课程教学大纲 - 人工智能导论（第2版·Python版）

人工智能导论课程教学大纲表1课程基本信息课程代码________课程名称人工智能导论英文名称IntroductiontoArtificialIntelligence学分/学时4学分/64学时（理论学时：48；实验学时：16；上机学时：0）适用专业计算机类相关专业（计算机科学与技术、软件工程、人工智能等）课程类型专业基础必修（或专业选修，按培养方案确定）开课单位________学院/系开课学期第3-4学期（建议）一、课程简介《人工智能导论》面向计算机类本科生，系统介绍人工智能的核心概念、典型方法与工程应用。课程以“从问题到模型、从数据到算法、从训练到部署与伦理治理”为主线，覆盖机器学习、监督/无监督学习、深度学习、强化学习、自然语言处理、大模型与生成式AI、计算机视觉以及AI伦理与社会影响等内容。通过课堂讲授、案例分析与实验实践相结合，使学生掌握AI的基本理论与常用算法，具备将AI方法用于真实场景的建模、实现、评估与反思能力，为后续学习数据挖掘、深度学习、计算机视觉、自然语言处理等课程以及科研/工程实践奠定基础。二、课程目标通过本课程学习，学生应达成以下目标：课程目标1：掌握人工智能的基本概念、发展脉络与典型研究范式，理解“数据-模型-学习-推理-决策”闭环，能够对常见AI问题进行任务定义与需求分析。课程目标2：理解机器学习与深度学习的基础理论与关键算法思想（监督、无监督、强化学习等），能够针对问题选择合适方法并解释其适用条件、优势与局限。课程目标3：掌握AI工程实验与评价方法，能够使用Python等工具完成数据预处理、模型训练、调参、评估与可视化，并对结果进行误差分析与改进。课程目标4：理解AI在社会与行业中的影响，具备数据安全、隐私保护、偏见与公平、可解释性与安全治理意识，能够进行基本的伦理风险识别与合规性讨论。三、课程目标与所支撑毕业要求的对应关系表2课程目标与所支撑毕业要求的对应关系课程目标具体要求支撑的毕业要求（工程教育认证通用指标点示例，可按本专业培养方案调整）课程目标1能够描述AI领域核心概念、典型问题及其建模要素；理解AI系统的基本组成与工作流程。1-3工程基础/计算机学科基础知识；2-1问题分析（需求与约束识别）课程目标2能够对给定任务选择合适算法范式并说明理由，理解主要算法的原理与复杂度/代价权衡。2-2问题分析（建模与方法选择）；3-2设计/开发解决方案（算法方案设计）课程目标3能够开展实验与结果分析：数据处理、训练评估、对比实验、可视化与错误分析；熟练使用现代工具。4-3研究（实验设计与数据分析）；5-2现代工具使用（编程与平台）课程目标4能够识别AI应用中的隐私、安全、偏见与公平问题，理解治理与监管趋势，形成职业规范与社会责任意识。6-2工程与社会（影响分析）；8-1职业规范（伦理与责任）；12-2终身学习（技术演进跟踪）四、教学内容表3教学内容与学时分配章节/单元推荐授课形式教学内容建议学时课程思政元素对应的课程目标第一章人工智能导引讲课、案例、讨论知识点：什么是人工智能；发展历程；学科分类（机器学习、计算机视觉、自然语言处理、知识表示与推理）；典型应用案例；AI与大数据/机器学习/深度学习关系；经典问题与求解方式。

重点：AI的基本概念、学科版图与典型应用任务拆解。

难点：从真实需求抽象为AI任务与评价指标。4（理论4）科技自立自强、专业认同与社会责任课程目标1，4第二章机器学习初步讲课、习题、实验知识点：机器学习概述与工作流程；核心术语（特征、标签、模型、数据集划分）；过拟合/欠拟合；偏差-方差；学习类型；简单算法（监督/无监督/半监督/集成）；局限性与发展。

重点：从数据到模型的完整流程；评价指标与泛化能力。

难点：数据划分与模型选择对泛化的影响。

实验：完成一个端到端分类/回归基线（含数据清洗、训练/验证/测试与指标）。8（理论6+实验2）数据要素与科学精神、实事求是课程目标1，2，3第三章强化学习初步讲课、案例、实验知识点：强化学习与监督/无监督学习对比；多臂老虎机；探索-利用；ε-贪婪与UCB；MDP（马尔可夫链/奖励过程/决策过程）；动态规划（策略评估、策略改进、值迭代）。

重点：MDP建模与价值函数思想。

难点：策略评估/改进的迭代逻辑与收敛理解。

实验：实现多臂老虎机或GridWorld的Q-learning/值迭代，并分析探索策略影响。6（理论4+实验2）系统思维、理性决策与责任担当课程目标2，3第四章神经网络基础讲课、演示、实验知识点：神经网络基本概念与发展史；人工神经元与激活函数；网络结构（输入/隐藏/输出层）；权重与偏置；单层感知器与局限；多层感知器；训练过程（反向传播、优化）；简单应用（分类/回归）。

重点：MLP结构与反向传播训练流程。

难点：梯度下降与损失函数的直观理解。

实验：使用PyTorch实现MLP完成手写数字识别，并记录训练/验证曲线。6（理论4+实验2）探索精神、严谨求证与工程实践课程目标2，3第五章深度学习基础讲课、案例、实验知识点：从神经网络到深度学习；典型架构（前馈网络、CNN、RNN/LSTM、Transformer）；训练技巧（BatchNorm、残差连接等）；深度学习框架（TensorFlow/PyTorch/Keras）与选型。

重点：CNN/Transformer的核心机制与应用场景。

难点：深层网络训练稳定性与调参方法。

实验：训练一个CNN（如CIFAR-10/MNIST）或简化Transformer进行分类，比较不同技巧带来的效果。8（理论6+实验2）创新驱动、开源合规与算力节能意识课程目标2，3第六章自然语言处理讲课、案例、实验知识点：NLP定义与应用；文本预处理（分词、词干/词形还原、停用词、规范化）；文本表示（BoW、TF-IDF、词嵌入）；文本分类（朴素贝叶斯）；主题建模（LSA/LDA/NMF）；评估指标与挑战；伦理考虑。

重点：文本表示与分类流程。

难点：特征表达选择对性能与可解释性的影响。

实验：完成文本分类/情感分析（TF-IDF/Embedding+朴素贝叶斯等），输出混淆矩阵与误差分析。6（理论4+实验2）价值判断与信息素养（防范虚假信息）课程目标2，3，4第七章自然语言大模型基础讲课、研讨、实验知识点：大型语言模型概念、发展历程与代表模型；Transformer架构与注意力机制；预训练与微调；训练流程（数据收集、预训练、微调、评估）；优势、局限与挑战；未来方向；编程案例：HuggingFaceTransformers文本分类。

重点：预训练-微调范式与Transformer工作机制。

难点：数据、算力与对齐目标对模型行为的影响。

实验：使用Transformers完成文本分类微调与评估，撰写模型卡（数据来源、局限、风险）。8（理论6+实验2）规范使用AI、学术诚信、数据安全与版权意识课程目标1，2，3，4第八章语音识别技术讲课、演示、实验知识点：语音信号处理基础；音频可视化（波形/频谱/声谱图）；时域与频域转换（FFT/STFT）；音频信号生成；语音特征提取（MFCC/FBank/Pitch）；语音识别系统（HMM与深度学习）；新趋势（端到端、自监督、多模态、低资源）。

重点：特征提取与ASR系统基本流程。

难点：噪声鲁棒性与评估指标理解。

实验：使用Python/Librosa提取MFCC等特征，并基于预训练ASR（可选）完成转写与误差分析。6（理论4+实验2）服务民生与无障碍、语音数据隐私保护课程目标2，3，4第九章计算机视觉讲课、案例、实验知识点：计算机视觉定义、目标与应用；OpenCV基础与图像操作；图像滤波与边缘检测；视频分析与目标检测（帧差、背景建模、光流等）；目标跟踪（MeanShift/CAMShift）；特征提取（Haar、SIFT等）；深度学习在视觉中的应用。

重点：视觉任务的基础处理链路与典型算法。

难点：检测/跟踪与特征表示的选择与权衡。

实验：使用OpenCV完成图像处理与简单检测/跟踪（如Haar人脸检测或目标跟踪），输出可视化结果与参数分析。6（理论4+实验2）公共安全与隐私边界、合规采集与使用课程目标2，3，4第十章人工智能伦理与社会影响讲课、讨论、案例知识点：AI伦理概述与原则；社会影响（就业、教育、医疗等）；隐私与数据安全；偏见与公平性；AI安全与控制；监管现状与挑战；案例讨论（自动驾驶伦理、信息茧房等）。

重点：伦理原则、风险识别与合规实践。

难点：在真实场景中平衡创新与安全、效率与公平。

任务：撰写一份AI应用风险清单与缓解方案（可与课程项目结合）。6（理论6）伦理法治、责任与安全治理课程目标1，4五、教学方式方法整个教学过程由理论教学、案例分析、课堂练习/测验、实验实践、课后作业、课程项目与小组讨论等环节构成。1.教学深度与广度把控：以“核心概念-典型算法-工程实践-伦理治理”为主线，避免堆砌公式与实现细节；对关键算法给出直观解释、示例推导与可运行代码。2.理论与实践融合：课堂讲授配合JupyterNotebook演示与实验指导；每章设置1个可落地案例（如分类、聚类、强化学习控制、文本分类、视觉识别、生成式应用评测）。3.强化互动与反思：采用提问式教学、同伴互评与课堂讨论；围绕数据偏见、隐私安全、模型幻觉与治理开展案例辩论，引导学生形成负责任的AI观。4.分层作业与项目驱动：提供基础题（会用）、提高题（会选）、挑战题（会改）；课程项目要求提交代码、实验报告与可复现实验设置。六、考核要求与评价1.考核方式和要求表4考核方式和要求考核方式考核内容百分比考核标准对应的课程目标平时作业与课堂测验章节练习、阅读/小测；基本概念与算法理解检查20%按时完成；概念准确；推导与解释清晰课程目标1，2平时实验考核8个实验（含数据处理、训练评估、对比实验、可视化与报告）40%代码可运行与规范；实验记录完整；指标与结论一致；可复现课程目标2，3课程项目（小组）选题建模、实现、评测与伦理风险说明；提交代码+报告+展示20%问题定义清晰；方法选择合理；实验充分；阐述数据与伦理合规课程目标3，4期末考试/综合考核核心概念、典型算法原理、方法选择、评价指标与治理要点20%理解深度；能够分析问题并给出方案；表达规范课程目标1，2，42.课程评价每学期课程结束后，任课教师应依据教学目标达成度要求，结合平时作业、实验、项目与期末考核结果，对课程的教学效果进行分析，计算达成度数据，识别薄弱环节并提出持续改进方案（如调整教学内容、增加案例实践、优化考核结构等）。七、先修课程《程序设计（Python/C/C++）》；《离散数学》；《线性代数》；《概率论与数理统计》（建议）；具备基础数据结构与算法能力者更佳。八、推荐教材与参考资料推荐教材：《人工智能导论》（课程指定教材/讲义版）：第1章人工智能导引；第2章机器学习初步；第3章强化学习初步；第4章神经网络基础；第5章深度学习基础；第6章自然语言处理；第7章自然语言大模型基础；第8章语音识别技术；第9章计算机视觉；第10章人工智能伦理与社会影响。参考书目与资料（可选）：•Russell,S.&Norvig,P.《ArtificialIntelligence:AModernApproach》(AIMA).•Goodfellow,I.,Bengio,Y.,&Courville,A.《DeepLearning》.•Sutton,R.&Barto,A.《ReinforcementLearning:AnIntroduction》.•J.Géron.《Hands-OnMachineLearningwithScikit-Learn,Keras&TensorFlow》(或同类实践书).•课程相关主要网站：官方文档（Python、NumPy、Pandas、scikit-learn、PyTorch）、公开课平台（MOOC等）。九、相关实践教学内容说明表5课程实验项目与内容设计序号项目内容和要求实验学时主要仪器设备备注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。2PC机/服务器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。2PC机/服务器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