《人工智能基础及应用（Python 微课版）》教学大纲

《人工智能基础及应用（Python·微课版）》教学大纲课程名称：人工智能基础及应用（Python·微课版）适用专业：人工智能、大数据、计算机科学与技术等工科专业先修课程：概率论与数理统计、Python程序设计语言总学时：46学时授课学时：25学时实验（上机）学时：21学时一、课程简介人工智能基础及应用是一门多领域交叉学科，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，通过学习和研究人类识别事物的基本规律，让“机器”能够自动进行模式识别的原理和方法。本课程包括人工智能、数据处理与分析、数据可视化、数据社交网、大模型、机器学习、深度学习、自然语言处理、大模型产品等。二、课程目标学习本课程，通常旨在为学生奠定坚实的人工智能基础知识，培养其在人工智能领域的基本技能和理解能力。以下是主要学习目标，可能会根据不同课程设置有所差异：1.理解人工智能基础：掌握人工智能的基本概念、发展历程、主要分支领域（如机器学习、深度学习、自然语言处理、计算机视觉等）及其在现代社会中的应用。2.理论与技术基础：学习和理解支撑人工智能的核心算法和理论，包括搜索算法、知识表示、推理方法、决策制定、学习理论等。3.实践技能培养：通过编程实践和项目作业，掌握至少一种编程语言（如Python）在人工智能领域的应用，以及如何使用常见的AI框架和库（如TensorFlow、PyTorch）。4.问题解决能力：培养分析和解决人工智能问题的能力，包括如何定义问题、选择合适的技术路线、设计并实施解决方案。5.伦理与社会责任：讨论人工智能技术的伦理和社会影响，理解隐私保护、数据安全、算法偏见等议题，培养负责任的AI开发与应用意识。6.创新与批判性思维：鼓励学生批判性地评估现有的AI技术，激发创新思维，探索AI在新领域的应用可能。7.沟通与团队合作：通过团队项目，提升与他人合作解决复杂问题的能力，以及有效沟通研究成果和想法的能力。8.持续学习能力：鉴于AI领域的快速变化，课程应培养学生自主学习的习惯，跟踪技术进展，适应未来可能出现的新技术、新理论。这些目标旨在为学生构建一个全面的人工智能知识框架，不仅关注技术细节，也重视理论与实践的结合，以及技术的社会影响和伦理考量，为学生将来在AI领域的深入研究或职业发展打下坚实的基础。三、课程思政结合本课程融入的思政教育，旨在将思想政治教育与专业教育有机融合，引导学生在学习专业知识的同时，树立正确的世界观、价值观和道德观，培养具有社会责任感和创新能力的高素质人才。以下是一些可能包含在人工智能导论课程思政教育中的内容：1.国家政策与战略导向：介绍我国在人工智能领域的国家战略规划，如《新一代人工智能发展规划》等，使学生理解国家发展目标，增强服务国家重大需求的责任感和使命感。2.科技伦理与法律规范：探讨人工智能技术应用中的伦理问题，如隐私保护、数据安全、算法公平性、人工智能的责任归属等，强化学生的伦理意识和法制观念，培养遵守行业规范和法律法规的行为习惯。3.创新精神与工匠精神：强调在人工智能领域进行创新的重要性，鼓励学生勇于探索、敢于突破，同时弘扬精益求精的工匠精神，注重细节，追求卓越。4.团队合作与沟通能力：通过团队项目和案例分析，培养学生的团队协作能力，学会有效沟通，尊重多样性和包容性，为未来跨学科合作打下基础。5.全球视野与文化自信：在全球化背景下，引导学生了解国际人工智能发展趋势，增强国际竞争意识，同时树立文化自信，鼓励在吸收国际先进成果的同时，贡献中国智慧和中国方案。6.社会责任与可持续发展：讨论人工智能技术如何服务于社会发展，如在教育、医疗、环保等领域的应用，培养学生的社会责任感，思考如何利用技术促进社会公平与可持续发展。7.批判性思维与自我反思：鼓励学生在学习技术的同时，培养批判性思维，对技术的利弊进行理性分析，能够自我反思，理解技术进步对个人、社会和环境的全面影响。8.历史与未来展望：回顾人工智能的发展历程，激发学生对未来技术趋势的好奇心和探索欲，同时培养历史使命感，认识到作为未来技术领导者所承担的历史责任。通过这些课程思政内容的融入，人工智能导论课程不仅教授技术知识，更注重学生全面发展，引导他们成为既有专业技术能力，又具有高尚道德情操和强烈社会责任感的新型科技人才。四、教学内容及要求第1章人工智能1.1人工智能发展历程 1.2弱中强人工智能 1.3人工智能三要素 1.4Python与人工智能 1.5大数据 1.6物联网 1.7云计算第2章数据处理与分析 2.1NumPy 2.2Pandas 2.3Scipy 第3章数据可视化 3.1Matplotlib 3.2Seaborn 第4章数据社交网 4.1NetworkX概述 4.2各类图 4.3节点 4.4边4.5深度优先搜索 4.6广度优先搜索4.7图的连通性 4.8最短路径 第5章机器学习 5.1人工智能与机器学习 5.2机器学习三要素 5.3机器学习流程 5.4机器学习库sklearn 5.5k近邻算法 5.6决策树 5.7K-Means算法 第6章深度学习 6.1生物神经系统 6.2人工神经网络 6.3人工神经网络发展历程 6.4卷积神经网络6.5循环神经网络 6.6transformer6.7深度学习6.8图像分类 6.9文本分类 第7章自然语言处理 7.1自然语言处理定义7.2发展历程7.3NLP主要任务 7.4自然语言处理相关库7.5中文分词 7.6情感分析 第8章大模型 8.1人工智能与大模型8.2大模型发展历程 8.3GPT 8.4ChatGPT 8.5DeepSeek 第9章大模型产品 9.1国外大模型 9.2Gemini 9.3Sora 9.4国内大模型产品 9.5文心一言 9.6豆包 9.7通义千问 9.8Kimi 五、教学安排及学时分配教学环节及学时主要内容学时分配授课习题课实验网络其它小计第1章 人工智能22第2章数据处理与分析336第3章数据可视化224第4章数据社交网224第5章机器学习448第6章深度学习448第7章自然语言处理448第8章大模型22第9章大模型产品224合计252146六、教学方法与手段•结合课前“导读案例”阅读、课文的课堂讲授、课后习题点评讨论•强调理论联系实际，通过实例解析加深理解。•鼓励学生主动探索，培养自学能力。•鼓励学生发挥批判性思维，责疑，拓展知识。七、考核方式1.考核方式与成绩评定方法课堂考勤、作业：10%。主要考核对每堂课点名情况，缺课、迟到、早退情况，平时练习情况。实验成绩：30%。考核学生是否能应用堂课所学知识解决具体应用问题。考试成绩：60%。主要考核学生运用所学知识解决简单应用问题和复杂应用问题的能力。考试形式为闭卷笔试。考核与评价标准：平时成绩考核及评价标准评分标准优秀（0.90-1.0）良好（0.75-0.89）合格（0.60-0.74）不合格（0-0.59）按时交作业；基本概念正确、论述逻辑清楚；层次分明，语言规范。按时交作业；基本概念正确、论述基本清楚；语言较规范。按时交作业；基本概念基本正确、论述基本清楚；语言较规范。不能按时交作业；有抄袭现象；或者基本概念不清楚、论述不清楚。期中成绩考核及评价标准评分标准优秀（0.90-1.0）良好（0.75-0.89）合格（0.60-0.74）不合格（0-0.59）很好的掌握线性结构和树状结构，和其存储结构，及其相应基本算法，并对算法进行评价分析。能掌握线性结构和树状结构，和其存储结构，及其相应基本算法，并对算法进行评价分析。基本能够掌握线性结构和树状结构，和其存储结构，及其相应基本算法，但不够准确；能对算法进行评价分析，但存在缺陷。未完全掌握线性结构和树状结构，和其存储结构，及其相应基本算法，基本概念时出现错误，未完全理解算法评价分析方法。期末成绩考核及评价标准评分标准优秀（0.90-1.0）良好（0.75-0.89）合格（0.60-0.74）不合格（0-0.59）很好的掌握数据结构的各种逻辑结构、存储结构和相应算法，并对算法进行评价分析。能掌握数据结构的各种逻辑结构、存储结构和相应算法，并对算法进行评价分析。基本能够掌握数据结构的各种逻辑结构、存储结构和相应算法，但不够准确；能对算法进行评价分析，但存在缺陷。未完全掌握数据结构的各种逻辑结构、存储结构和相应算法，基本概念时出现错误，未完全理解算法评价分析方法。七、建议教材及参考资料建议教材：周元哲.人工智能基础及应用（Python·微课版）北京：