人工智能通识教程 课程教学设计（教案）庞闻

课程教学设计（教案）第1周基本信息教师姓名职 称课程名称人工智能概论课程类型公共必修授课题目人工智能基础教学对象本科一年级授课时长100分钟学情分析AI本次课是课程的第一次课，学生对计算机基础知识及软件的基本概念有一定的了解。教学内容分析本次课程的主要内容有：课程介绍人工智能基础人工智能的基本概念课程目标知识与技能理解人工智能的概念；了解人工智能的产生；了解人工智能的发展；了解人工智能应用；了解人工智能技术；了解人工智能伦理与法律问题；了解人工智能前言研究动态。过程与方法培养学生自主学习，自我评估，自主控制和相互协作的能力；为学生后续计算机相关课程学习，专业课学习以及终身学习提供知识基础和能力基础。情感态度与价值观（含课程思政目标）提升逻辑思维能力及信息素养；系统提升学生的人工智能素养，培养“AI+”复合型人才；建立基于网络的共处能力、多人协作的良好的团队合作的意识和素养；培养实事求是，勇于探索，严谨认真，科学发展的素质；建立并传承良好价值观和专业素养；具有创新意识和国际视野，具备批判性思维的素养。教学重点、难点及措施教学重点人工智能的基本概念、人工智能的孕育与诞生。教学难点人工智能的基本概念。处理措施通过反复强调、举例让学生理解人工智能基础的内容。教学媒体与资源的选择教学媒体：计算机实验室，多媒体计算机。教学资源：《人工智能通识教程》王万良清华大学出版社《人工智能通识教程》陈云志浙江大学出版社《人工智能通识讲义》李楠等机械工业出版社《人工智能通识课》[意]皮埃罗·斯加鲁菲人民邮电出版社我校网络教学综合平台（/course-ans/ps/244822689）其中包括：课件11个教学视频25个测试2个作业7个讨论18个。教学过程一、课程导入12025通过发放问卷了解学生人工智能素养情况通过随堂测验了解学生对计算机基础知识已掌握情况4为什么要开这门课？——介绍课程的性质、目标与定位4为什么要开这门课？——介绍课程的性质、目标与定位1）课程简介①课程建设背景及目标20178201842.02024年12月27日，教育部召开2024年全国教育数字化工作总结会。教育部党组书记、部长怀进鹏出席会议并讲话。构建一个集智能教学环境、丰富平台资源、高效教育治理和全面保障体系于一体的本科人工智能教AI本科教育中的持续投入和不断优化，为学校的长远发展奠定坚实基础。，②课程性质、目的与教学目标《人工智能概论》课程是为本科生（欧洲学院、新闻与传播学院网络与新媒体专业）开设的通识必修课。周课时：2小时，总学时：32小时，2教学目标：掌握人工智能的基本概念、原理和关键技术。了解人工智能在文科领域的应用现状和发展趋势。能力要求：具备信息检索、信息评估和信息利用的能力。具备一定的编程基础和数据分析能力。具备良好的团队协作和沟通能力。③这门课讲什么内容？——介绍课程内容④如何学习这门课？——介绍授课平台和实训平台。二、讲授人工智能基础知识二、讲授人工智能基础知识人工智能的基本概念智能的概念对智能还没有确切的定义，主要流派有：思维理论：智能的核心是思维知识阈值理论：智能取决于知识的数量及一般化程度智能的特征80%以上信息通过视觉得到10%信息通过听觉得到。记忆与思维能力记忆：存储由感知器官感知到的外部信息以及由思维所产生的知识。思维能力：对记忆的信息进行处理行为能力（表达能力）人们的感知能力：用于信息的输入。行为能力：信息的输出。，，人工智能的孕育与诞生人工智能的孕育期公元前，伟大的哲学家和思想家亚里斯多德提出的三段论至今仍是演绎推理的基本依据。近代对人工智能的产生、发展有重大影响的主要研究成果：英国哲学家培根（F.Bacon）：归纳法莱布尼茨（G.W.Leibnitz）：万能符号、推理计算英国逻辑学家布尔（G.Boole）：用符号语言描述思维活动的基本推理法则英国图灵（A.M.Turing）：图灵机（1936年）（M-P（J.V.Alanasoff）1941BerryComputer,ABC），1946214（ElectronicNumericalIntegratorAndComputer,ENIAC）为人工智能的研究奠定了物质基础。人工智能的诞生——达特茅斯会议1956任MIT教授明斯基，IBM公司信息研究中心负责人洛切斯特，贝尔实验室信息部数学研究员香农共同发起，邀请普林斯顿大学莫尔和IBM公司塞缪尔、MIT的塞尔夫里奇和索罗莫夫以及兰德公司和卡内基－梅隆大学的纽厄尔、西蒙等10名年轻学者在达特莫斯大学召开了两个月的学术研讨会，讨论着一个完全不食人间烟火的主题：用机器来模仿人类学习以及其他方面的智能。会上麦卡锡提议正式采用“人工智能”这一术语，标志着人工智能学科正式诞生。1956年被称为人工智能元年，麦卡锡因而被称为人工智能之父。麦卡锡等在提交给洛克非勒基金会的资助申请书《人工智能的夏季研究》中给出人工智能的预期目标：制造一台机器，该机器可以模拟学习或者智能的任何其他方面、只要这些方面可以从原理上精碗描述。Everyaspectoflearningoranyotherfeatureofintelligencecaninprinciplebesopreciselydescribedthatamachinecanbemadetosimulateit.人工智能的定义用人工的方法在机器（计算机）上实现的智能；人们使机器具有类似于人的智能。也称机器智能。图灵测试教学效果评价与反思西安外国语大学课程教学设计（教案）第2周基本信息教师姓名职 称课程名称人工智能概论课程类型公共必修授课题目人工智能基础教学对象本科一年级授课时长100分钟学情分析AI教学内容分析本次课程的主要内容有：人工智能的发展简史人工智能的主要研究内容课程目标知识与技能理解人工智能的概念；了解人工智能的产生；了解人工智能的发展；了解人工智能应用；了解人工智能技术；了解人工智能伦理与法律问题；了解人工智能前言研究动态。过程与方法培养学生自主学习，自我评估，自主控制和相互协作的能力；为学生后续计算机相关课程学习，专业课学习以及终身学习提供知识基础和能力基础。情感态度与价值观（含课程思政目标）提升逻辑思维能力及信息素养；系统提升学生的人工智能素养，培养“AI+”复合型人才；建立基于网络的共处能力、多人协作的良好的团队合作的意识和素养；培养实事求是，勇于探索，严谨认真，科学发展的素质；建立并传承良好价值观和专业素养；具有创新意识和国际视野，具备批判性思维的素养。教学重点、难点及措施教学重点人工智能的发展简史、人工智能的主要研究内容、人工智能的主要应用领域教学难点人工智能的主要研究内容、人工智能的主要应用领域处理措施通过反复强调、举例让学生理解人工智能基础的内容。教学媒体与资源的选择教学媒体：计算机实验室，多媒体计算机。教学资源：《人工智能通识教程》王万良清华大学出版社《人工智能通识教程》陈云志浙江大学出版社《人工智能通识讲义》李楠等机械工业出版社《人工智能通识课》[意]皮埃罗·斯加鲁菲人民邮电出版社我校网络教学综合平台（/course-ans/ps/244822689）其中包括：课件11个教学视频25个测试2个作业7个讨论18个。教学过程一、课程导入通过随堂测试了解学生上一讲掌握情况，通过科学家小故事引入本讲内容。二、讲授人工智能基础相关知识人工智能的形成期CarnegieRANDMITIBM1956机器学习：1957年Rosenblatt研制成功了感知机；1958IBM-7043~5min），并且还证明了谓词演算中15085%；1965年鲁宾逊（J.A.Robinson）提出了归结原理，为定理的机器证明做出了突破性的贡献。（EA.年开始专家系统DENDRAL人工智能语言：1960年麦卡锡研制出了人工智能语言LISP，成为建造智能系统的重要工具。1969年，成立了国际人工智能联合会议（InternationalJointConferencesonArtificialIntelligence，IJCAI）。1970年，创刊了国际性的人工智能杂志（ArtificialIntelligence）。1978年，我国开始把“智能模拟”作为国家科技发展规划的主要研究课题。1981年成立了中国人工智能学会（CAAI）。几起几落的曲折发展期20世纪60年代末，人工智能研究遇到困难，如机器翻译。1966年美国顾问委员会裁定：还不存在通用的科学文本机器翻译，也没有很近的实现前景。英国、美国中断了大部分机器翻译项目的资助。1972年，法国马赛大学的科麦瑞尔（A.Comerauer）提出并实现了逻辑程序设计言PROLOG。1972年，斯坦福大学的肖特利夫（E.H.Shortliffe）等人开始研制用于诊断和治疗感染性疾病的专家系统MYCIN。1977年，费根鲍姆在第五届国际人工智能联合会议上提出了“知识工程”概念，推动了知识为中心的研究。（知识应用期）1986年之后也称为集成发展期。计算智能（CI）弥补了人工智能中在数学理论和计算上的不足，使人工智能进入了一个新的发展时期。大数据驱动的飞速发展期（数据2006年，辛顿等根据生物学的重要发现，提出了著名的深度学习方法。2017年10月，辛顿等进一步提出了胶囊网络。9AdmR.KosorekCE人工智能可分为专用人工智能和通用人工智能。通用人工智能尚处于起步阶段。人工智能的发展方向应该是从专用智能向通用智能。我国人工智能发展现状中国人工智能发展可以追溯到20世纪50年代末期，当时中国就开始探索人工智能的研究。1956年，中国科学院计算技术研究所成立。19世纪80年代，中国开始着手发展人工智能技术，并在语音识别、机器翻译等领域取得了初步进展。提19世纪80年代，中国开始着手发展人工智能技术，并在语音识别、机器翻译等领域取得了初步进展。提出了基于模型的机器翻译方法、神经网络等。1984年召开了全国智能计算机及其系统学术讨论会，。1985年召开了全国首届第五代计算机学术研讨会。1986年起把智能计算机系统、智能机器人和智能信息处理等重大项目列入国家高技术研究发展计划（863计划）。198771993年起，我国把智能控制和智能自动化等项目列入国家科技攀登计划。X1.4人工智能的主要研究内容知识表示：将人类知识形式化或者模型化。知识表示方法：符号表示法、连接机制表示法。连接机制表示法：把各种物理对象以不同的方式及顺序连接起来，并在其间互相传递及加工各种包含具体意义的信息，以此来表示相关的概念及知识。例如，神经网络等。机器感知：使机器（计算机）具有类似于人的感知能力。以机器视觉与机器听觉为主。机器思维：对通过感知得来的外部信息及机器内部的各种工作信息进行有目的的处理。机器学习ahinelani机器行为：计算机的表达能力，即“说”、“写”、“画”等能力。1.5人工智能的主要应用领域1.自动定理证明定理证明的实质是证明由前提P得到结论Q的永真性。1958（220150。1965年鲁宾逊（Robinson）提出了归结原理，使机器定理证明成为现实。法”。博弈机器博弈是人工智能研究中的最好试验场。下棋、打牌、战争等一类竞争性的智能活动，1956年，塞缪尔研制出跳棋程序。棋局数量：一字棋：9！西洋跳棋：1078国际象棋：10120围棋：10761国际象棋：10120国际象棋：假设每步可以搜索一个棋局，用极限并行速度（10-104年/步）来处理，搜索一遍的全部棋局也得1016年即1亿亿年才可以算完！深蓝战胜国际象棋棋王卡斯帕罗夫人类与机器在国际象棋比赛上互有胜负，直到2006年棋王姆尼克被国际象棋软件深弗里茨击败后，人类再也没有击败过电脑。AlphaGo的经验来不断优化算法，梳理决策模式，吸取比赛经验，并通过与自己下棋来强化学习。ateneoniion文字识别：邮政编码、车牌识别、汉字识别。人脸识别：反恐、商业。物体识别：导弹、机器人。医学影像识别：基于深度学习等人工智能技术的X光、核磁、CT、超声等医疗影像多模态大数据的分析技术，提取二维或三维医疗影像隐含的疾病特征。分析技术，提取二维或三维医疗影像隐含的疾病特征。例：黑色素瘤识别：将1万张有标记的影象交给机器学习，然后让3名医生和计算机一起看另外的3000账。人的精度84%，计算机97%。机器视觉(machinevision)或计算机视觉(computervision)是用机器代替人眼睛进行测量和判断。计算机语音输入：计算机、智能手机等的重要组成。计算机语音录入、手机语音呼叫、机器人语音控制、语音锁、机器故障诊断等。语音识别用语音作为计算机的输入。（自然语言理解：研究如何让计算机理解人类自然语言，包括回答问题、生成摘要、翻译等。19571966现在，机器翻译已经实用化、商品化。Pilot耳机是世界上首个具备自动翻译的智能耳机，进行实时翻译。2016年谷歌销售语音识别API，将80多种语言转换成文字。2016年谷歌推出商业级神经系统机器翻译，准确率达86%。Facebook使用CNN翻译速度比谷歌快9倍。阿里研发NMT，翻译质量大幅度提升。智能信息检索系统的功能：、：(3)系统拥有一定的常识性知识。数据挖掘的目的是从数据库中找出有意义的模式(一组规则、聚类、决策树、依赖网络或其他方式表示的知识)。数据挖掘过程：数据预处理、建模、模型评估及模型应用。专家系统模拟人类专家求解领域内的各种问题。5EDA8年1971年MIT开发成功求解一些数学问题的MYCSYMA专家系统。拉特格尔大学开发的清光眼诊断与治疗的专家系统CASNET。1972年斯坦福大学肖特里菲等人开始研制用于诊断和治疗感染性疾病的专家系统MYCIN。1976年斯坦福研究所开始开发探矿专家系统PROSPECTOR，1980年首次实地分析华盛顿某山区地质资料，发现了一个钼矿。1981年斯坦福大学研制成功专家系统AM，能模拟人类进行概括、抽象和归纳推理，发现某些数论的概念和定理。程序验证：研究出一套理论和方法，通过运用这套理论和方法就可以证明程序的正确性。例：2014年2月新闻：麻省理工教授ArmandoSolar-Lezama开发的一种智能化编程语言“Sketch”，可以自动填补、修正代码内容，在几毫秒内修复代码，让程序员可以忽略许多繁琐的细节。机器人20世纪60）（。（自动驾驶（无人驾驶）商业化的四个关键要素：自动驾驶（无人驾驶）商业化的四个关键要素：（网络：类似滴滴、Uber、Lyft这样的出行网络。NP完全问题：用目前知道的最好的方法求解，问题求解需要花费的时间是随问题规模增大以指数关系增长。例：智慧物流FD人工神经网络：一个用大量简单处理单元经广泛连接而组成的人工网络，用来模拟大脑神经系统的结构和功能。神经元模型的研究（20世纪50年代中期--）1943年，麦克洛奇和皮兹提出M-P模型，开创了人工神经网络研究。1957年，罗森勃拉特提出感知器模型。1969Perceptron诺贝尔医学奖获得者美国神经生物学家DavidHubel和TorstenWiesel发现：人的视觉系统的信息处理是分级的。分布式人工智能系统以鲁棒性作为控制系统质量的标准，并具有互操作性，即不同的异构系统在快；；、；速变化的环境中，具有交换信息和协同工作的能力。分布式问题求解：把一个具体的求解问题划分为多个相互合作和知识共享的模块或者结点。多智能体系统：研究各智能体之间行为的协调。16.智能控制国际知名美籍华裔科学家傅京孙（KS.Fu）在1965年首先把人工智能的启发式推理规则用于学习控制系统。智能控制的两个显著特点：智能控制的基本类型：（1）家能制 （2）糊制 （3）神经络制智能仿真是将AI引入仿真领域，建立智能仿真系统。利用AICAD智能简称CADAI几CAD（1）设计自动化。（2）智能交互。（3）智能图形学。（4）自动数据采集。智能CAI智能CAI就是把AI引入计算机辅助教学领域。ICAI系统一般分成专门知识、教导策略和学生模型和自然语言的智能接口。ICAI应具备下列智能特征：（1）自动生成各种问题与练习。（2）根据学生的学习情况自动选择与调整教学内容与进度。（3）在理解教学内容的基础上自动解决问题生成解答。（4）具有自然语言生成和理解能力。（5）对教学内容有理解咨询能力。（5）对教学内容有理解咨询能力。（6）能诊断学生错误，分析原因并采取纠正措施。（7）能评价学生的学习行为。（8）能不断地在教学中改善教学策略。智能管理就是把人工智能技术引入管理领域，建立智能管理系统，研究如何提高计算机管理系统的智能水平，以及智能管理系统的设计理论、方法与实现技术。智能决策就是把人工智能技术引入决策过程，建立智能决策支持系统。智能决策支持系统是由传统决策支持系统加上相应的智能部件就构成了智能决策支持系统。多媒体计算机系统就是能综合处理文字、图形、图像和声音等多种媒体信息的计算机系统。智能多媒体就是将人工智能技术引入多媒体系统，使其功能和性能得到进一步发展和提高。人工生命是以计算机为研究工具，模拟自然界的生命现象，生成表现自然生命系统行为特点的仿真系统。AL是首先由计算机科学家ChristopherLangton在1987年在"生成以及模拟生命系统的国际会议"上提出。研究进化的模式和方式、人工仿生学、进化博弈、分子进化、免疫系统进化、学习等；智能操作系统的基本模型：以智能机为基础，能支撑外层的AI应用程序，实现多用户的知识处理和并行推理。智能操作系统三大特点：并行性：支持多用户、多进程，同时进行逻辑推理等;分布性：把计算机硬件和软件资源分散而又有联系地组织起来，支持局域网和远程网处理;AI；智能计算机系统就是人们正在研制的新一代计算机系统。智能计算机系统就是人们正在研制的新一代计算机系统。智能通信就是把人工智能技术引入通信领域，建立智能通信系统。智能通信就是在通信系统的各个层次和环节上实现智能化。例如在通信网的构建、网管与网控、转AIAI的专家系统、模糊技术和神经网络技术可用于网络的连接接纳控制、业务量管制、业务量预测、资源动态分配、业务流量控制、动态路由选择、动态缓冲资源调度等许多方面。云端人工智能（cloudAI）在云端集中使用和共享机器学习工具的技术。云端人工智能系统主要包括人工智能基础设施和人工智能服务两大部分。人工智能基础设施包括各种数据和数据库、大数据平台等。人工智能服务部分提供各种应用程序接口和人机交互接口，用户无需自己创建自定义的机器学习模型。人工智能应用如雨后春笋，人工智能会使许多人失业吗?2000现在人工智能时代：催生了大量产业和人才需求渴求，各大公司重金招聘精通调参的深度学习工程师。未来被淘汰的不是工作，而是技能。教学效果评价与反思西安外国语大学课程教学设计（教案）第3周基本信息教师姓名职 称课程名称人工智能概论课程类型公共必修授课题目机器学习教学对象本科一年级授课时长100分钟学情分析AI有一定的了解。教学内容分析本次课程的主要内容有：机器学习基本概念机器学习发展历程机器学习研究现状机器学习分类课程目标知识与技能理解人工智能的概念；了解人工智能的产生；了解人工智能的发展；了解人工智能应用；了解人工智能技术；了解人工智能伦理与法律问题；了解人工智能前言研究动态。过程与方法培养学生自主学习，自我评估，自主控制和相互协作的能力；为学生后续计算机相关课程学习，专业课学习以及终身学习提供知识基础和能力基础。情感态度与价值观（含课程思政目标）提升逻辑思维能力及信息素养；系统提升学生的人工智能素养，培养“AI+”复合型人才；建立基于网络的共处能力、多人协作的良好的团队合作的意识和素养；培养实事求是，勇于探索，严谨认真，科学发展的素质；建立并传承良好价值观和专业素养；具有创新意识和国际视野，具备批判性思维的素养。教学重点、难点及措施教学重点机器学习基本概念、机器学习分类教学难点机器学习分类处理措施通过反复强调、举例让学生理解机器学习的内容。教学媒体与资源的选择教学媒体：计算机实验室，多媒体计算机。教学资源：《人工智能通识教程》王万良清华大学出版社《人工智能通识教程》陈云志浙江大学出版社《人工智能通识讲义》李楠等机械工业出版社《人工智能通识课》[意]皮埃罗·斯加鲁菲人民邮电出版社我校网络教学综合平台（/course-ans/ps/244822689）其中包括：课件11个教学视频25个测试2个作业7个讨论18个。教学过程一、课程导入通过课堂提问了解学生上一讲掌握情况，通过科学家小故事引入本讲内容。机器学习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。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能核心，是使计算机具有智能的根本途径。二、讲授机器学习相关知识学习（1）学习是系统改进其性能的过程。（西蒙，1980）（2）学习是获取知识的过程。（3）学习是技能的获取。（4）学习是事物规律的发现过程。综合上述，学习：一个有特定目的的知识获取过程。学习的内在行为：获取知识、积累经验、发现规律。学习的外部表现：改进性能、适应环境、实现系统的自我完善。计算机能模拟人的学习行为，自动地通过学习获取知识和技能，不断改善性能，实现自我完善。主要研究内容:（1）学习机制（2）学习方法（3）学习系统学习系统：能够在一定程度上实现机器学习的系统。ai（3年7年（1）有当学环境 （2）有定学能力（3）应学的识解问题 （4）提系的能环境 学习 知识库学习系统的基本结构执行与评价机器学习发展历程机器学习发展历程（2050）nealpposelaningsytm1957年，罗森勃拉特（F.Rosenblatt）提出感知器模型。1969Perceptron（20世纪70）（D.JMostow）温斯顿（Winston）和卡鲍尼尔（J.G.Carbonell）的类比学习。米切尔（T.M.Mitchell）等人的解释学习。符号主义的特点：基于数理逻辑：符号主义认为人工智能源于数理逻辑，通过逻辑推理和符号操作来模拟人类的智能行为。强调知识表示：符号主义注重知识的符号化表示，认为知识是智能的基础。逻辑推理能力强：符号主义系统具有较强的逻辑推理能力，能够处理复杂的逻辑关系和规则。可解释性强：符号主义系统的决策过程相对透明，可以提供清晰的解释和理由。（2080）连接学习是一种以非线性大规模并行处理为主流的神经网络的研究，特别是深度学习研究目前仍在进行之中。符号学习的研究同时取得很大进展，它与连接学习各有所长，具有较大的互补性。1980年召开了第一届机器学习国际研讨会。1986MachineLearning分布式表示：连接主义通过调整单元之间的连接权重来隐式地表示知识，这些权重是通过学习算法从数据中自动获取的。并行处理：连接主义采用并行处理方式，大量单元同时工作，通过权重调整来处理信息。自适应学习：连接主义的学习机制是通过算法自动从数据中学习，如反向传播算法等。连接主义主张通过模拟人脑神经元的连接方式来实现人工智能。它强调从大量的数据中学习并优化（NN2.3机器学习研究现状战胜世界围。国内外研究现状方面，美国是全球机器学习领域的领导者，拥有大量的高水平研究机构和优秀的科GoogleFacebookMicrosoft（）监督学习从给定的训练数据集中学习出一个函数或模型，当接收到一个新的数据时，根据这个函数或模型预测结果。训练集是训练样本的集合，每个样本都有一个输入变量（（。（。（）无标签无监督学习算法使用未标记的输入数据，这意味着数据只提供（。在无监督学习中，通过不断自我认知、自我归纳自己发现数据中的规律模型。聚类是常见的无监督学习策略。分析研究对象的特征属性，把相似的研究对象按一定的方式归为同类降维问题 监督学习与无监督学习的比较2.4.3弱监督学习弱监督学习中的数据标签允许是不完全的，即训练集中只有一部分数据是有标签的，而其余的数据甚至是绝大部分数据是没有标签的。弱监督学习涵盖的范围很广泛，可以说只要标注信息是不完全、不确切或者不精确的标记学习都可以看做是弱监督学习。父母如何教婴儿认识汽车？半监督学习、迁移学习和强化学习是三种典型的弱监督学习。1.半监督学习：只有少量有标注的数据，还有大量未标注的数据可供使用。2.迁移学习：将已经学习过的知识迁移应用到新的问题中。①本移 ②征移 模迁移3.强化学习（再励学习）强化学习中外部环境对系统输出结果只给出评价信息（受惩的动作改善自身的性能。马戏团的动物是如何学习的？监督学习应用领域无监督学习应用领域半监督学习应用领域教学效果评价与反思用人工智能技术与方法解决专业问题打好基础。西安外国语大学课程教学设计（教案）第4周基本信息教师姓名职 称课程名称人工智能概论课程类型公共必修授课题目机器学习教学对象本科一年级授课时长100分钟学情分析AI机器学习有一定的了解。教学内容分析本次课程的主要内容有：机器学习常见算法课程目标知识与技能理解人工智能的概念；了解人工智能的产生；了解人工智能的发展；了解人工智能应用；了解人工智能技术；了解人工智能伦理与法律问题；了解人工智能前言研究动态。过程与方法培养学生自主学习，自我评估，自主控制和相互协作的能力；为学生后续计算机相关课程学习，专业课学习以及终身学习提供知识基础和能力基础。情感态度与价值观（含课程思政目标）提升逻辑思维能力及信息素养；系统提升学生的人工智能素养，培养“AI+”复合型人才；建立基于网络的共处能力、多人协作的良好的团队合作的意识和素养；培养实事求是，勇于探索，严谨认真，科学发展的素质；建立并传承良好价值观和专业素养；具有创新意识和国际视野，具备批判性思维的素养。教学重点、难点及措施教学重点机器学习常见算法教学难点机器学习常见算法处理措施通过反复强调、举例让学生理解机器学习的内容。教学媒体与资源的选择教学媒体：计算机实验室，多媒体计算机。教学资源：《人工智能通识教程》王万良清华大学出版社《人工智能通识教程》陈云志浙江大学出版社《人工智能通识讲义》李楠等机械工业出版社《人工智能通识课》[意]皮埃罗·斯加鲁菲人民邮电出版社我校网络教学综合平台（/course-ans/ps/244822689）其中包括：课件11个教学视频25个测试2个作业7个讨论18个。教学过程一、课程导入通过课堂提问了解学生上一讲掌握情况，通过科学家小故事引入本讲内容。二、讲授机器学习相关知识2.5机器学习常见算法一、课程导入通过课堂提问了解学生上一讲掌握情况，通过科学家小故事引入本讲内容。二、讲授机器学习相关知识2.5机器学习常见算法常见的分类算法决策树：基于对数据集的分割来构建一个树状结构，每个内部节点表示对某个属性的判断，每个叶节点表示一个类别。从根节点开始，对实例的某一特征进行测试，根据测试结果将实例分配到其子节点，此时每个子节点对应着该特征的一个取值，如此递归的对实例进行测试并分配，直到到达叶节点，最后朴素贝叶斯：基于贝叶斯定理，假设属性之间相互独立，利用先验（Prior）概率和条件概率进行分类。支持向量机：通过寻找超平面将数据集分割成两个类别，并最大化边界，可以实现非线性分类。支持向量机（supportvectormachines）是一种二分类模型，目的是寻找一个超平面来将不同类别的样本分开，分开的原则是间隔最大化，最终转化为一个凸二次规划问题来求解。当训练样本线性可分时，通过硬间隔最大化，学习一个线性可分支持向量机；当训练样本近似线性可分时，通过软间隔最大化，学习一个线性支持向量机；当训练样本线性不可分时，通过核技巧和软间隔最大化，学习一个非线性支持向量机；给定训练集，分类学习最基本的思想就是基于训练集D在样本空间中找到一个超平面，将不同类别的样本分开。在样本空间中，超平面可表述为：其中 ，𝜔为法向量，决定了超平面的方向；b为位移项，决定了超平面与原点之间的距离。、，超平面可被法向量𝜔和位移b𝝎bx到超平面(𝜔b)的距离可写为距离超平面最近的几个点使上式等号成立，将之称为支持向量（supportvector）核方法K近邻算法（K-NearestNeighbors，KNN）：通过计算待分类样本与训练样本之间的距离，取距离最近的k个样本的类别进行投票决定待分类样本的类别。k近邻学习是一种流行的监督学习方法，工作原理很简单：给定一个训练集，在训练集中为一个新的输入实例定位实例的k个近邻，这k个实例的大多数属于哪个类，就把该输入实例分类到哪个类中。k近邻学习是“懒惰学习”的。懒惰学习是一种训练集处理方法，其会在收到测试样本的同时进行训练；与之相对的是急切学习，其会在训练阶段开始对样本进行学习处理。逻辑回归（LogisticRegression）：通过对数据进行拟合，得到一个线性回归方程，并通过Sigmoid函数将结果映射到[0,1]，用于解决二分类问题。常见的回归算法Model）。线性回归的优点是简单易懂，容易实现，并且在某些情况下可以提供良好的结果。与线性回归不同，支持向量回归可以使用核函数来处理非线性问题。决策树回归的优点是易于理解和解释，可以处理非线性关系，并且不需要对数据进行任何假设。（Random与决策树回归不同，随机森林回归可以处理高维数据，并且具有更好的泛化性能。BP算法来训练模型。神经网络回归的优点是可以处理非线性问题，并且在大规模数据集上具有较好的性能。常见的聚类算法K-means聚类算法：该算法是最常见的聚类算法之一，将样本分为K个簇，每个簇的中心是该簇内所有样本的平均值。该算法的优化目标是最小化样本到簇中心的距离平方和。K-MeansK个簇。让簇内的点尽可能紧密的连在一起，而让簇间的距离尽量的大。层次聚类算法：该算法是将样本逐步分解为一些小的簇，并且在每一步将相似的簇组合起来，形成较大的簇。该算法有两种形式：自下而上（凝聚）和自上而下（分裂）。层次聚类算法不同于传统的K-Means聚类算法，它在初始K值和初始聚类中心点的选择上没有预设要求，并且可以将数据间的相似关系以树形结构显示，具有独特优势。层次聚类算法根据层次分解的顺序分为：自底向上和自顶向下。现采集到7种不同植物的侧面高度和宽度数据，现利用自底而上层次聚类算法进行聚类。第一步：计算7个样本之间的欧氏距离，将距离最近的样本两两分到一起；第二步：计算四个类的中心（除4号样本外），计算四个类中心的两两距离，将最近的A1和A4集聚成新类B1；第三步：计算新类B1的中心，计算A2、A3和B1类中心的两两距离，将最近的A2和B1类集聚成新类C1；第四步：最后将剩下的C1和A3类集聚成一个整体类。密度聚类算法：这类算法将簇视为高密度区域，通过寻找高密度区域来确定聚类，而不是在样本之间划定边界。基于密度的聚类是根据样本的密度分布来进行聚类。通常情况下，密度聚类从样本密度的角度出来，来考查样本之间的可连接性，并基于可连接样本不断扩展聚类簇，以获得最终的聚类结果。2.6机器学习应用Google流感趋势预测、社保欺诈、反垃圾邮件系统、个性化推荐、社交网络分析……思考：为什么赢得政治选举与大数据分析联系在一起？数据将会指示我们客户该将他们的竞选广告放到哪才能让他们的目标人群最有可能看到。作业：登录海豚平台/user-center/login/index完成实验8-回归模型，实验9-分类模型，实验10-聚类模型，实验12-文本分类4个实验教学效果评价与反思用人工智能技术与方法解决专业问题打好基础。西安外国语大学课程教学设计（教案）第5周基本信息教师姓名职 称课程名称人工智能概论课程类型公共必修授课题目深度学习教学对象本科一年级授课时长100分钟学情分析AI机器学习有一定的了解。教学内容分析本次课程的主要内容有：浅层学习的局限性深度学习的提出课程目标知识与技能理解人工智能的概念；了解人工智能的产生；了解人工智能的发展；了解人工智能应用；了解人工智能技术；了解人工智能伦理与法律问题；了解人工智能前言研究动态。过程与方法培养学生自主学习，自我评估，自主控制和相互协作的能力；为学生后续计算机相关课程学习，专业课学习以及终身学习提供知识基础和能力基础。情感态度与价值观（含课程思政目标）提升逻辑思维能力及信息素养；系统提升学生的人工智能素养，培养“AI+”复合型人才；建立基于网络的共处能力、多人协作的良好的团队合作的意识和素养；培养实事求是，勇于探索，严谨认真，科学发展的素质；建立并传承良好价值观和专业素养；具有创新意识和国际视野，具备批判性思维的素养。教学重点、难点及措施教学重点深度学习的提出、神经网络基础教学难点神经网络基础处理措施通过反复强调、举例让学生理解深度学习的内容。教学媒体与资源的选择教学媒体：计算机实验室，多媒体计算机。教学资源：《人工智能通识教程》王万良清华大学出版社《人工智能通识教程》陈云志浙江大学出版社《人工智能通识讲义》李楠等机械工业出版社《人工智能通识课》[意]皮埃罗·斯加鲁菲人民邮电出版社我校网络教学综合平台（/course-ans/ps/244822689）其中包括：课件11个教学视频25个测试2个作业7个讨论18个。教学过程一、课程导入通过课堂提问及作业完成率了解学生上一讲掌握情况，通过科学家小故事引入本讲内容。2010一个生理学发现：动物视觉机理与深度学习提出1958年，神经生物学家斯佩里（R.W.Sperry）等人研究了瞳孔区域与大脑皮层神经元的对应关系。他们在3mm这个生理学发现促成了人工智能在40年后的突破性发展。1981年，斯佩里等人因为发现了视觉系统的可视皮层是分级的而获得诺贝尔生理学或医学奖。二、讲授深度学习相关知识3.1浅层学习的局限性20世纪80年代末期提出人工神经网络学习算法（BP算法）20世纪90年代，研究者又提出了各种各样的机器学习方法（SupportVectorMachine,SVM）（Boosting）（如逻辑斯谛回归（shallowlearning）模型。局限性：有限样本和有限计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。模式识别：良好的特征表达，是识别成功的关键；识别系统的计算和测试工作耗时主要集中在特征表达部分；传统的方法是手工设计良好的特征提取器，这需要大量的工程技术和专业领域知识。能否自动地学习特征呢？——深度学习！深度学习的提出1968年诺贝尔医学奖获得者美国神经生物学家DavidHubel和TorstenWiesel发现：人的视觉系统的信息处理是分级的。高层的特征是低层特征的组合，从低层到高层的特征表示越来越抽象，越来越能表现语义或者意图。抽象层面越高，存在的可能猜测就越少，就越利于分类。2006年7月，加拿大多伦多大学杰弗里•辛顿教授和他的博士生萨拉赫丁诺夫（RuslanSalakhutdino）在《科学》杂志上发表文章《用神经网络降低数据维度）（ReducingtheDimensionofDatawithNeuralNetraork）。文章指出：梯度消失的问题可以通过先使用无监督训练对权值进行初始化，再使用监督训练进行微调的方法解决。该文章掀起了深度学习的新浪潮。2011年辛顿等人提出用ReL.U激活函数取代Sigmod函数，有效解决深度学习梯度消失问题。2011年后，微软首次将DNN（深度神经网络）应用到语音识别，获得的重大突破。2012年，Hinton教授研究组为了证明卷积神经网络的效果，带领他的两位学生组成多伦多大学小组参加ImageNetImageNet图像分类任务的Top5错误率从26.2%降到15.3%，再降到11.7％，又降到6.6%，最后降到3.6%，每年错误率AI（data-driven）神经网络基础3.3.1生物神经元一种神经细胞，包含多个树突、一个轴突、细胞体这三个部分。树突接收来自其他神经元传来的神经冲动（生物电），输入信息端细胞体汇集传入的神经冲动，并产生新的神经冲动，加工信息的部分轴突能够把神经元产生的神经冲动通过众多神经末梢传递给其它神经元的树突，输出信息端。神经网络也称人工神经网络或模拟神经网络，是机器学习的一个子集，深度学习方法的核心。3.3.2生物神经元的数学模型麦卡洛克和沃尔特·1943M-P神经元模型。1个神经元从n激活函数有阶跃函数、Sigmoid函数（平滑与渐进性）和ReL.U函数（分段线性与修正性）。阶跃函数： Sigmoid函数ReRctiiediearnt数，即f(x)=max(0x)。 3.3.3单层神经元网络网络的输出是一个向量，向量的维数等于神经元的数量。多层神经元网络常见的多层前馈神经网络由3个部分组成。输入层：众多神经元接收大量非线性输入消息。输入的消息称为输入向量。输出层：消息在神经元连接中传输、分析、权衡，形成输出结果。输出的消息称为输出向量。隐藏层：简称“隐层”，是输入层和输出层之间众多神经元连接组成的各个层面。隐藏层可有一层或多层，一般称为感知机（单隐藏层）或多层感知机（多隐藏层）：：隐藏层节点（神经元）数量不定，数量越多神经网络的非线性越显著，从而神经网络健壮性更显著人工神经网络第一次高潮：感知机隐藏层节点（神经元）数量不定，数量越多神经网络的非线性越显著，从而神经网络健壮性更显著人工神经网络第一次高潮：感知机感知机（感知器，Perceptron）是弗兰克.罗森布拉特受赫布学习规则的启发，于1957年就职于Cornell航空实验室时所发明的一种人工神经网络。它使用阶跃激活函数，被视为一种最简单形式的前馈神经网络，是一种二元线性分类模型，其输入为实例的特征向量，输出为实例的类别，取+11。感知机是神经网络的雏形，同时也是支持向量机的基础，感知机对应于输入空间（特征空间）中将实例划分为正负两类的分离超平面，属于判别模型。感知机学习旨在求出将训练数据进行线性划分的分离超平面。感知机是生物神经细胞的简单抽象。单个神经细胞可被视为一种只有两种状态的机器——激动时为（偏置）（。3.3.3反向传播算法算法——人工神经网络第二次高潮反向传播算法（BP，BackPropogation）是许多深度学习训练方法的基础，是一种典型的人工神经网络训BP算法主要由两个阶段组成：激励传播与权重更新。第1阶段：激励传播，每次迭代的传播环节包含以下两步：前向传播阶段：将训练输入送入网络以获得激励响应。反向传播阶段：将激励响应同训练输入所对应的目标输出求差，从而获得输出层和隐藏层的响应误差。第2阶段：权重更新，对于每个突触上的权重，按以下更新：将输入激励和响应误差相乘，从而获得权重的梯度。将这个梯度乘以一个比例并取反后加到权重上。这个比例会影响训练过程的速度和效果，称为“训练因子”；梯度的方向指明了误差扩大的方向，因此在更新权重的时候需要对其取反，从而减小权重引起的误差。教学效果评价与反思用人工智能技术与方法解决专业问题打好基础。、西安外国语大学课程教学设计（教案）第6周基本信息教师姓名职 称课程名称人工智能概论课程类型公共必修授课题目深度学习教学对象本科一年级授课时长100分钟学情分析AI6机器学习及深度学习有一定的了解。教学内容分析本次课程的主要内容有：卷积神经网络胶囊网络课程目标知识与技能理解人工智能的概念；了解人工智能的产生；了解人工智能的发展；了解人工智能应用；了解人工智能技术；了解人工智能伦理与法律问题；了解人工智能前言研究动态。过程与方法培养学生自主学习，自我评估，自主控制和相互协作的能力；为学生后续计算机相关课程学习，专业课学习以及终身学习提供知识基础和能力基础。情感态度与价值观（含课程思政目标）提升逻辑思维能力及信息素养；系统提升学生的人工智能素养，培养“AI+”复合型人才；建立基于网络的共处能力、多人协作的良好的团队合作的意识和素养；培养实事求是，勇于探索，严谨认真，科学发展的素质；建立并传承良好价值观和专业素养；具有创新意识和国际视野，具备批判性思维的素养。教学重点、难点及措施教学重点卷积神经网络、胶囊网络、生成对抗网络教学难点卷积神经网络、胶囊网络、生成对抗网络处理措施通过反复强调、举例让学生理解卷积神经网络、胶囊网络、生成对抗网络的内容。教学媒体与资源的选择教学媒体：计算机实验室，多媒体计算机。教学资源：《人工智能通识教程》王万良清华大学出版社《人工智能通识教程》陈云志浙江大学出版社《人工智能通识讲义》李楠等机械工业出版社《人工智能通识课》[意]皮埃罗·斯加鲁菲人民邮电出版社我校网络教学综合平台（/course-ans/ps/244822689）其中包括：课件11个教学视频25个测试2个作业7个讨论18个。教学过程一、课程导入通过课堂提问及作业完成率了解学生上一讲掌握情况，通过生物机理小故事引入本讲内容。二、讲授深度学习相关知识3.4.1卷积神经网络概念卷积神经网络（ConvolutionalNeuralNetworks，CNN）是一种多层神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成。卷积（Convolutional）源自拉丁文“convolvere”，含义是“卷在一起（rolltogether）”，是数学上重要的运算，具有丰富的物理、生物、生态等意义。卷积的物理意义:在一根铁丝某处不停地弯曲，弯曲处温度是发热函数和散热函数的卷积。一个特定环境下的回声是源声函数和反射效应函数的卷积。一个线性系统，这个系统的输出函数是输入函数和脉冲响应函数的卷积。卷积的生物学意义:记忆也可视为一种卷积的结果。人脑中记忆函数是认知函数和遗忘函数的卷积。一个人胃里现有的食物量是吃进食物的函数和消化吸收的函数的卷积。卷积的生态学意义:一个地区的现有的树木是栽树函数和伐木函数的卷积。一个地区的生态函数是污染函数核治污函数的卷积。3.4.2卷积神经网络的结构：特征提取层（卷积层）——C层（Convolutionlayer）大部分的特征提取都依赖于卷积运算，利用卷积算子对图像进行滤波，可得到显著的边缘特征特征映射层（下采样层）——S层（Subsamplinglayer）CN（（3.4.3卷积运算 3.4.44权值共享多卷积核池化卷积神经网络的局部连接 全连接神经网络 (b)局部连神经网络2.卷积神经网络的权值共享设为相同，即权值共享，也即每个神经元用同一个卷积核去卷积图像。3.卷积神经网络的多卷积核右图中不同颜色表示不同的卷积核，每个卷积核都会将图像生成为另一幅特征映射图（即:一个卷积核提取一种特征）。为了使特征提取更充分，可以添加多个卷积核（滤波器）以提取不同的特征。4.卷积神经网络的池化计算图像一个区域上的某个特定特征的平均值(或最大值)，这种聚合操作叫做池化(pooling)，采用平均池化或者最大池化方法。这些概要统计特征不仅具有低得多的维度(相比使用所有提取得到的特征)，同时还会改善结果(不容易过拟合)。5.卷积神经网络的应用一种典型的用来识别数字的卷积网络LeNet-5。美国大多数银行当年用它识别支票上面的手写数字，达到了商用地步，说明该算法具有很高的准确性。LeCun1998LeNet-5胶囊网络的概念针对卷积神经网络训练数据需求大、环境适应能力弱、可解释性差、数据分享难等不足，2017年10月，辛顿教授等在“神经信息处理系统大会上发表论文，提出了新型神经网络结构——胶囊网络（CapsuleNetworks）。胶囊是一个包含多个神经元的载体，每个神经元表示了图像中出现的特定实体的各种属性。胶囊不是传统神经网络中的一个神经元，而是一组神经元。胶囊网络的核心思想：胶囊里封装的检测特征的相关信息是以向量的形式存在的，胶囊的输入是一个向量，是用一组神经元来表示多个特征。胶囊网络的结构输入层：数字图片经过标准的卷积层，有256个通道，每个通道均用9×9的卷积核，将输入层图片中的像素亮度转化成局部特征输出，作为Conv1层的输入。PrimaryCaps层：卷积的胶囊层，包含32个胶囊。PrimaryCaps才是胶囊真正开始的地方。DigitCaps层：胶囊网络的全连接层。要识别的是10类数字（0~9），该层1016，代表着不同状态下的同3.5.3胶囊网络实验在手写数字图像数据集MNIST上的部分实验结果：泛化能力实验结果：对MNIST测试集的数字大小、粗细、位置做了部分改变。实验结果：CapsNet在有重叠数字的AFFNIST数据集上获得了比CNN好得多的结果。识别数字高度重叠的实验：MultiMNIST图片（白色）和由CapsNet重构后的结果（红色和绿色）重合的数字。实验结果：CapsNet实现了较低的分类错误率。生成对抗网络（Generativeadversarialnetworks，GAN）,分为判别式模型和生成式模型。p(x)其次，真实世界的数据往往非常复杂，高斯声 生成布pg data拟合模型所需计算量往往非常庞大，甚至难以承受。 生成损失函数Goodfellow于2014年提出生成对抗网络 θ图像空间图像空间（GAN,generativeadversarialnetwork），使用对抗训练机制对两个神经网络进行训练。生成对抗网络的结构与训练1.固定生成网络，训练判别网络2.固定判别网络，训练生成网络两个网络相互对抗的过程，就是各自网络参数不断调整的过程，即学习过程。GAN在训练中容易出现的问题：训练过程具有强烈的不稳定性，实验结果随机。具体表现：训练难以收敛，经常出现震荡；训练收敛，但出现模式崩溃。训练收敛，但还会生成一些没有意义或者现实中不可能出现的图片。生成对抗网络在图像处理中的应用假币制作与识别：图像修复（）图像风格迁移 图像翻译 多模态图像翻译 艺术创作DeepDream的画作 机器人作画人工智能新闻系统2014年3月17日清晨，《洛杉矶时报》地震新闻报道。2011年思科公司的工程师罗比.艾伦创办Automated 专门开发写作程序用机器自动撰写新闻稿件。2013年，机器自动撰写的新闻稿件已达3亿篇，超过所有主要新闻机构的稿件产出量。2014年，超过10亿篇。2014年，Automated Insights公司为美国和加拿大的上市公司撰写营收业绩报告目前自动撰写的营收业绩报告近3700篇，是同时段手工数量的12倍。2016年，美联社将自动新闻扩展到体育领域，报道美国职业棒球联盟的赛事。人工智能诗歌创作系统九歌：2017年清华孙茂松团队的计算机古诗作诗系统检验现有神经网络深度学习主流模型的能力将文本翻译成图像（文生图）这只小鸟有着小小的鸟喙、胫骨和双足， 这朵花有着长长的粉色花瓣和朝上的橘黄色雄蕊。蓝色的冠部和覆羽，以及黑色的脸颊。AI南加州大学的Pinscreen团队的实时3D变脸技术。美国国防部AI侦测工具，以AI攻AI，反换脸精度99%。人工智能主持人（数字人）2018年11月在乌镇第五届世界互联网大会上，新华社对外宣布：中国首个“人工智能主持人”正式上岗。2019.2.新华社布立合成播 邱浩——新小浩 屈萌——新小萌医学影像识别基于深度学习的X光、核磁、CT、超声等医疗影像多模态大数据分析，提取二维或三维医疗影像隐含的疾病特征。13300084%，计算机的识别精度达到97%。Schlegl等将GAN药物匹配InsilicoMedicine的研究人员提出了一种运用GAN进行药物匹配的方法。训练生成器尽可能精确地从一个药物数据库中对现有药物进行按病取药的操作。经过训练后，用生成器获得一种以前不可治愈的疾病的药方，并使用判别器确定生成的药方是否治愈了特定疾病。教学效果评价与反思用人工智能技术与方法解决专业问题打好基础。西安外国语大学课程教学设计（教案）第7周基本信息教师姓名职 称课程名称人工智能概论课程类型公共必修授课题目机器学习与深度学习小结与实践教学对象本科一年级授课时长100分钟学情分析AI7机器学习及深度学习有一定的了解。教学内容分析本次课程的主要内容有：机器学习与深度学习小结海豚实训平台实验课程目标知识与技能理解人工智能的概念；了解人工智能的产生；了解人工智能的发展；了解人工智能应用；了解人工智能技术；了解人工智能伦理与法律问题；了解人工智能前言研究动态。过程与方法培养学生自主学习，自我评估，自主控制和相互协作的能力；为学生后续计算机相关课程学习，专业课学习以及终身学习提供知识基础和能力基础。情感态度与价值观（含课程思政目标）提升逻辑思维能力及信息素养；系统提升学生的人工智能素养，培养“AI+”复合型人才；建立基于网络的共处能力、多人协作的良好的团队合作的意识和素养；培养实事求是，勇于探索，严谨认真，科学发展的素质；建立并传承良好价值观和专业素养；具有创新意识和国际视野，具备批判性思维的素养。教学重点、难点及措施教学重点机器学习与深度学习不同与联系教学难点机器学习与深度学习不同与联系处理措施通过反复强调、举例让学生理解机器学习与深度学习不同与联系。教学媒体与资源的选择教学媒体：计算机实验室，多媒体计算机。教学资源：《人工智能通识教程》王万良清华大学出版社《人工智能通识教程》陈云志浙江大学出版社《人工智能通识讲义》李楠等机械工业出版社《人工智能通识课》[意]皮埃罗·斯加鲁菲人民邮电出版社我校网络教学综合平台（/course-ans/ps/244822689）其中包括：课件11个教学视频25个测试2个作业7个讨论18个。教学过程一、课程导入通过提问、实践作业检查，引入机器学习与深度学习不同与联系。二、讲授深度学习相关知识AI的众多分支中，机器学习和深度学习无疑是最为耀眼的两颗明星。它们不仅为计算机赋予了学习的能力，还使得机器能够像人类一样处理复杂的问题，甚至在某些领域超越了人类的智慧。1、机器学习与深度学习的区别1）定义与技术基础机器学习：一种广义的数据分析技术，通过算法使计算机能够自动学习和决策。包含了多种算法和方法，如决策树、贝叶斯、SVM、KNN、逻辑回归等。CNN、胶囊网络CN、生成对抗网络GAN等。2）数据需求机器学习：对数据量的需求相对灵活，部分算法可以在小数据集上表现出色。深度学习：需要大量的数据才能达到优异效果，尤其是在处理复杂数据时。3）应用领域机器学习：广泛应用于金融、医疗、电商等多个领域，具有灵活性和多样性。深度学习：更适用于图像识别、语音识别、自然语言处理等需要处理高维数据的领域。4）模型复杂度机器学习：模型可以简单也可以复杂，取决于问题的需求。深度学习：模型通常都很复杂，包含大量的参数和层级结构，需要精细的调整。5）计算资源需求机器学习：大部分算法不需要特别高的计算能力，常规的计算机有时可满足需求。GPU或TPU2、机器学习与深度学习的联系1）共同发展历史渊源：深度学习是机器学习的一个子集，随着神经网络技术的不断发展，特别是多层感知机的出现，AI加高效和准确。2）算法互补3）数据与计算3、通过海豚实训平台，完成机器学习及深度学习的实验4、作业通过网络，学习有关"机器学习及深度学习"的5-10篇文章。回答以下问题：1）什么是机器学习？什么是深度学习？二者有什么区别与联系。2）机器学习的分类是什么？3）常见的机器学习算法有哪些？4）为什么说BP算法是最有效的神经网络算法之一？它与之前的感知机有什么区别？5）卷积神经网络中的关键技术有哪些？其中卷积和池化的作用是做什么？6）为什么胶囊网络可以识别更复杂的图形图像？7）生成对抗网络的原理是什么？常见的应用场景有哪些？8）为什么2024诺贝尔奖物理学奖获得者辛顿被称为“深度学习之父”，讲讲他的故事。教学效果评价与反思用人工智能技术与方法解决专业问题打好基础。西安外国语大学课程教学设计（教案）第8周基本信息教师姓名职 称课程名称人工智能概论课程类型公共必修授课题目计算机视觉教学对象本科一年级授课时长100分钟学情分析AI8机器学习及深度学习有一定的了解。教学内容分析本次课程的主要内容有：计算机视觉概述计算机视觉系统中的数字图像基于深度学习的计算机视觉课程目标知识与技能理解人工智能的概念；了解人工智能的产生；了解人工智能的发展；了解人工智能应用；了解人工智能技术；了解人工智能伦理与法律问题；了解人工智能前言研究动态。过程与方法培养学生自主学习，自我评估，自主控制和相互协作的能力；为学生后续计算机相关课程学习，专业课学习以及终身学习提供知识基础和能力基础。情感态度与价值观（含课程思政目标）提升逻辑思维能力及信息素养；系统提升学生的人工智能素养，培养“AI+”复合型人才；建立基于网络的共处能力、多人协作的良好的团队合作的意识和素养；培养实事求是，勇于探索，严谨认真，科学发展的素质；建立并传承良好价值观和专业素养；具有创新意识和国际视野，具备批判性思维的素养。教学重点、难点及措施教学重点基于深度学习的计算机视觉、基于计算机视觉的生物特征识别教学难点基于深度学习的计算机视觉、基于计算机视觉的生物特征识别处理措施通过反复强调、举例让学生理解计算机视觉的内容。教学媒体与资源的选择教学媒体：计算机实验室，多媒体计算机。教学资源：《人工智能通识教程》王万良清华大学出版社《人工智能通识教程》陈云志浙江大学出版社《人工智能通识讲义》李楠等机械工业出版社《人工智能通识课》[意]皮埃罗·斯加鲁菲人民邮电出版社我校网络教学综合平台（/course-ans/ps/244822689）其中包括：课件11个教学视频25个测试2个作业7个讨论18个。教学过程一、课程导入二、讲授深度学习相关知识计算机视觉概述计算机视觉是一类类似于人眼的新型检测方法，将采集的图片或视频进行处理以获得相应场景的三维信计算机视觉定义：1、对图像中的客观对象构建明确而有意义的描述（Ballard＆Brown，1982）。2、从一个或多个数字图像中计算三维世界的特性（Trucco＆Verri，1998）3、基于感知图像做出对客观对象和场景有用的决策（Sockman＆Shapiro，2001）。计算机视觉发展史1、1960年代，积木世界分析方法1963MIT的Roberts2、1970年代，Marr（马尔）视觉理论1977Marr提出了计算机视觉理论也称为MarrMarrNarr1）从图像获得基元；2）通过立体视觉、运动、光照、轮廓等模块，获得2.5维表达；3）最后提升，获得三维表达。3、1980年代，特征匹配。例如，使用计算机来识别猫和狗。2）计算机分别计算图像中物体的特征，与特征库进行匹配；3）如果满足匹配条件，就完成了识别任务。4、1990年代，特征方法逐渐发展壮大，对物体描述的粒度也从整体特征扩展到了局部特征。5、1990-2000年代，机器学习方法2000FDDB（FaceDetectionDataSetandBenchmark）该数据集用于人脸检测。采用人工标注的方式，对数据集包含的每一张人脸，使用框给框起来。FDDB数据集包含了2845张图像，一共标注了5171张人脸的位置。PASCALVOC数据集（PASCALVisualObjectChallenge）该数据集中包含了20种类别的图片，每种图片的数量在1000至10000张不等。2005PASCALVOC，PASCAL（StaticalModelingandComputationalLearning）是PASCALVOCR-CNNYOLO、SSD等。ImageNet数据集该数据集是斯坦福大学教授李飞飞等人建立。包含总计22000种类别，图片数量超过1400万张。自2010年以来，每年度mageNet大规模视觉识别挑战赛（LSVRC，研究团队在给定的数据集上评估其算法，并在几项视觉识别任务中争夺更高的准确性。其结构为金字塔型：目录->子目录->图片集。6、2010年之后，基于深度学习方法但在2010年之后也逐渐遇到了瓶颈：针对具体任务进行特征的设计，需要丰富的经验，并且需要根据任务的场景进行大量的调试工作；随着任务越来越复杂，机器学习模型的选择和调试也变得更复杂；如何选择适合的特征、并搭配合适的机器学习算法，以获得最优的效果，变得日益困难。2012ILSVRC中，教授研究组使用深度卷积神经网络ImageNet2615年ILSVRC的错误率已经降到了3.6%，已经低于人类的错误率了。基本上解决了物体分类问题。深度学习的优点：1）不需要专家提供知识，由深度神经网络自动进行特征学习和表征；2）深度神经网络具有复杂的参数结构，可以使用同一个模型来解决问题；3）基于深度学习的计算机视觉技术，从原理上更加符合人类视觉的工作机制，容易吸收脑科学和神经科学的研究成果。4.1.3计算机视觉的主要任务计算机视觉的主要任务有目标检测和跟踪定位，前景/背景分割和物体分割，目标分类和识别，场景分类和识别，时间检测和识别，距离估计，图像自动生成标题等。目标检测在图像中检测和定位目标物体的位置，例如检测交通场景中的车辆、行人等。目标检测技术在自动驾驶、机器人视觉、智慧城市、智慧交通等领域得到广泛应用。分类+定位图像分割将图像分割成不同的区域，以便于进一步地处理和分析。该技术广泛用于医疗影像、无人机视觉等领域。像素级分类图像分割数据集标注耗时耗力目标分类粗粒度是类别差异大，细粒度一个类目下的子类。粗粒度图像分类使模型成为一个通才，细粒度图像分类成为专家。 人脸识别姿态估计利用机器学习算法对人体的姿态进行估计，如识别人体的动作和姿势。文字识别计算机视觉系统中的数字图像计算机接受到的数字图像由像素（pixel）点组成。主要有下列几种数字图像：10（（最高亮度，白色，其余数值则表示中间的亮度。2RGB（R（G3个颜色通道的变化以及它们相互之间30，则表示该像素点吸收了全部蓝色光；如果是255，则表示该像素点反射了全部蓝色光。3、RGBD图像：3D深度摄像头可以采集到环境的深度信息，成为所谓RCBD（RGB+Depth）图像。4、红外、紫外、X-光等图像：超越人眼可感知域的电磁波段信号成像设备形成图像。基于深度学习的计算机视觉直到2012年，深度学习掀起了计算机视觉领域应用热潮，目标检测正确率大大提升。目标检测是计算机视觉中一个基础问题，其定义某些感兴趣的特定类别组成前景，其他类别为背景。设计一个目标检测器，它可以在输入图像中找到所有前景物体的位置以及他们所属的具体类别。区域卷积神经网络（Region-CNN，R-CNN）是第一个成功将深度学习应用到目标检测上的算法。卷积神经网络已成为计算机视觉和视觉跟踪的主流深度模型。基于计算机视觉的生物特征识别生物特征识别(BIOMETRICS（DNA等）或行为特征（步态、击键习惯等）来进行个人身份鉴定的技术。目前，基于计算机视觉的生物特征识别技术成为人工智能最重要的研究与应用领域。人脸识别、指纹识别、声纹识别、掌纹识别、虹膜识别、指静脉识别、DNA序列识别等。人工智能在生物特征识别中的应用，大大提高了生物特征识别的自动化和准确率，为人们的生活带来了很多便利。对人特定的特征进行识别：人脸识别指纹识别声纹识别虹膜识别用。其中，人脸识别本质是对两张照片中人脸相似度的计算，人脸识别系统主要包括6个部分：1）人脸检测：给出人脸的位置和大小。2）特征点定位：在矩形框内找到眼睛中心、鼻尖和嘴角等关键特征点，以便进行后续的预处理操作。3）预处理：完成人脸子图的归一化。4）特征提取：这是人脸识别的核心。当前，主要是采用深度学习方法自动提取特征。5）特征比对：对提取的特征进行相似度计算。6）判断：相似程度超过设定阈值判断为相同人。65虹膜识别主要步骤：1）虹膜图像获取。使用特定的摄像器材对人的整个眼部进行拍摄。2）虹膜定位。确定内圆、外圆和二次曲线在图像中的位置。3）虹膜图像归一化。4）图像增强。5）特征提取。6）特征匹配。与数据库中的虹膜图像特征编码逐一匹配，判断是否为相同虹膜。教学效果评价与反思培养学生科学思维、实证思维与计算思维，提高学生信息素养，人工智能素养，为后续学习程序设计类课程、用人工智能技术与方法解决专业问题打好基础。西安外国语大学课程教学设计（教案）第9周基本信息教师姓名职 称课程名称人工智能概论课程类型公共必修授课题目生成式人工智能教学对象本科一年级授课时长100分钟学情分析AI9机器学习、深度学习及计算机视觉有一定的了解。教学内容分析本次课程的主要内容有：生成式人工智能概述生成式人工智能技术常见大模型课程目标知识与技能理解人工智能的概念；了解人工智能的产生；了解人工智能的发展；了解人工智能应用；了解人工智能技术；了解人工智能伦理与法律问题；了解人工智能前言研究动态。过程与方法培养学生自主学习，自我评估，自主控制和相互协作的能力；为学生后续计算机相关课程学习，专业课学习以及终身学习提供知识基础和能力基础。情感态度与价值观（含课程思政目标）提升逻辑思维能力及信息素养；系统提升学生的人工智能素养，培养“AI+”复合型人才；建立基于网络的共处能力、多人协作的良好的团队合作的意识和素养；培养实事求是，勇于探索，严谨认真，科学发展的素质；建立并传承良好价值观和专业素养；具有创新意识和国际视野，具备批判性思维的素养。教学重点、难点及措施教学重点生成式人工智能技术、常见大模型、提示词工程教学难点生成式人工智能技术处理措施通过反复强调、举例让学生理解生成式人工智能相关内容。教学媒体与资源的选择教学媒体：计算机实验室，多媒体计算机。教学资源：《人工智能通识教程》王万良清华大学出版社《人工智能通识教程》陈云志浙江大学出版社《人工智能通识讲义》李楠等机械工业出版社《人工智能通识课》[意]皮埃罗·斯加鲁菲人民邮电出版社我校网络教学综合平台（/course-ans/ps/244822689）其中包括：课件11个教学视频25个测试2个作业7个讨论18个。教学过程一、课程导入二、讲授生成式人工智能相关知识生成式人工智能概述生成式人工智能的概念（GAI,Generativeartificialintelligence）人工智能生成内容（AIGC,ArtificialIntelligenceGeneratedContent）生成式人工智能分类及应用文本生成式：依据输入的提示或上下文生成文本内容，例如文章、故事、诗歌等。常见的工具