的形象思维（5）可以比较快地得到一个近似解正是这些特点，使神经网络为人们在利用机器加工处理信息方面提供了一个全新的方法和途径。但是这种方法不适合模拟人们的逻辑思维过程，并且人们发现，已有的模型和算法也存在一定的问题，理论上的研究也有一定的难点，因此单靠连接机制解决人工智能全部问题也是不现实的。//1.5.3学习主义学习是一个有特定目的的知识获取和能力增长的过程，其内在行为是获取知识、积累经验、发现规律；其外部表现是改进性能、适应环境、实现自我完善。//1.5.4行为主义行为主义学派，亦称为行为模拟学派，认为智能行为的基础是“感知—行动”的反应机制。该学派基于智能控制系统的理论、方法和技术，研究拟人的智能控制行为。//1.5.5进化主义进化主义模仿的是自然界生物的进化过程，通过随机抽取、适应评价、交互以及突变来改变内部的状态，反复迭代计算，直至得到最优解。//1.5.6群体主义群体主义是指通过研究集体层面表现出来的分散的、去中心化的自组织行为，并将其应用到人工智能的一种思想方法。//1.6人工智能伦理//1.6.1人工智能伦理概述人工智能伦理是探讨人工智能技术发展和应用中伦理问题的学科，是探讨人工智能带来的伦理问题及风险、研究解决人工智能伦理问题、促进人工智能向善、引领人工智能健康发展，以及关注如何确保人工智能系统的设计和使用符合道德标准和社会责任的一个多学科研究领域。//1.6.2人工智能伦理挑战1.失业与就业：人工智能技术及相关应用可以代替人类完成很多高难度的操作，并且工作效率有可能高于人类。当然，新技术的出现，也必然会带来一些新的工作岗位。2.隐私与数据安全：人工智能需要大量的数据来进行学习和优化，这引发了关于隐私和数据安全的问题。个人信息可能会被滥用，数据泄露可能会导致严重的后果。3.道德与伦理：AI系统的决策是基于数据和算法进行的，但这些决策可能会影响人类的生活。4.社会伦理问题：（1）环境方面的伦理问题；（2）医疗方面的伦理问题。//1.6.3人工智能伦理机遇1.医疗诊断与治疗：人工智能在医疗领域展现出巨大的潜力。人工智能可以通过分析医学图像、基因数据等，提供更准确的诊断和个性化的治疗方案，从而大大提高医疗水平，拯救更多生命。2.环境保护：人工智能可以在环境监测和保护方面发挥重要作用。通过分析大量数据，人工智能可以帮助预测自然灾害、监测环境污染，并协助制定更有效的环境保护策略。3.教育创新：人工智能技术有望颠覆传统的教育方式。个性化的学习计划、智能辅导系统可以帮助学生更好地掌握知识，激发他们的学习兴趣，同时也减轻了教师的负担。在探讨人工智能这把双刃剑时，我们不能只看到问题，更应该看到机遇。如何平衡挑战与机遇，让人工智能为人类社会带来更多的益处，是摆在我们面前的重要课题。//1.6.4人工智能伦理应对策略1.教育培训：面对人工智能带来的职业变革，持续的教育培训显得尤为重要。人们需要不断更新自己的技能，以适应新兴的工作领域。2.法律法规：政府和国际社会需要制定更加严格的法律法规，保障个人隐私和数据安全，同时也要明确人工智能的道德与伦理原则。3.合作共赢：人工智能带来的全球性的挑战，需要国际社会共同合作来解决。跨国合作可以加速人工智能技术的发展，同时也可以共同应对相关的挑战。4.技术创新：技术创新是解决人工智能问题的关键。投资于基础研究，推动人工智能技术的突破，有助于克服技术上的困难。人工智能的快速发展和广泛应用带来了许多伦理问题，这些问题涉及隐私、公平、责任、安全等多个方面。人工智能引发的伦理问题复杂且多样，需要社会各界共同努力来解决。//1.6.5人工智能中应该遵循的伦理规范人工智能的快速发展带来了巨大的社会变革潜力，但也引发了复杂的伦理挑战。为了确保人工智能技术的开发和应用符合人类价值观、避免潜在风险，我们需要遵循以下伦理规范：（1）人类中心原则；（2）公平性与非歧视；（3）透明与可解释性；（4）人隐私与数据安全；（5）责任与问责；（6）安全与可控性；（7）可持续发展；（8）伦理治理框架。//1.6.6应对人工智能伦理问题的路径1.加强人工智能的隐私保护：人工智能采集到个人的隐私信息之后，如果不进行正确管理，就会出现隐私泄露，严重影响用户的隐私权。因为每个人的隐私权都是不可侵犯的，如何正确使用人工智能保护好用户的个人隐私，已经成为社会广泛关注的热点。2.提高民众的科技知识水平：人工智能对劳动密集型岗位的影响比较大，可以代替劳动力从事重复的生产劳动，但是也催生了新的岗位，即知识密集型岗位，这个岗位只有具备高技术的专业人才才能胜任。3.加强伦理制度建设：随着人工智能的后期发展，非常有必要加强伦理制度建设。伦理制度的构建，需要人类对曾经提出的伦理制度重新进行审视，以建立新的伦理制度。利用课件展示基本概念和基本理论，由浅入深，从基础理论知识开始，针对计算机基础内容进行大致介绍学生自学引例，认真聆听老师讲授内容，结合所观察的具体实例展开联想讨论与提问（10分钟）讨论与提问1.比较符号主义和连接主义，它们的主要分歧点在哪里？你认为哪种途径更具潜力？2.面对人工智能带来的伦理挑战（如深度伪造、算法歧视），你认为个人、企业和社会分别应该承担什么责任？3.结合“人类中心原则”，谈谈你对未来人机关系的看法。引导学生对设定话题展开讨论通过相互学习加深理解，通过老师答疑促进对内容的掌握总结与布置作业（5分钟）总结本节课我们探讨了人工智能的“实现途径”和“伦理”两大主题。我们了解到，人工智能研究因理念不同，形成了符号主义、连接主义、学习主义、行为主义、进化主义和群体主义六大主要学派，它们各有侧重和方法论。此外，我们还深入讨论了AI带来的严峻伦理挑战（如隐私、公平、责任）和巨大的伦理机遇（如医疗、教育、环保）。应对这些挑战，需要法律、教育、技术和社会各界的共同努力，并遵循人类中心、公平透明等伦理规范。布置作业P34页习题6、7快速展示课件和口头总结本次课程内容，布置作业随老师总结快速记忆和复习，记录作业内容周次第2周第2次授课时间100分钟课时2授课内容第二章机器学习2.1机器学习概述2.2归纳学习教学目标1.了解机器学习的特点及应用情况。2.掌握主要的机器学习方式。3.理解机器学习的原理和主要类型;。4.了解机器学习的应用价值。教学重点1.掌握简单的机器学习模型。2.掌握归纳学习的基本方法教学难点1.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。主要教学方式教师讲授（）课堂讨论（）多媒体教学（）小组活动（）当堂测验（）实验演示（）作业讲评（）难点答疑（）提问式教学（）实践教学（）其他活动使用媒体资源纸质教材（）PPT课件（）CAI课件（）视频材料（）音频材料（）三维模型（）直播课堂（）其他资源参考书及参考资料教学活动安排教学环节教学内容教师活动学生活动复习与引导（5分钟）复习上节内容：人工智能的基本内容。讨论问题：我们日常生活中遇到人工智能设备有哪些功能？人工智能为什么能够对它没有见过的事物做出反应？机器是如何来进行学习的？导入本节内容：机器学习提问与引导回答老师问题，随老师陈述回忆上节课讲述内容讲授新课内容（80分钟）内容大纲：具体可结合本章的PPT课件进行配合讲解。//2.1机器学习概述//2.1.1简单的学习模型学习概念：学习是一个有特定目的的知识获取过程,可以在这个过程中通过获取知识、积累经验、发现规律,使系统性能得到改进,实现系统的自我完善和环境的自适应。简单学习模型包含有环境、学习单元、知识库、执行单元以及反馈组成//2.1.2什么是机器学习。机器学习的概念：机器学习是研究机器模拟人类的学习活动,是获取知识和技能的理论和方法,从不同程度上改善系统性能的学科。机器学习的任务目标、方法和策略，主要是从学习算法，和机器学习程序方面来体现的。机器学习研究的目标有三个,即人类学习过程的认知模型、通用学习算法以及构造面向任务的专用学习系统的方法。

（1）人类学习过程的认知模型。研究人类学习机理的认知模型,这种研究对人类的教育,对开发机器学习系统都有重要的意义.

（2）通用学习算法。通过对人类学习过程的研究,探索各种可能的学习方法,建立起独立于具体适用领域的通用算法.

（3）构造面向任务的专用学习系统。这一目标是要解决专门的实际问题,开发完成这些专门任务的学习系统.//2.1.3机器学习知识点梳理机器学习中的一些基本概念，假设空间与损失函数：所谓假设空间,就是在机器学习中函数构成的空间。由输入空间到输出空间的映射集合是假设空间，模型就属于该集合。

损失函数用于量化模型预测值与真实值的差异，其值为非负实数值。在实际应用中，损失函数连接了学习准则与优化问题，通过最小化损失函数可求解并评估模型性能。//2.1.4机器学习的研究概况从20世纪50年代以来，机器学习的研究在不同时期的途径和目标不尽相同，研究过程大致可以划分为3个时期、4个阶段。第一个时期是从20世纪50年代中叶到60年代中叶，属于热烈时期。第二个时期是从20世纪60年代中叶到70年代中叶，属于冷静时期。第三个时期是从20世纪70年代中叶到80年代中叶，属于复兴时期。//2.2归纳学习//2.2.1归纳学习的基本概念归纳学习基本概念：归纳学习是从大量的经验数据中归纳抽取出一般的判定规则和模式，也就是从特殊情况推导出一般规则的学习方法。

归纳学习的目标是形成合理的、能解释已知事实和预见新事实的一般性结论。

归纳学习由于依赖于经验数据,因此又称为经验学习。由于归纳依赖于数据间的相似性,所以归纳学习也被称为基于相似性的学习。在机器学习领域，一般将归纳学习问题描述为使用训练实例引导一般规则的搜索问题。全体可能的实例构成实例空间；全体可能的一般规则构成规则空间。在规则空间中搜索要求的规则，从实例空间中选出一些示教的例子，来解决规则空间中某些规则的二义性问题,这就是基于规则空间和实例空间的学习。归纳学习方法可以划分为单概念学习和多概念学习两类。概念是指用某种描述语言表示的谓词,当描述语言应用于概念的正实例时，谓词为真；应用于概念的负实例时，则为假。从而概念谓词将实例空间划分为正、反两个子集。单概念学习的目的：从概念空间(即规则空间)中寻找某个与实例空间一致的概念。多概念学习的目的：从概念空间中找出若干概念进行描述，对于每一个概念描述，实例空间中均有相应的空间与之对应。//2.2.2变型空间学习概念：变型空间(LearningbyVersionSpace)方法是米切尔(TMitchell)于20世纪80年代早期提出的一种基于数据驱动的学习方法。例如,TRUE表示没有任何条件，是最一般的概念，∃xCLUBS(x)是比TRUE特殊的概念,∃x∃y(CLUBS(x)∧HE-ARTS(y))是比上述两个概念更特殊的概念，上述这些概念形成了一种偏序的关系.偏序集的最大元素称为零描，它表示只要规则空间中存在真正的概念描述，则零描述为真，相当于在规则空间中恒真的概念描述。偏序集中的极小元素为所有训练实例。变型空间方法包含整个概念的规则空间，可以将初始的假设规则看成集合H，它是与迄今为止所得到的所有训练实例相一致的概念的集合。根据示教例子中的信息，对H进行泛化和特化处理,逐步缩小集合H,最后使H收敛为只含有要求的规则。

H由两个子集G和S所限定,G中的元素表示H中最一般的概念,S中的元素表示H中最特殊的概念.H还可以看作是由G、S及G与S之间的元素构成的,即：H＝G∪S∪{k|S＜k＜G}其中，“＜”表示变型空间中的偏序关系。变型空间方法的初始集G是空间中最上面的一个点(最一般的概念)，初始集S是最下面直线上的点(示教例子)，初始集H就是整个空间。在搜索过程中，G集不断缩小，逐渐下移(进行特殊化),S集合不断扩大，逐渐上移(进行一般化)。H集逐步缩小，最后H收敛为只含有一个概念时，就发现了所要学习的概念。在变型空间中这种学习算法称为候选项删除算法。候选项删除算法的一般流程如下.

（1）初始化H集为整个概念空间.G集合只包含零描述,S集合包含空间中所有最特殊的概念.在实际处理中,S集初始化为第一个正例.

（2）接受一个新的训练实例.如果实例为正例,则从G集中删除所有不覆盖该例的概念,更新S集合,尽可能小地对S集进行泛化,以覆盖新的正实例.

（3）如果实例为反例,则从S集中删除所有覆盖这个反例的概念,更新G集,尽可能小地特化G集中的元素,以便它们不覆盖这个反例。

（4）如果G≠S,则重复步骤(２),否则输出H集。//2.2.3决策树机器构造方法1966年,亨特(E.B.Hunt)等提出了概念学习系统(ConceptLearningSystem,CLS),这是一种早期的基于决策树的归纳学习系统。1979年，基于CLS系统,昆兰等提出了ID3算法。该算法不仅能方便地表示属性值的信息结构，而且能从大量实例数据中有效地生成相应的决策树模型。决策树及其构造方法：在CLS的决策树中，节点对应于待分类对象的属性，由某一节点引出的弧对应于这一属性可能取的值，叶节点对应于分类的结果。构造决策树的CLS算法可简单地描述如下：

一棵决策树包含一个根节点、若干个内部节点和若干个叶节点。叶节点对应于决策结果；其他每个节点则对应于一个属性测试;每个节点包含的样本集合根据属性测试的结果被划分到子节点;根节点包含样本全集。从根节点到每个叶节点的路径对应了一个判断测试的序列.从一棵空树出发，不断地从决策表选取属性加入树的生长过程，直到决策树可以满足分类要求为止。其中每一条从根节点(对最终分类结果贡献最大的属性)到叶节点(最终分类结果)的路径都代表一条决策的规则。CLS算法存在的主要问题是，在新增属性选取时有很大的随机性。基本的决策树算法：大多数决策树算法是一种核心算法的变体。决策树核心算法采用自顶向下的贪婪搜索策略去遍历可能的决策树空间，这种算法是ID3算法和后继的CA.5算法的基础。ID3算法：ID3算法是基本的决策树算法，它通过自顶向下构造决策树来进行学习。构造过程是从“哪一个属性将在树的根节点被测试?”这个问题开始的。它是一种基于信息熵的决策树分类学习算法，以信息增益和信息熵作为对象分类的衡量标准，是一种自顶向下增长树的贪婪算法，在每个节点选取能最好地分类样例的属性，继续这个过程直到这棵树能完美分类训练样例或所有的属性都已被使用过.它也可以说是CLS算法的最大改进算法，该算法不仅摒弃了属性选择的随机性，还利用信息熵的下降速度作为属性选择的度量。CA.5算法是基于ID3算法的改进，其中改进的内容主要包括：使用信息增益率替换信息增益下降度作为属性选择的标准；在决策树构造的同时进行剪枝操作，避免出现树的过度拟合情况；可以对不完整属性和连续型数据进行处理，提升了算法的普适性。ID3与CA.5比较：优点：结构简单、学习能力强、分类速度快，而且还适合大规模数据分类。缺点：（1）决策树的知识表示没有规则，难以理解。（2）不能处理未知属性值的情况,另外对噪声问题也没有好的处理办法。（3）倾向于选择那些取值比较多的属性,而在实际的应用过程中往往取值比较多的属性对分类没有太大的价值,因为它不能对连续属性进行处理,对噪声数据比较敏感,而且还要计算每一个属性的信息增益值,计算代价较高。利用课件展示基本概念和基本理论，由浅入深，从基础理论知识开始，针对计算机基础内容进行大致介绍学生自学引例，认真聆听老师讲授内容，结合所观察的具体实例展开联想讨论与提问（10分钟）讨论与提问1.简单的学习模型由哪几部分组成?各部分的功能是什么?2.机器符号学习的基本过程是什么?3.可以从哪几个角度来划分机器学习方法?按各个分类方式阐述主要的机器学习类型。4.什么是归纳学习?它有什么特点?引导学生对设定话题展开讨论通过相互学习加深理解，通过老师答疑促进对内容的掌握总结与布置作业（5分钟）总结本节课我们主要学习了机器学习的基本知识以及机器学习中的归纳学习基本原理，同时还对本章内容进行了总结与回顾。通过本次课程的学习，我们深入了解了机器学习的发展趋势以及相关的技术和应用领域。我们理解到机器学习是人工智能实现和发展的核心技术之一，具有巨大的研究意义。在课程中我们还探讨了机器学习中归纳学习的学习方法，包括有变型空间方法和决策树方法，深入探讨了这二者的方法的基本原理。布置作业简单的学习模型由哪几部分组成?各部分的功能是什么?机器符号学习的基本过程是什么?可以从哪几个角度来划分机器学习方法?按各个分类方式阐述主要的机器学习类型。什么是归纳学习?它有什么特点?快速展示课件和口头总结本次课程内容，布置作业随老师总结快速记忆和复习，记录作业内容 周次第3周第1次授课时间100分钟课时2授课内容第二章机器学习2.3类比学习2.4统计学习教学目标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;了解机器学习的应用价值.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;理解统计学习的逻辑回归、支持向量机等方法;掌握统计学习的步骤,实现AdaBoost算法。教学重点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;教学难点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。思政目标主要教学方式教师讲授（）课堂讨论（）多媒体教学（）小组活动（）当堂测验（）实验演示（）作业讲评（）难点答疑（）提问式教学（）实践教学（）其他活动使用媒体资源纸质教材（）PPT课件（）CAI课件（）视频材料（）音频材料（）三维模型（）直播课堂（）其他资源参考书及参考资料人工智能导论教学活动安排教学环节教学内容教师活动学生活动复习与引导（5分钟）复习上节内容：讨论问题：1、机器学习在生活中带来了哪些作用？2、简单的机器学习模型有哪些？导入案例：生活中的智慧交通就是机器学习在生活中带来的作用的体现。提问与引导回答老师问题，随老师陈述会议上节课讲述内容讲授新课内容（80分钟）内容大纲：具体可结合本章的PPT课件进行配合讲解。//2.3类比学习类比学习是根据两个对象之间在某些方面的相同性或相似性,推出它们在其他方面也可能相同或相似的学习方法.归纳学习需要大量的训练实例,而类比学习从单个训练实例就可以完成学习,所以它是一种有效的学习方法.//2.3.1相似性类比学习通过比较两个事物或情境，在某一抽象层面上找到它们的相似关系，并基于这种相似性，将一个事物或情境的相关知识经过适当整理或变换后应用到另一个事物或情境上，从而获得对后者的新理解。在类比学习中,一般把当前所面临的对象或情形称为目标对象，把记忆的对象或情形称为源对象。对类比问题的求解可以描述为:已知问题A,求解结果B,现给定一个新问题A′,A′与A在特定的度量下是相似的,可以通过求解结果B来求出问题A′的求解结果B′.具体流程如图2.6所示,β反映B与A之间的依赖关系,称为因果关系.α表示源领域(A与目标领域A′之间的相似关系.由此可以推出,B′与A′之间的依赖关系β′.类比学习的过程可以描述为以下四个主要步骤：（1）联想搜索匹配.对于一个给定的新问题,根据问题的描述(已知条件)提取问题的特征,并用特征到问题空间中搜索,找出相似的老问题有关的知识,并对新、老问题进行部分匹配.（2）检验相似程度.判断老问题的已知条件与新问题的相似程度,以检验类比的可行性.如果它们之间的相似度达到规定的阈值,则类比匹配成功.（3）修正变换求解.从老问题的解中抽取有关新问题的知识,经过合理的规则变换与调整,得到新问题的解.当多个老问题经检查都满足时,还会产生冲突求解的问题.（4）更新知识库.将新问题和求解加入知识库,将新、老问题之间的共同特征组成泛化的情节知识,而将它们的差异作为检索问题的索引.类比时,对象情境由许多属性组成.对象间的相似性是根据属性(或变量)之间的相似度定义的.目标对象与源对象之间的相似性有语义相似、结构相似、目标相似和个体相似等.一般对象之间的相似性通过相似度来测评,相似度经常通过距离来定义。//2.3.2转换类比类比学习的一般问题求解程序是基于“手段-目的”分析(Means-EndsAnalysis，MEA)方法。问题求解模型由两部分组成：问题空间和问题求解动作。问题空间包括：其一，是一组由可能的问题组合所构成的状态集；其二，包含一个初始状态，同时设有两个或更多的目标状态（为了简便起见，这里暂且假定只有一个目标状态）；其三，配备了一组变换规则集（也可称作操作符），只要满足预置条件，就能依靠这些规则集将一个状态转变为另一个状态；其四，有着用于计算两个状态之间差别的函数，该函数一般是在比较当前状态和目标状态时发挥作用，进而得出二者之间的差别；其五，具备一个索引函数，其功能在于对可用的变换规则进行编序，以此来最大程度地减少差别；其六，包含一组全局路径限制，目标路径必须符合这些条件才能得到有效解，而且路径限制从本质上来说，是以部分解序列作为基础的，并非基于单个的状态或者操作符；其七，还有一个差别表，其用途是指示在何种情况下可以使用何种变换规则。S-MEA算法的一般流程如下.(１)比较当前状态和目标状态,得出差别。(２)选择合适的规则(或算子),以减少两个状态之间的差别。(３)尽可能应用转换规则,直至完成状态转换。(４)当子问题求解后,恢复被保存的当前状态,再继续求解原来的问题。//2.3.3基于案例的推理在基于案例的推理(Case-BasedReasoning)中，最初是由于目标案例的某些特殊性质使得记忆中的源案例能够被联想到,但它是粗糙的，不一定正确。在最初的检索结束后,需要证实它们之间的可类比性,这使得两个类似体的更多细节被进一步检索,探索它们之间更进一步的可类比性和差异。图2.7给出了基于案例推理的一般框架。在基于案例的推理中,主要关心的问题有以下几个方面。（1）案例表示。基于案例推理方法的效率和案例表示紧密相关.案例表示所涉及的几个问题为:选择什么信息存放在一个案例中;如何选择合适的案例内容描述结构;案例库如何组织和索。.其中,对于那些数量达到成千上万且十分复杂的案例,组织和索引问题尤为重要。（2）分析模型。分析模型用于分析目标案例,从中识别和抽取检索源案例库的信息。（3）案例检索。利用信息的检索从源案例库中检索并选择潜在可用的源案例。基于案例推理的方法和人类解决问题的方式很近似。一般在遇到一个新问题时,首先从记忆或案例库中回忆出与当前问题相关的最佳案例,后面所有的工作能否发挥出应有的作用,很大程度上依赖于这一阶段得到的案例质量的高低,因此这一步非常关键.事实上,案例匹配不是精确的,只能是部分匹配或近似匹配,所以这就要求有一个相似度的评价标准.若该标准定义得好,会使得检索出的案例十分有用,否则将会严重影响后面的过程。（4）类比映射。寻找目标案例与源案例之间的对应关系。（5）类比转换。转换源案例中与目标案例相关的信息,使之在目标案例的求解过程中发挥作用。涉及对源案例的求解方案的修改就是把检索到的源案例的解答用于新问题或新案例中。解答的问题一般是：源案例与目标案例之间有何不同之处;源案例中的哪些部分可以用于目标案例.对于简单的分类问题,仅需要把源案例的分类结果直接用于目标案例,无须考虑它们之间的差别,因为实际案例检索已经完成了这项工作。对于求解之类的问题,则需要根据它们之间的不同,对再次使用的解进行调整。（6）解释过程。当转换过的源案例的求解方案应用到目标案例时,对出现的失败做出解释,给出失败的因果分析报告。有时候也需要对成功做出解释。基于解释的索引是一种重要的方法。（7）案例修补。有些案例修补类似于类比转换,它们之间的区别在于修补过程的输入是解决方案和一个失败的报告,可能还包含一个解释。当复用阶段产生的求解结果不理想时,需要对其进行修补。修补的第一步是对复用的求解结果进行评估,如果成功,则不必修补,否则需要对错误采取修补措施。（8）类比验证。验证目标案例和源案例进行类比的有效性。（9）案例保存。新问题得到了解决,就形成了一个可能用于将来情形与之相似的问题,这时有必要把新问题加入案例库中。案例保存既是学习的过程,也是知识获取的过程。在决定选取案例的哪些信息进行保留时,一般要考虑以下三点：和问题有关的特征描述;问题的求解结果;解答成功或失败的原因及解释。把新案例加入案例库中,需要对它建立有效的索引,使其能被有效地回忆。索引应在与该案例有关时能回忆得出,与该案例无关时不应回忆得出。为此,可能要对案例库的索引内容甚至结构进行调整。//2.3.4迁移学习迁移学习（TransferLearning）旨在借助在一个环境里所学到的知识，助力新环境中的学习任务。在传统的分类学习当中，为确保经过训练所得到的分类模型具备准确性以及高可靠性，通常会设立两个基本假设：其一，用于学习的训练样本与新的测试样本要满足独立同分布这一条件；其二，必须要有数量足够且可供利用的训练样本，这样才能通过学习得到一个良好的分类模型。不过，在实际应用过程中可以发现，要想满足这两个条件常常是比较困难的。而迁移学习则是利用已有的知识，针对不同却又相互关联的领域问题展开求解，它对传统机器学习中的那两个基本假设进行了放宽处理，其目的在于迁移已有的知识，以此来解决目标领域中仅有少量标签样本数据的问题。根据源领域与目标领域、源任务与目标任务是否相同等问题,将迁移学习分为三类:归纳迁移学习、直推式迁移学习和无监督迁移学习,如图所示。（1）归纳迁移学习.源任务和目标任务不一致但相关.例如,具有迁移学习能力的Tradaboosting算法,该算法能够最大程度地利用辅助训练数据来帮助目标分类.利用Boosting技术来过滤掉辅助数据中那些与源训练数据最不像的数据.其中,Boosting的作用是建立一种自动调整权重的机制,利用该机制辅助训练数据重要时,权重将会增加;辅助训练数据不重要时,权重将会减少.在调整权重之后,这些带权重的辅助训练数据将会作为额外的训练数据,与源训练数据一起提高分类模型的可靠度.（2）直推式迁移学习.源领域和目标领域不一致但相关,源任务及目标任务相同.直推式迁移学习方法适用情况为源领域中有大量标注语料而目标领域缺少标注语料.当源领域和目标领域的特征空间相同而概率分布不同时,直推式迁移学习类似于领域自适应方法.（3）无监督迁移学习.源领域和目标领域不一致但相关,源任务和目标任务不一致但相关,且此时源领域和目标领域都缺乏标注语料.迁移学习方法按照所用的迁移知识形式,可以分为以下四类：（1）基于实例的迁移学习.源领域中的部分数据在更改权重之后可以被用于解决目标领域的学习问题.实例加权和重要性采样是基于实例的迁移学习中常用的从源领域中选择迁移知识的方法.（2）基于特征的迁移学习.该迁移学习方法期望通过将迁移知识用一种理想的特征表示方法来提高目标任务的性能.基于特征的迁移学习又可以分为有监督迁移学习与无监督迁移学习.当给定一个新的、不同的领域,且标注数据极其稀少的时候,可以考虑有监督迁移学习,利用原有领域中含有的大量标注数据进行迁移学习.（3）基于参数的迁移学习.当源任务和目标任务共享参数模型中的参数或先验分布时,将迁移知识表示成共享的参数,从而完成目标任务的一种学习方法.（4）基于关系知识的迁移学习.在源领域和目标领域的数据相关的情况下,解决相关领域中迁移学习的问题的一种方法.在已有的研究中,归纳迁移学习一般采用基于实例、基于特征、基于参数和基于关系知识的迁移学习;直推式迁移学习任务通常采用基于实例和基于特征表示的迁移学习方法;无监督迁移学习常用的方法是基于特征表示的迁移方法.//2.4统计学习统计学习是基于数据构建概率统计模型并运用模型对数据进行预测与分析的学习方法.统计学习的方法包括模型的假设空间、模型选择的准则及模型学习的算法,这些算法称为统计学习方法的三要素.一般实现统计学习包括以下简单的六步.（1）准备有限的训练数据集.（2）获取包含所有可能模型的假设空间,即学习模型的集合.（3）确定模型选择的准则,即学习的策略.（4）实现最优模型的算法,即学习的算法.（5）通过学习方法选择最优模型.（6）利用学习的最优模型对新数据进行预测或分析.统计学习的方法非常丰富,这里仅介绍逻辑回归、支持向量机和提升算法.//2.4.1逻辑回归逻辑回归与多重线性回归有很多相似之处,但也有一些区别,其中最大的区别就是它们的因变量不同.如果因变量是连续的,那就是多重线性回归;如果因变量是二项分布,那就是逻辑回归.二项逻辑回归模型由条件概率分布P(Y|x)来表示,其中,随机变量x取值为实数,随机变量Y取值为1或0.可以通过监督学习的方法来估计模型参数,二项逻辑回归模型的条件概率分布如2.1和2.2所示。在逻辑回归模型中，输出Y=1的对数几率是输入x的线性函数。或者说，输出Y=1的对数几率是由输入x的线性函数表示的模型，即逻辑回归模型。考虑对输入x进行分类的线性函数w·x，其值域为实数域。通过逻辑回归模型定义，可以将线性函数w·x转换为概率。线性函数的值越接近正无穷，概率值就越接近1；线性函数的值越接近负无穷，概率值就越接近0。//2.4.2支持向量机支持向量机是一种二分类方法，它的基本模型是定义在特征空间上的间隔最大的线性分类器。支持向量机的方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的。它在处理小样本、非线性以及高维模式识别等问题时，展现出了诸多独特的优势。不仅如此，它还可以被推广，进而被应用到像函数拟合等其他机器学习相关的问题当中去。针对一个二分类问题而言，假定输入空间和特征空间属于两个不同的空间，其中输入空间要么是欧氏空间，要么是离散空间，而特征空间则为欧氏空间或者希尔伯特空间。在线性可分支持向量机中，假设这两个空间里的元素是一一对应的关系，并且把输入空间的输入映射为特征向量，如此一来，便能够在特征空间中开展支持向量机的学习了。线性可分支持向量机的基本思想可用左图所示的二维线性分类来说明.图中,“○”表示正例,“×”表示反例.训练数据集线性可分,有多条直线能将两类数据正确划分.考虑图中的三个点A、B和C,可以确定A是“×”类别的,C是不太确定的,B是勉强可以确定的.这样可以得出初步结论,即更应该关心靠近中间分割线的点,让它们尽可能地远离中间线,而不是在所有点上达到最优.如果不是这样的话,就要使得一部分点靠近中间线来换取另外一部分点更加远离中间线.这就是支持向量机与逻辑回归思路的不同之处,即逻辑回归考虑局部(不关心已经确定远离的点);支持向量机考虑全局(已经远离的点可能通过调整中间线使其能够更加远离)。//2.4.3提升算法提升（Boosting）方法属于一种常用且应用范围广泛、效果显著的统计学习方法。在处理分类问题时，能够依据训练样本的权值来学习多个分类器，然后把这些分类器进行线性组合，以此达到提高分类性能的目的。对于Boosting，它有增强学习方法以及提升法这样的称谓，是集成学习领域中一项极为重要的技术。它具备这样的能力：可以把那些预测精度仅仅比随机猜度稍高一点的弱学习器强化为预测精度较高的强学习器，而在直接构建强学习器难度颇大的情形下，它为学习算法的设计开拓了一种行之有效的新思路与新方法Boosting作为一种元算法框架，几乎能够应用到当前所有比较流行的机器学习算法里，通过这种应用来进一步提升原算法的预测精度，其应用范围十分广泛，并且也产生了非常大的影响。AdaBoost算法其实是一个简单的弱分类算法的提升过程,这个过程通过不断的训练,可以提高对数据的分类能力.整个过程可以概括为以下四步：（1）先通过对N个训练样本的学习得到第一个弱分类器.（2）将分错的样本和其他的新数据组合在一起,构成新的N个训练样本,再通过对这个样本的学习得到第二个弱分类器.（3）将步骤（1）和（2）都分错了的样本加上其他的新样本构成另一个新的N个训练样本,通过对这个样本的学习得到第三个弱分类器.（4）最终经过提升的强分类器,即某个数据被分为哪一类要通过多数表决.AdaBoost的成功不仅在于它是一种有效的学习算法,还在于以下三个方面.（1）AdaBoost算法让Boosting算法从最初的猜想变成一种真正具有实用价值的算法.（2）AdaBoost算法采用的一些技巧,如打破原有样本的分布,也为其他统计学习算法的设计带来了重要的启示.（3）AdaBoost算法相关理论的研究成果极大地促进了集成学习的发展。第二章习题利用课件展示基本概念和基本理论，由浅入深，从基础理论知识开始，针对计算机基础内容进行大致介绍学生自学引例，认真聆听老师讲授内容，结合所观察的具体实例展开联想讨论与提问（10分钟）讨论与提问：典型距离以及类比学习的定义是什么？对S-MEA算法是怎么理解的？引导学生对设定话题展开讨论通过相互学习加深理解，通过老师答疑促进对内容的掌握总结与布置作业（5分钟）总结：机器学习是一个如何使计算机具有学习能力的研究领域,其最终目标是要使计算机能像人一样进行学习,并且能通过学习获取知识和技能,不断改善性能,实现自我完善.简单的学习模型一般包括四个部分:环境、学习单元、知识库和执行单元.类比学习是根据一个已知事物,通过类比去解决另一个未知事物的推理过程,它的基础是相似性.基于案例的推理方法将人类经验以案例形式表示,并通过案例的调整和改造来获得当前问题的解.迁移学习的目标是将从一个环境中学到的知识用于帮助新环境中的学习任务,放宽了传统机器学习中的两个基本假设.统计学习是基于数据构建概率统计模型并运用模型对数据进行预测与分析的学习方法,它是机器学习中较为活跃的研究领域.逻辑回归是一种分类模型,由条件概率分布表示。支持向量机是由VC维理论和结构风险最小化原则来导出的.支持向量机包括多项式学习机、径向基函数网络和双层感知器这几种特殊情形.虽然这些方法提供了训练数据的内在统计规律的不同表示,但它们都源于支持向量机设置的一个共同基础.通过使用一个恰当的内积核函数,支持向量机可以根据内积核函数的选择自动计算所有重要的网络参数.例如,在径向基函数情形,核函数是高斯函数,对于这种实现方法,径向基函数的数目和它们的中心,以及线性权值和偏置水平都是自动计算的,径向基函数的中心是由二次优化策略所挑选的支持向量所定义的,支持向量常常是由训练样本组成的样本总体的一部分.至于运行时间,当前支持向量机在相近泛化性能上比其他神经网络慢，为了克服这些缺点,人们提出了许多支持向量机的改进方法.布置作业1.试对各种不同的机器学习的方法进行比较，并分析它们各自的试用场合。2.什么是类比学习？3.什么是统计学习？4.类比学习与统计学习之间有没有异同点，如果有请详细描述。快速展示课件和口头总结本次课程内容，布置作业随老师总结快速记忆和复习，记录作业内容周次第3周第2次授课时间100分钟课时2授课内容第二章机器学习2.5强化学习2.6进化学习2.7群体智能2.8知识发现教学目标1.了解强化学习模型2.理解学习自动机方法3.掌握自适应动态程序设计Q-学习等强化学习方法4.了解进化计算的方法5.理解进化算法、遗传算法6.掌握进化策略、进化规则7.了解群体智能的概念。8.理解蚁群算法。9.掌握粒子群优化算法。教学重点1.了解强化学习模型2.理解学习自动机方法3.掌握自适应动态程序设计Q-学习等强化学习方法4.蚁群算法的关键技术。教学难点1.了解进化计算的方法2.理解进化算法、遗传算法3.掌握进化策略、进化规则4.掌握粒子群优化算法。主要教学方式教师讲授（）课堂讨论（）多媒体教学（）小组活动（