《人工智能导论与应用》课程大纲

PAGE8《人工智能导论与应用》课程大纲一、课程基本信息课程名称人工智能导论课程代码0501098课程类别嵌入式智能系统开发方向课程学时/学分64/2.5开课单位适用专业计算机科学与技术课程负责人大纲撰写人大纲审核人先修课程面向对象程序设计，python程序设计、Linux应用技术、数据结构课程网址/doc/DUFpSRnRFZnBDYXdu/472139343课程简介人工智能导论是计算机科学与技术专业的一门专业方向选修课程。人工智能(ArtificialIntelligence)是50年代中期兴起的一门新兴边缘学科。既是计算机科学的一个分支，又是计算机科学、控制论、信息论、语言学、神经生理学、心理学、数学、哲学等多种学科相互渗透而发展起来的综合性学科。40多年来，人工智能研究的发展和取得的成就十分惊人，最近十几年的发展尤为迅速。人工智能研究的领域十分广泛，涉及专家（咨询）系统、自然语言理解和机器翻译、数据库的智能检索、机器定理证明、自动程序设计、博奕和决策、机器人学、感知问题、组合调度问题、机器学习、分布式人工智能、模式识别、人工神经网络等领域。通过本课程的学习，可以为学生学习未来选择就业方向和职业发展规划打下良好的理论基础，也可为未来从事人工智能相关领域工作打下夯实的专业基础。二、课程学习目标及与毕业要求的对应关系（一）课程学习目标《人工智能导论》课程是计算机科学与技术专业的嵌入式智能系统开发方向课程，授课对象为已经具备一定的程序设计和开发能力的学生。通过本课程的理论教学、实验训练和项目实施，使学生具备下列能力：1．了解机器学习和深度学习的发展历史。掌握机器学习的大致分类和常用算法。掌握基于机器学习的基本原理和理论，并了解最新的深度学习的原理和使用。学习和了解机器学习的概念与基本知识，掌握梯度下降算法，并能够通过代码实现推导，学习正向和反向传播的定义与过程,能够通代码手工建立神经网络模型。【毕业要求：1.2】2．掌握目前流行的神经网络框架平台PyTorch的安装与使用，了解平台主要模块和方法的技术细节，熟练使用预处理工具处理数据，熟悉相关组件和优化器、损失函数。了解PyTorch平台的、技术、资源、工具的原理和使用方法，理解其局限性，因而能正确使用PyTorch进行模型的设计和使用。【毕业要求：3.2】3.利用腾讯云、阿里云（天池NoteBook）、SageMakerStudioLab、CoLab和Kaggle等云计算平台进行GPU训练，减少高耗能设备的使用。利用现有的预训练模型、优秀的模型或组件来进行解决方案的设计，站在环境保护和可持续发展的角度，降低工程实际中设计、实现智能应用项目中的低能耗和绿色环保目标。【毕业要求：7.1】（二）课程学习目标与毕业要求指标点的对应关系毕业要求毕业要求指标点课程目标1.工程知识及其应用能力：具有扎实的数学和自然科学知识和工程基础，系统掌握计算机科学与技术领域的基本理论知识、并综合运用所学知识解决嵌入式系统、人工智能以及程序开发领域的复杂工程问题。1.2能够针对复杂计算机软硬件问题的具体对象建立模型并求解。教学目标13.设计/开发解决方案:

能够设计针对计算机领域的复杂工程问题解决方案，应用计算机软硬件系统的基本原理和方法，设计满足特定需求的计算机软硬件系统，并能够在设计中体现创新意识，考虑社会、健康、安全、法律、文化以及环境等多维度发展因素。3.2能够针对计算机软硬件特定需求，完成单元模块的详细设计与开发并体现创新意识。教学目标27：环境和可持续发展：具有环境保护和可持续发展意识，能够理解和评价针对复杂计算机软硬件问题的工程实践对环境、社会可持续发展的影响。7.1能够理解复杂计算机软硬件问题所涉及的环境和可持续发展等方面的理念和内涵。教学目标3

三、课程学习内容及与课程学习目标的对应关系（一）课程学习内容第一部分绪论(支撑教学目标1)【学习目标】使学生了解人工智能的定义、组成、作用和发展概况，了解最新的深度学习框架，并能够基本掌握使用方法。【学习内容】1.1了解人工智能的发展历史，掌握人工智能重要技术突破，做好进行人工智能学习的准备。1.2理解人工智能的概念，掌握人工智能。了解各种人工智能技术和发展趋势。通过学习掌握人工智能的基本概念，了解人工智能研究与应用的最新进展和发展方向；开阔视野，为将来使用人工智能的方法解决相关实际问题奠定初步基础。1.3复习和熟悉使用python编程，pytorch框架的安装与测试。【重点】了解人工智能的发展状况与研究内容，掌握人工智能的基本概念、基本思想方法和重要算法；熟悉典型的人工智能系统。熟悉在Windows环境下，安装配置人工智能编程环境的方法。【难点】Conda虚拟环境、PyTorch框架、JupyterNotebook的安装调试。【教学方法】1.通过多媒体课件和传统教学相结合，阐明课程与教学基本原理，丰富学生课程与教学的基本知识结构；2.编写过程性操作手册，以及采用演示，采用Tim、QQ、腾讯会议远程控制或ToDesk软件远程辅导学生配置的方法来提示学生实践效果。【复习思考】1.现今都有哪些主流的深度学习框架？2.Conda虚拟环境的迁移需要进行哪些准备？如何正确实施。

第二部分线性回归模型(支撑教学目标1)【学习目标】通过房价预测的案例，针对特定场景中的对象，确定对象的输入数据特征以及标记（可观测数据），采用线性回归模型来搭建神经网络。并随着项目案例的深入进行，引入均方误差、梯度下降、以及先后传播方法等，以掌握深度学习的核心原理与方法。【学习内容】2.1了解模型评估方法，掌握均方误差的概念，以及利用梯度下降获得最优模型的基本原理与方法。2.2实现房价预测的回归模型。2.3利用PyTorch进行梯度下降方法的实现。学习复杂函数的梯度计算原理。2.4利用PyTorch框架进行神经网络模型的定义，定义正向传播方法的定义，掌握模型的训练的基本方法。2.5学习sklearn等工具包在训练过程中的使用方法。【重点】掌握梯度下降方法的基本原理，了解损失函数在预测模型训练过程中的核心地位，以及相关的链式求导和模型参数更新的原理和方法。【难点】梯度下降的代码实现，以及采用类对象来实现神经网络的构建。【教学方法】1.通过多媒体课件教学，阐明课程与教学基本原理；2.通过实例教学，强调理论与实践相结合，促进学生知识整合，培养学生的反思能力。【复习思考】1.什么是梯度下降法？损失函数的定义。2.利用PyTorch实现神经网络和手动编写代码之间的区别与联系。3.评估模型的性能采用何种标准。第三部分分类模型(支撑教学目标1)【学习目标】通过乳腺癌预测案例，引入数据处理方法、模型定义、多分类、激活函数、深度网络等概念。介绍一个完整的数据文件读取到模型评测的分类模型神经网络的完整设计、实现过程。完全掌握利用PyTorch框架进行分类模型的设计、建构、训练和测试的所需知识和技能。并能针对计算机领域复杂工程问题的具体模块，利用合适的工具进行合理的模拟和预测，并分析其局限性。【学习内容】3.1利用Pandas包加载CSV文件，以及利用sklearn包中的工具自动划分训练和测试数据，以及数据集的标准化操作。3.2乳腺癌预测模型类的建立和训练：（1）初始化函数；（2）forward函数；（3）损失函数定义；（4）优化器的定义；（5）梯度清空；（6）迭代训练。3.3模型训练的数据分批过程，使用PyTorch包中的DataLoader数据加载器的使用。3.4使用torchvision中的transform方法进行数据预处理工作。3.5使用pythonWare公司的免费的图像处理工具包PIL(PythonImageLibrary)进行图像处理（改变图像大小，旋转图像，图像格式转换，色场空间转换等）。3.6掌握二分类和多分类的异同，熟悉Softmax以及多分类的损失函数，以及利用交叉熵评估模型的方法。3.7学习不同形式的激活函数，了解其意义和作用机制；并利用其构建深度神经网络。【重点】数据集构建、划分，以及数据预处理的方法；神经网络类的构建。【难点】掌握使用PyTorch构建神经网络和训练的方法。【教学方法】1.通过多媒体教学方式，边讲边敲代码，随着案例的进行对知识点进行阐述，同时及时回顾重点和难点内容；2.通过实例教学，强调理论与实践相结合，促进学生知识整合，培养学生的反思能力。【复习思考】1.二分类和多分类的区别与联系是什么？2.损失函数、优化器对模型训练的重要性，请总结和阐述。第四部分卷积神经网络(支撑教学目标2)【学习目标】应用神经网络框架pytorch建立一个卷积神经网络模型对CIFAR10中的数据集进行分类和识别。学习卷积运算和采样操作的基本原理，了解卷积层和池化层的作用。【学习内容】4.1卷积神经网络工作原理，展示基本工作过程，并随着案例介绍的深入熟悉计算机理解图像的基本过程。4.2介绍局部连接、权值共享。理解CNN从像素，边缘，局部形状一直到整体形状的感知过程。4.3对CIFAR-10数据集的处理，总计10个类的60000个32x32的彩色图像组成，即每个类有6000个图像。利用torchvision.transforms.Compose()进行张量封装和标准化过程。4.4模型的建立，随着案例的深入进行，讲解卷积层、池化层和激活层，并使用PyTorch实现。4.5使用交叉熵作为模型的损失函数，使用SGD算法作为梯度下降的优化器，其中要注意的是：训练迭代过程的终止条件要选择合理。4.6对数据集中图片进行预处理，分别进行张量封装和归一化处理，以及正则化处理。4.7CNN模型的正确率不高，与超参数的选择、模型的结构都有关系。本小节采用不同超参数，寻找较好的超参数组合。【重点】卷积神经网络中的卷积核、池化以及激活函数。【难点】CNN对降维，特征的提取从特殊到一般化的过程，也就提高了模型的泛化能力的理解。【教学方法】1.通过多媒体课件教学，阐明课程与教学基本原理；2.通过实例教学，强调理论与实践相结合，促进学生知识整合，培养学生的反思能力。3.在训练过程中，介绍使用腾讯云、阿里云、亚马逊云计算机的GPU训练以及使用免费的Colab；在授课过程中引导学生思考计算机科学与技术领域复杂工程实践的可持续性，评价产品周期中可能对人类和环境造成的损害和隐患。从而在当前和今后的工作生活中，选择根据低碳节能的学习、生活和生产方式。【复习思考】1.如何使用PyTorch中的卷积网络结构，如果构造forward函数？2.使用Colab机型GPU的训练的过程是怎样的？第五部分训练语言模型项目训练(支撑教学目标2)【学习目标】应用神经网络框架pytorch，通过一个情感分析案例，了解数据集划分，迭代器构造，训练和测试的整个神经网络建模过程。并获得初步的项目经验。【学习内容】5.1为什么要使用循环神经网络（RNN）？5.2文本表示。该部分主要学习序列模型所涉及到的文本处理的基础知识，包括不同的三种编码：独热、整数编码、词嵌入。5.3循环神经网络RNN介绍。包括：RNN提出的前提和背景；RNN的定义；RNN的工作原理。5.4长短期记忆网络（LSTM），作为一种改进之后的循环神经网络，用于解决RNN无法处理长距离的依赖的问题。详细介绍其工作过程，以显示其有效性。5.5LSTM的基本案例分析与阐述，主要是与全连接神经网络的比较。5.6围绕着一个情感分类的任务为例展示构建神经网络并预测的具体过程。即输入一段话，然后判断是积极情感还是消极情感。该模型训练与测试的数据：/~amaas/data/sentiment/。【重点】神经网络的构建过程，参数，优化器的选择和实现。【难点】word2vec和BERT的应用。【教学方法】1.通过多媒体课件教学，阐明课程与教学基本原理；2.通过实例教学，强调理论与实践相结合，促进学生知识整合，培养学生的反思能力。3.在训练过程中，介绍使用腾讯云、阿里云、亚马逊云计算机的GPU训练以及使用免费的Colab；在授课过程中引导学生思考计算机科学与技术领域复杂工程实践的可持续性，评价产品周期中可能对人类和环境造成的损害和隐患。从而在当前和今后的工作生活中，选择根据低碳节能的学习、生活和生产方式。【复习思考】1.如何使用Gensim中的word2vec？2.Bert的安装和单词或句子的embedding输出。第六部分项目实践(支撑教学目标1，2，3)【学习目标】通过课程的综合实践项目使学生加深对人工智能的基础知识的理解，针对现实问题，能够通过现有框架，设计和构建网络，并进行训练和测试。对出现的问题，通过分析和调整，达到较高的准确率，从而实现特定任务。【学习内容】学生分组进行上机实验，选择完成2个综合实践项目之一：实践项目序号实验项目名称计划学时实验类型1图像分类任务（基于公开数据集CIFAR-10）3设计与实现2自然语言处理任务（情感分析，基于公开数据集IMDB）3设计与实现【重点】实践项目1：1）的数据集的建立和标记2）公开数据集的结合使用3）具体的配置方法以及配置命令的使用。实践项目2：1）词嵌入组件在神经网络中的引入2）循环神经网络组件的创建【难点】综合案例实践中的分析、设计和实现。（二）课程学习内容与课程学习目标的对应关系课程学习内容教学方法支撑的课程目标毕业要求支撑理由学时安排第一部分绪论讲授法、示范教学课程目标1毕业要求1.2通过了解人工智能的定义、组成、作用和发展概况，了解最新的深度学习框架，并能够基本掌握使用方法。能够针对复杂计算机软硬件问题的具体对象建立模型并求解。12第二部分线性回归模型讲授法、案例教学课程目标1毕业要求1.2通过房价预测的案例，针对特定场景中的对象，确定对象的输入数据特征以及标记，采用线性回归模型来搭建神经网络。在过程中引入基本的概念与方法等，掌握深度学习的核心原理与方法。使学生能够将数学、计算科学基础和计算机科学与技术专业知识以及数学模型方法用于推演、分析复杂计算机软硬件工程问题并进行方案的比较和综合；并能够结合相关问题的背景和科学原理，分析PyTorch平台的原理和使用方法，并通过案例实现了解其局限性。14第三部分分类模型讲授法、案例教学课程目标1毕业要求1.2通过分类模型的构建，，引入数据处理方法、模型定义、多分类、激活函数、深度网络等概念。介绍一个完整的数据文件读取到模型评测的分类模型神经网络的完整设计、实现过程。能够针对复杂计算机软硬件问题的具体对象建立模型并求解，以及并能够结合相关问题的背景和科学原理，分析PyTorch平台的原理和使用方法，并通过案例实现了解其局限性。16第四部分卷积神经网络讲授法、案例教学课程目标2毕业要求3.2应用神经网络框架pytorch建立一个卷积神经网络模型对CIFAR10中的数据集进行分类和识别。学习卷积运算和采样操作的基本原理，了解卷积层和池化层的作用。使得学生能够针对复杂计算机软硬件问题的具体对象建立模型并求解；并且能够理解当前计算机软硬件问题所涉及的环境和可持续发展等方面的理念和内涵。12第五部分预训练语言模型项目训练讲授法、案例教学课程目标2毕业要求3.2应用神经网络框架pytorch，通过一个情感分析案例，了解数据集划分，迭代器构造，训练和测试的整个神经网络建模过程，获得初步的项目经验。使得学生能够针对复杂计算机软硬件问题的具体对象建立模型并求解；并且能够理解当前计算机软硬件问题所涉及的环境和可持续发展等方面的理念和内涵。7第六部分项目实践综合实践、实践报告课程目标1，2，3毕业要求1.2毕业要求3.2毕业要求7.1通过课程的综合实践项目使学生面对现实问题，能够通过现有框架，设计和构建网络，并进行训练和测试。使学生能够将数学、计算科学基础和计算机科学与技术专业知识以及数学模型方法用于推演、分析复杂计算机软硬件工程问题并进行方案的比较和综合；并能够结合相关问题的背景和科学原理，分析PyTorch平台的原理和使用方法，并通过案例实现了解其局限性。3合计64

四、课程考核及成绩评定本课程的总成绩为100分，采用过程性（项目）考核方式，成绩由四次考核测试综合评定，其中项目实践设计报告在课程结束前考核。考核环节第一阶段考核(1章)第二阶段考核(2-3章)第三阶段考核(4-5章)项目实践设计报告权重（%）10303030=10+10+10考核内容基本概念和方法经典模型的原理与设计数据特征提取项目练习设计与方案撰写，实现毕业要求指标点1.2（10）1.2（30）3.2（30）1.2（10）、3.2（10）、7.1（10）考核方式的合理性说明了解学生对人工智能相关概念、对象、软硬件工作环境配置的理解程度和掌握程度。考察学生对神经网络基本原理的理解，和用于解决实际中具体问题的能力。考核学生对经典模型的数据特征提取方法理解和掌握。是否具有创新性思维以解决问题。通过对实际问题的分析与设计、撰写方案，考察学生针对计算机软硬件具体需求，完成预测模型的详细设计和开发