人工智能通识 教案全套 李方园 第1-15人工智能的定义与发展历程 - 人工智能行业应用

课题人工智能的定义与发展历程总课时4主备教师高楚其教学目标1.知识目标：掌握人工智能的定义、三大要素（数据、算法、算力）及五大范式2.能力目标：能够识别人工智能发展的五个阶段特征3.素养目标：理解人工智能与数字中国建设的关系，树立科技强国信念教学重点1.人工智能的定义与内涵2.人工智能发展的五个阶段及标志性事件3.三大要素：数据、算法、算力教学难点1.理解五大智能范式（连接主义、符号主义、演化主义、贝叶斯主义、行为主义）的区别2.把握人工智能从弱AI到强AI的发展趋势课前预习教学过程首次备课板块一：导入新课播放人工智能应用场景视频集锦提出问题：什么是人工智能？它经历了怎样的发展历程？引出本课主题板块二：讲授新知1.人工智能的定义（10分钟）定义：人工智能是研究开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学三大要素：数据是基础、算法是核心、算力是保障智能层级分类：弱人工智能（ANI）、强人工智能（AGI）、超人工智能（ASI）2.人工智能发展史（15分钟）起步发展期（19431960年代）：McCullochPitts神经元模型、Turing测试、感知机诞生反思发展期（1970年代）：专家系统、XCON系统、第一次AI寒冬应用发展期（1980年代）：BP算法、反向传播、第二次AI寒冬平稳发展期（1990年代2010年）：深蓝战胜卡斯帕罗夫、ImageNet挑战赛蓬勃发展期（2011至今）：深度学习突破、AlphaGo、ChatGPT、大模型时代板块三：课堂互动小组讨论：人工智能五大典型应用场景展示学生收集的人工智能应用案例板块四：总结提升梳理本课知识框架预告下节课：机器学习算法入门布置课后思考：人工智能安全伦理的重要性教学反思 培优补差课题机器学习入门算法（上）总课时4主备教师高楚其教学目标1.知识目标：掌握线性回归、逻辑回归、决策树的基本原理2.能力目标：能够使用Python实现简单的机器学习算法3.素养目标：培养数据思维和算法逻辑能力教学重点线性回归的原理与实现逻辑回归的分类应用决策树算法（含信息增益、基尼指数）教学难点决策树中信息增益的计算方法逻辑回归与线性回归的区别与应用场景课前预习教学过程首次备课板块一：复习导入回顾人工智能三大要素引出机器学习作为算法核心的重要性板块二：讲授新知1.线性回归（10分钟）概念：用一条直线拟合数据分布y=wx+b损失函数：均方误差（MSE）应用场景：房价预测、销售额预测等连续值预测Python实现演示2.逻辑回归（10分钟）概念：用于二分类问题的算法，输出概率值Sigmoid函数的作用应用场景：垃圾邮件识别、疾病诊断等Python实现演示3.决策树（10分钟）树结构：由根节点、内部节点、叶子节点组成分裂准则：信息增益、基尼指数剪枝策略：预剪枝、后剪枝Python实现演示板块三：代码实践学生动手实现：使用sklearn库完成鸢尾花分类板块四：总结提升梳理三种算法的适用场景布置实践作业教学反思 培优补差课题机器学习入门算法（下）总课时4主备教师高楚其教学目标1.知识目标：掌握SVM、KNN、朴素贝叶斯、随机森林、K均值聚类的原理2.能力目标：能够根据问题场景选择合适的机器学习算法3.素养目标：培养算法选型的工程思维教学重点支持向量机（SVM）的核函数与间隔最大化K近邻算法（KNN）的距离度量朴素贝叶斯的概率原理随机森林的集成思想教学难点SVM核函数的选择与作用K均值聚类的肘部法则确定K值随机森林中Bagging与随机特征选择课前预习教学过程首次备课板块一：导入新课回顾上节课内容引出更多实用的机器学习算法板块二：讲授新知1.支持向量机SVM（8分钟）核心思想：间隔最大化，找到最优分类超平面核函数：线性核、多项式核、RBF核软间隔与硬间隔应用场景：文本分类、图像识别2.K近邻算法KNN（7分钟）核心思想："近朱者赤，近墨者黑"距离度量：欧式距离、曼哈顿距离、切比雪夫距离K值选择的影响应用场景：推荐系统、异常检测3.朴素贝叶斯（7分钟）贝叶斯定理基础条件独立假设应用场景：垃圾邮件过滤、情感分析4.随机森林与Bagging（8分钟）集成学习思想：三个臭皮匠，顶个诸葛亮Bagging策略：Bootstrap+Aggregation随机森林：决策树的集成优势：抗过拟合、并行计算板块三：K均值聚类无监督学习概念算法步骤：初始化→分配→更新→迭代肘部法则确定K值Python实现演示板块四：总结提升对比分类算法与聚类算法的区别布置综合实践作业教学反思 培优补差课题深度学习与强化学习总课时4主备教师高楚其教学目标1.知识目标：理解神经网络基本原理、CNN/RNN结构、强化学习概念2.能力目标：能够区分不同深度学习架构的适用场景3.素养目标：理解强化学习在自动驾驶等领域的应用价值教学重点从生物神经元到人工神经网络的演变CNN卷积神经网络的核心组件RNN循环神经网络的序列处理能力强化学习的基本框架教学难点CNN中卷积层、池化层的工作原理RNN中梯度消失与梯度爆炸问题Qlearning算法的核心思想课前预习教学过程首次备课板块一：导入新课展示深度学习在人脸识别、语音助手等领域的应用引出深度学习的强大能力板块二：讲授新知1.从神经元到神经网络（10分钟）生物神经元结构McCullochPitts模型感知机与多层感知机激活函数：Sigmoid、ReLU、tanh2.CNN卷积神经网络（12分钟）卷积层：局部感受野、权重共享池化层：最大池化、平均池化全连接层经典架构：LeNet5、AlexNet、VGG、ResNet3.RNN循环神经网络（8分钟）序列数据处理时间步展开长短期记忆网络LSTM应用：机器翻译、文本生成4.强化学习基础（5分钟）Agent（智能体）、Environment（环境）、Action（动作）、Reward（奖励）探索与利用的平衡QLearning算法简介板块三：模型评估方法留出法、交叉验证法、自助法性能度量：准确率、精确率、召回率、F1值板块四：总结提升梳理深度学习发展脉络布置：调研强化学习在游戏AI中的应用案例教学反思 培优补差课题图像特征与图像分类总课时4主备教师高楚其教学目标1.知识目标：掌握图像特征类型、CNN图像分类原理2.能力目标：能够使用深度学习进行图像分类任务3.素养目标：理解计算机视觉在自动驾驶中的应用价值教学重点常见图像特征：边缘、角、区域、脊LeNet5、AlexNet、VGG、ResNet网络结构残差连接解决深层网络退化问题教学难点卷积操作的具体计算过程VGG网络中小卷积核的优势ResNet残差学习的原理课前预习教学过程首次备课板块一：导入新课展示人脸识别、车牌识别等计算机视觉应用引出图像分类的基本问题板块二：讲授新知1.图像特征概述（10分钟）边缘特征：灰度变化剧烈的地方角特征：两条边的交点区域特征：连通区域的核心部分脊特征：狭长区域的核心线特征抽取方法：SIFT、HOG、LBP2.图像分类网络发展（20分钟）LeNet5：第一个卷积神经网络，用于手写数字识别AlexNet：ReLU激活函数、Dropout正则化、GPU并行训练VGG16/VGG19：小卷积核（3x3）的优势ResNet：残差连接解决深层网络退化问题板块三：代码演示使用PyTorch实现简单图像分类展示迁移学习使用预训练模型板块四：总结提升图像分类网络的发展脉络布置实践：使用CIFAR10数据集完成分类任务教学反思 培优补差课题目标检测与图像分割总课时4主备教师高楚其教学目标1.知识目标：掌握目标检测和图像分割的核心算法2.能力目标：能够区分不同目标检测算法的优缺点3.素养目标：理解目标检测在智慧交通中的应用教学重点RCNN系列：区域提议+CNN分类YOLO：端到端实时目标检测FCN、UNet、DeepLab图像分割算法OBB定向边界框技术教学难点YOLO的工作原理与非极大值抑制（NMS）图像分割中上采样与下采样的平衡空洞卷积的作用课前预习教学过程首次备课板块一：导入新课展示自动驾驶中的目标检测场景引出目标检测与图像分割的任务区别板块二：讲授新知1.目标检测算法（18分钟）两阶段方法：RCNN→FastRCNN→FasterRCNN区域提议（RegionProposal）感兴趣区域池化（ROIPooling）单阶段方法：YOLO系列网格划分与边界框预测置信度与类别概率非极大值抑制（NMS）Transformer方法：DETR端到端检测2.图像分割算法（12分钟）语义分割：FCN（全卷积网络）实例分割：MaskRCNNUNet：编码器解码器架构，医学图像分割DeepLab：空洞卷积（DilatedConvolution）扩大感受野板块三：课堂互动OBB定向边界框在旋转目标检测中的应用智慧交通中的车辆检测与跟踪板块四：总结提升对比目标检测与图像分割的应用场景布置：调研目标检测在无人机领域的应用教学反思 培优补差课题图像生成技术总课时4主备教师高楚其教学目标1.知识目标：掌握VAE和GAN的基本原理2.能力目标：能够理解扩散模型的发展脉络3.素养目标：认识AI生成内容（AIGC）的伦理问题教学重点变分自编码器（VAE）的编码器解码器结构生成对抗网络（GAN）的对抗训练机制判别器与生成器的博弈原理教学难点GAN训练的不稳定性与模式崩溃问题VAE中变分推断的数学原理条件GAN（cGAN）的控制生成课前预习教学过程首次备课板块一：导入新课展示AI生成艺术作品、人脸生成等案例引出图像生成的技术发展板块二：讲授新知1.VAE变分自编码器（15分钟）自编码器基础：编码器+解码器变分推断：学习隐变量的分布重参数化技巧（ReparameterizationTrick）应用：图像重构、数据压缩2.GAN生成对抗网络（15分钟）核心思想：对抗训练生成器（Generator）：生成假样本判别器（Discriminator）：区分真假样本损失函数：交叉熵训练过程：交替优化应用：人脸生成、图像翻译、图像超分辨率板块三：技术对比与伦理讨论VAEvsGAN优缺点对比扩散模型简介（DiffusionModel）AI生成内容的版权问题Deepfake技术的风险与防范板块四：总结提升梳理图像生成技术发展脉络布置：调研AIGC在创意设计中的应用教学反思 培优补差课题自然语言处理基础总课时4主备教师高楚其教学目标1.知识目标：掌握NLP的定义、架构、七大基本任务2.能力目标：理解马尔科夫模型与Seq2Seq模型3.素养目标：认识Transformer架构的重要性教学重点NLP七大基本任务：分词、词性标注、命名实体识别、句法分析、语义分析、情感分析、机器翻译N元语法模型（Ngram）Seq2Seq编码器解码器架构Transformer自注意力机制教学难点词法分析、句法分析、语义分析的区别与联系自注意力机制的计算过程Transformer相比RNN的优势课前预习教学过程首次备课板块一：导入新课展示聊天机器人、机器翻译等NLP应用引出自然语言处理的概念板块二：讲授新知1.NLP概述（10分钟）定义：让计算机理解、生成和处理人类语言的技术三个层次：词法分析（分词、词性标注）、句法分析（依存分析、成分分析）、语义分析（词义消歧、语义角色标注）七大基本任务详解2.NLP方法演进（10分钟）基于规则的方法：正则表达式、上下文无关文法基于机器学习的方法：朴素贝叶斯、SVM、HMM、CRF基于深度学习的方法：CNN、RNN、LSTM基于大模型的方法：PromptEngineering、IncontextLearning3.Transformer架构（10分钟）自注意力机制（SelfAttention）多头注意力（MultiHeadAttention）位置编码（PositionalEncoding）BERT与GPT的区别板块三：课堂互动使用HuggingFaceTransformers库加载预训练模型板块四：总结提升梳理NLP技术发展脉络布置：使用jieba进行中文分词实践教学反思 培优补差课题自然语言处理应用总课时4主备教师高楚其教学目标1.知识目标：掌握机器翻译、情感分析、词云可视化的方法2.能力目标：能够构建简单的对话机器人3.素养目标：理解NLP在智慧客服中的应用价值教学重点神经机器翻译（NMT）原理观点提取与情感分析多轮对话式客服机器人架构教学难点机器翻译中的注意力机制应用对话机器人的意图识别与槽位填充知识图谱在问答系统中的应用课前预习教学过程首次备课板块一：导入新课展示在线翻译、情感分析仪表盘等实际应用引出NLP的具体应用场景板块二：讲授新知1.机器翻译（10分钟）传统方法：中间语言法、统计机器翻译神经机器翻译：Seq2Seq+AttentionTransformer在翻译中的应用开源工具：MarianMT、OpusMT2.情感分析与观点提取（10分钟）情感分析定义：判断文本的情感极性（正面、负面、中性）方法：基于词典、基于机器学习、基于深度学习观点提取：识别评价对象与情感表达应用：舆情监控、产品评价分析3.词云可视化（5分钟）词云生成流程：分词→过滤→统计→可视化工具：wordcloud、pyecharts4.对话机器人（5分钟）任务型对话：意图识别→槽位填充→对话管理→回复生成检索式对话：FAQ匹配生成式对话：GPT类模型多轮对话上下文管理板块三：课堂互动使用百度AI开放平台实现情感分析API调用板块四：总结提升梳理NLP应用的技术栈布置：设计一个校园问答机器人的功能方案教学反思 培优补差课题语音技术基础总课时4主备教师高楚其教学目标1.知识目标：掌握语音发音原理、频谱分析方法2.能力目标：理解SourceFilter模型和语谱图3.素养目标：为后续语音识别与合成学习奠定基础教学重点发音器官与生理原理SourceFilter声学模型频谱图与语谱图的解读音频文件格式（MP3、WAV、FLAC）教学难点SourceFilter模型中声源与声道的关系频谱图中共振峰的含义不同音频格式的优缺点课前预习教学过程首次备课板块一：导入新课播放不同人说话的语音样本引出语音技术的科学原理板块二：讲授新知1.语音发音基础（15分钟）发音器官：肺、气管、声带、口腔、鼻腔浊音与清音的区别元音与辅音的声学特征音节结构：声母、韵母、声调2.声学模型（10分钟）SourceFilter模型：声源（激励）+声道（滤波）共振峰理论：前三个共振峰F1、F2、F3语音生成过程数学模型3.频谱分析（5分钟）频谱图与语谱图的生成时域分析与频域分析短时傅里叶变换（STFT）板块三：音频处理实践使用Python的librosa库读取音频文件生成语谱图进行可视化板块四：总结提升梳理语音基础知识点布置：采集不同人朗读的音频样本并分析教学反思 培优补差课题语音识别与合成应用总课时4主备教师高楚其教学目标1.知识目标：掌握ASR和TTS的核心技术2.能力目标：能够使用开源工具实现语音识别与合成3.素养目标：理解智能语音技术的应用场景教学重点自动语音识别（ASR）算法原理MFCC梅尔频率倒谱系数语音合成（TTS）端到端模型GLM4Voice、BertVITS2等主流模型教学难点MFCC特征提取的完整流程端到端语音模型的优势语音克隆与情感合成技术课前预习教学过程首次备课板块一：导入新课展示语音助手、智能客服等应用引出语音识别与合成的技术板块二：讲授新知1.自动语音识别ASR（15分钟）ASR系统架构：预处理→特征提取→声学模型→语言模型→解码MFCC梅尔频率倒谱系数：预加重→分帧→加窗→FFT→Mel滤波器→DCT端到端模型：CTC、AttentionbasedEncoderDecoder开源工具：Kaldi、PaddleSpeech、Wenet、EspNetGLM4Voice：国产端到端语音对话模型2.语音合成TTS（15分钟）TTS系统架构：文本分析→声学模型→波形合成参数合成与拼接合成端到端模型：Tacotron、FastSpeech、TransformerTTS主流中文TTS模型：BertVITS2：基于VITS的中文模型GPTSoVITS：GPT风格的中文语音合成FishSpeech：开源高质量TTSCosyVoice：阿里开源语音合成板块三：开源工具实践与应用场景分析使用PaddleSpeech进行中文语音识别使用GPTSoVITS进行语音克隆智能车载语音系统有声读物自动生成跨语言交流实时翻译板块四：总结提升梳理语音技术产业链布置：使用TTS工具生成个人专属语音助手教学反思 培优补差课题大模型训练技术总课时4主备教师高楚其教学目标1.知识目标：掌握大模型定义、预训练与微调技术2.能力目标：能够理解LoRA、QLoRA等高效微调方法3.素养目标：认识大模型对科学研究的影响教学重点大模型分类：语言大模型、视觉大模型、多模态大模型预训练方法：自回归预训练、自编码预训练、编码器解码器预训练模型压缩：剪枝、量化、知识蒸馏微调技术：LoRA、QLoRA、PromptTuning、PrefixTuning教学难点LoRA低秩适应的数学原理QLoRA如何在有限显存下微调大模型思维链（ChainofThought）提示技术课前预习教学过程首次备课板块一：导入新课展示ChatGPT、通义千问、文心一言等大模型引出大模型训练的核心技术板块二：讲授新知1.大模型概述（8分钟）定义：参数规模达到亿级以上的深度学习模型分类：语言大模型（GPT系列）、视觉大模型（CLIP、StableDiffusion）、多模态大模型（GPT4V、Gemini）训练流程：数据收集→构建架构→预训练→微调→评估→部署2.预训练技术（10分钟）自回归预训练：GPT系列自编码预训练：BERT系列编码器解码器预训练：T5、BART模型压缩：剪枝：移除不重要的神经元量化：FP32→INT8→INT4知识蒸馏：大模型指导小模型学习3.微调技术（12分钟）全参数微调的问题：显存占用大、训练时间长LoRA：低秩适应，在权重矩阵旁边添加低秩矩阵QLoRA：量化LLM的LoRA微调PromptTuning：学习软提示词PrefixTuning：在每层注意力前添加可学习前缀思维链（CoT）：引导模型逐步推理板块三：实践演示使用HuggingFacePEFT库实现LoRA微调板块四：总结提升梳理大模型训练技术体系布置：调研LoRA在图像生成中的应用教学反思 培优补差课题AI智能体与应用总课时4主备教师高楚其教学目标1.知识目标：掌握AI智能体架构、分类和工作流设计2.能力目标：能够设计简单的AIAgent应用3.素养目标：理解AIAgent在企业服务中的应用价值教学重点AI智能体五大核心能力：感知、推理、决策、行动、学习四类智能体：简单反射、基于目标、基于效用、学习智能体工作流设计模式：链式、并行、路由、规划、评估优化、协作式教学难点强化学习与模仿学习训练智能体复杂任务的规划与分解多智能体协作机制课前预习教学过程首次备课板块一：导入新课展示AutoGPT、GPTPilot等AIAgent应用引出AI智能体的概念板块二：讲授新知1.AI智能体架构（12分钟）五大核心能力：感知（Perception）、推理（Reasoning）、决策（Decision）、行动（Action）、学习（Learning）四大交互模块：工具使用、记忆管理、规划能力、社交能力Agent=大模型+记忆+工具+规划2.AI智能体分类（8分钟）简单反射智能体：基于条件动作规则基于模型反射智能体：拥有世界模型基于目标智能体：目标导向行为基于效用智能体：最大化效用函数学习智能体：从经验中学习改进3.训练方法（5分钟）强化学习（RLHF）：人类反馈强化学习模仿学习：学习人类行为模式上下文学习（ICL）：通过示例学习4.工作流设计（5分钟）链式模式（Chain）：顺序执行任务并行模式（Parallel）：同时处理多个任务路由模式（Router）：智能选择处理路径规划模式（Planner）：分解复杂任务评估优化模式（EvaluatorCritic）：自我改进板块三：课堂互动知识库+LLM智能问答系统通义千问API调用实践用户咨询自动化服务场景板块四：总结提升梳理AIAgent技术栈布置：设计一个旅行规划AIAgent教学反思 培优补差课题智能机器人技术总课时4主备教师高楚其教学目标1.知识目标：掌握智能机器人的定义、感知与认知技术2.能力目标：理解机器人运动控制与人机交互原理3.素养目标：认识智能机器人在制造业、服务业的应用前景教学重点智能机器人定义与发展历程机器人感知技术：视觉感知、触觉感知、力觉感知机器人认知技术：环境建模、路径规划、任务调度运动控制技术：关节控制、轨迹规划教学难点SLAM同步定位与地图构建深度强化学习在机器人控制中的应用人机协作安全机制课前预习教学过程首次备课板块一：导入新课展示工业机器人、服务机器人、特种机器人视频引出智能机器人的定义板块二