授课计划 - 人工智能导论（第2版·Python版）

XXXX大学学期授课计划2024–2025学年第1学期教师姓名课程名称人工智能导论教材《人工智能导论》专业计算机科学与技术年级2023班次2303、2304编写教师（签名）____________________编写日期2024-09-01教研室主任（签名）____________________系、部负责人审核（签名）____________________

XXXX大学教学进度表总学时已完成时数本学期时数（合计）线下讲授实验课内线上教学设计作业实习其他考试/考查64644816考试序号周次授课章节、内容提要课时作业备注11第1章人工智能导引：1.1什么是人工智能；1.2发展历程；1.3学科分类（机器学习/计算机视觉/NLP/知识表示与推理）2阅读第1章；整理AI发展里程碑≥8条理论21第1章：1.4现实应用案例（医疗/金融/教育/交通/制造与农业）；1.5分支与经典问题、符号推理vs学习模型、AI与大数据/深度学习关系2完成章末思考：自拟讨论题2题并给出要点理论32第2章机器学习初步：2.1概述（定义、流程、特点、应用）；2.2术语（特征/标签/模型/数据集划分）2术语卡片≥12个（中英对照）理论42第2章：2.2过拟合/欠拟合、偏差-方差；2.3类型；2.4监督学习算法导论（线性/逻辑回归、kNN、决策树等）2第2章习题：2.7（选做1-3）理论53实验1：机器学习流程与基线模型。环境准备：Python/Conda、Jupyter；选择数据集完成：数据读取/清洗/划分；训练1-2个基线模型（LR/kNN等）；输出Accuracy/F1/MAE等指标与简短分析。2提交：代码+实验报告（含指标与简短分析）实验63第2章：2.4无监督学习/半监督学习/集成学习；2.5局限性与未来发展；2.6-2.7小结与习题讲评2第2章习题：2.7（选做4-5）理论74第3章强化学习初步：3.1基本概念与原理（监督/无监督/RL对比；定义；应用场景）；3.2多臂老虎机问题引入2列举RL应用场景≥5并说明状态/动作/奖励理论84第3章：3.2探索-利用权衡；ε-贪婪与UCB算法；在线广告优化案例讨论2第3章习题：3.6（选做1-2）理论95第3章：3.3MDP基础（马尔可夫链/MRP/MDP）；价值函数与Bellman方程直观推导2用自己的话解释MDP五元组，并给一个例子理论105实验2：强化学习入门（Bandit/MDP）。实现多臂老虎机ε-贪婪与UCB（或GridWorld的值迭代）；输出累计回报/遗憾曲线；比较探索参数对性能的影响。2提交：曲线图（回报/遗憾）+实验报告实验116第3章：3.4动态规划方法（策略评估、策略改进、值迭代）及案例分析；章节总结2第3章习题：3.6（选做3-4）理论126第4章神经网络基础：4.1引言（定义/简史/意义）；4.2基本组成（神经元、激活函数、网络结构、权重与偏置）2比较3种激活函数优缺点（表格）理论137第4章：4.3单层感知器（结构/原理/局限）；4.4多层感知器（MLP）与通用逼近直觉2第4章习题：4.9（选做1-2）理论147第4章：4.5训练过程（损失函数、反向传播、梯度下降）；4.6简单应用（手写数字识别/房价预测）2第4章习题：4.9（选做3-4）理论158第4章：4.7优缺点；4.7.3从神经网络到深度学习；阶段测验与答疑2阶段小测（课堂）理论168实验3：神经网络MLP训练。使用PyTorch实现MLP完成MNIST分类；记录损失与准确率曲线；尝试不同激活函数/学习率并给出对比。2提交：训练曲线+对比分析+代码实验179第5章深度学习基础：5.1引言（发展历程、应用）；5.2深度前馈网络与CNN（卷积/池化/特征图）2第5章习题：5.6（选做1-2）理论189第5章：RNN与LSTM；Transformer模型概念与自注意力直观解释；典型应用讨论2画Transformer核心结构图并标注关键模块理论1910第5章：训练技巧（BatchNorm、Residual、Dropout、正则化）与调参思路；框架生态概览2第5章习题：5.6（选做3）理论2010实验4：深度学习CNN/Transformer。训练一个CNN（或简化Transformer）完成分类任务；尝试1-2种训练技巧（BatchNorm/残差/Dropout等），分析收敛与泛化。2提交：模型结果+收敛/泛化分析实验2111第5章：5.4深度学习框架（TensorFlow/PyTorch/Keras）与选择；章节总结与课堂练习2完成框架对比（特性/生态/适用场景）理论2211第6章自然语言处理：6.1引言（定义/应用/发展）；6.2文本预处理（分词、词干/词形还原、停用词、规范化）2完成一个小语料的预处理前后对比理论2312第6章：6.3文本表示（BoW/TF-IDF/词嵌入）；6.4朴素贝叶斯；6.5主题建模（LSA/LDA/NMF）概览2第6章习题：6.9（选做1-2）理论2412实验5：NLP预处理与传统文本分类。完成分词/清洗/停用词处理；构建BoW/TF-IDF表示；使用朴素贝叶斯完成文本分类/情感分析；输出混淆矩阵与误差样例。2提交：混淆矩阵+误差样例+报告实验2513第6章：6.6评估指标与挑战；6.6.3伦理考虑；6.7-6.9展望、总结与习题讲评2第6章习题：6.9（选做3）理论2613第7章自然语言大模型基础：7.1LLM简介（定义/历程/代表模型/影响）；7.2Transformer与预训练/微调概念2整理LLM术语≥10（含解释）理论2714第7章：7.3训练过程（数据、预训练、微调、评估）；7.4优势/局限与挑战/未来方向；提示工程示例与课堂讨论2第7章习题：7.6（选做1-2）理论2814实验6：Transformers文本分类微调。使用HuggingFaceTransformers：加载预训练模型与分词器；准备数据集；微调与评估；产出：对比表（微调前后）、训练日志与模型卡要点。2提交：对比表+训练日志+模型卡要点实验2915第8章语音识别技术：8.1语音信号基础（特性、数字化、预处理）；8.2可视化（波形/频谱/声谱图）；8.3STFT；8.5特征提取概览2第8章习题：8.9（选做1-2）理论3015实验7：语音特征与简单ASR。用Librosa提取波形/频谱/声谱图与MFCC；（可选）调用预训练ASR进行转写；统计WER/CER并分析误差来源。2提交：特征可视化+（可选）转写评估+报告实验3116第9章计算机视觉：9.1-9.2CV目标与应用；OpenCV安装与基本操作；滤波/边缘检测；9.3视频分析与目标检测概览；第10章伦理与社会影响要点导入2第9章