《人工智能通识》教案

课程名称人工智能通识课程编号授课时间专业及班级非计算机专业修课人数总学时32学分2课程类型必修课公共基础(√)专业（学科）基础课()专业课()选修课专业限选课（）专业任选课（）全校任选课（）授课方式理论课(√)实践课()学时分配课堂讲授32学时考核方式考试(√)考查()是否采用多媒体是是否采用双语否使用教材：（名称、作者、出版社及出版时间）梁杨等.人工智能通识教程[M].北京：机械工业出版社，2025教学参考书：（名称、作者、出版社及出版时间）1.王万良.人工智能通识教程（第2版）[M].北京：清华大学出版社，20222.周苏，杨武剑.人工智能通识教程（第2版·微课版）[M].北京：清华大学出版社，20243.IanGoodfellow,YoshuaBengio,AaronCourville.深度学习，赵申剑，等译[M].北京：人民邮电出版社，20174.李航.统计学习方法（第2版）[M].北京：清华大学出版社，2019教研室审查意见章节名称第1章人工智能的奥秘课次1（总第1次）课时2授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解人类智能的概念、特点了解人工智能的起源了解人工智能发展历史了解人工智能时代所带来的影响和变革教学重点人类智能的构成与机制，尤其是多元智能理论的具体内容及核心主张。人工智能三次发展浪潮的关键阶段、重要事件与技术特点。人工智能伦理问题，包括人类根本利益原则和责任原则的内涵与应用。教学难点无环节/时间授课内容教学方法课程导入20分钟热点引入：向学生展示近期一些人工智能在生活中的应用场景视频，如智能语音助手帮用户安排日程、智能机器人在工厂车间进行货物搬运等，吸引学生注意力，激发他们对人工智能的兴趣。提问互动：提问学生：“同学们，在刚刚的视频中，你们看到了人工智能在哪些方面发挥着作用？你们还知道人工智能在其他什么领域有应用吗？”引导学生积极发言，分享自己对人工智能的初步认知和感受。过渡引导：在学生分享完后，教师总结：“确实，人工智能已经深入到我们生活的众多领域，它的发展历程和背后原理是怎样的呢？今天就让我们一起走进人工智能的奥秘，去探索这个充满魅力的科技领域。”讲授正式授课70分钟一、人类智能与人工智能概述阐述“智能”概念的复杂性，介绍人类智能包含“智”与“能”两部分，通过日常例子说明人类在劳动、学习、语言交往等活动中的智能体现。分别讲解尼尔逊教授和温斯顿教授对人工智能的定义，让学生理解人工智能是研究如何让计算机完成以往需要人类智力才能完成任务的学科。二、人类智能的构成与机制多元智能理论：详细讲解加德纳的多元智能理论，包括七种基础智能类型（语言智能、逻辑-数学智能、音乐智能、空间智能、身体-动觉智能、人际智能、内省智能）以及后来增加的自然智能和存在主义智能的可能性，用图表展示并举例说明每种智能在不同职业人群中的体现。理论核心主张：逐条阐述智能的全域性与人类共性、智能组合的独特性、智能与行为的非线性关联，结合生活中的实例，如同卵双胞胎因不同成长经历智能结构出现差异等，帮助学生深入理解。三、人工智能的实现路径讲解AI技术如何突破单一任务模型，转向多模态融合与混合架构探索，以GPT-4为例说明其联合训练实现视觉-语言-行动关联映射模仿人类感官整合机制，以及神经符号AI混合框架的优势。阐述如何通过“价值观对齐”技术、道德推理框架以及透明解释机制将人类价值观与社会规范引入AI技术内核，以自动驾驶系统和社交机器人为例说明其实际应用。四、人工智能的发展浪潮第一次浪潮：介绍1956年达特茅斯会议的召开，标志着人工智能学科诞生，讲解麦卡洛克和皮茨构建人工神经元模型的工作，以及明斯基和埃德蒙兹建造第一台神经网络计算机SNARC的情况。同时，说明20世纪60—70年代初人工智能发展初期遇到的困境，如机器翻译的失败等。第二次浪潮：讲述20世纪70年代开始许多国家进行人工智能研究的成果，如PROLOG语言的出现、专家系统MYCIN的研制等，重点阐述专家系统的成功应用案例及其对人工智能研究的意义，以及第二次浪潮结束时出现的“人工智能冬天”。第三次浪潮：讲解20世纪90年代中—2010年因特网技术发展对人工智能的推动，如IBM深蓝超级计算机战胜国际象棋世界冠军卡斯帕罗夫的事件，以及2011年至今深度学习方法的流行和广泛应用，如AlphaGo击败人类顶尖围棋棋手等标志性事件。五、智能哲学认知边界：讲解自我意识的定义和特点，分析当前AI在特定任务上表现出的类人智能与真正自我意识的区别，探讨AI实现存有自我意识面临的挑战。人工智能伦理：介绍人工智能伦理学的范畴，强调人类根本利益原则和责任原则的重要性，通过案例说明在人工智能应用中如何遵循这些原则，以及责任体系的建立方法。智能与创造的协同：展示制造业、艺术、科技研发、医疗、教育、城市治理等领域中人工智能与人类创造力协同的具体案例，如华为工业质检平台、DeepArt等，让学生体会这种协同带来的成果与价值。数据主权与治理博弈：解释数据主权的含义，包括其涵盖的管辖权、独立权、防卫权和平等权等方面，列举各国在数据主权保护方面出台的政策和法规，分析数据治理博弈中多方利益协调与平衡的难点。存在主义的人机共生：以东京羽田机场服务机器人为例，阐述存在主义哲学在人机共生中的体现，引导学生思考人机共生对未来人类社会和存在本质的影响。宇宙认知：讲述人工智能在宇宙学研究中的应用，如智利阿塔卡马高原射电望远镜借助AI技术分析宇宙信号的案例，说明AI如何改变人类认知宇宙的方式和拓展人类思维边界。六、智能应用案例图灵测试：介绍图灵测试的由来、方法和意义，解释图灵在论文中对模仿游戏的描述以及如何通过测试判断机器是否具有智能，让学生了解图灵测试对人工智能发展的重要影响。中文屋实验：讲解希尔勒提出中文屋实验的目的、过程和结论，组织学生分组讨论中文屋实验对“通过图灵测试即具备智能”观点的挑战，鼓励学生发表自己的看法，最后进行总结归纳。阿尔法狗：介绍阿尔法狗的开发背景、主要工作原理（深度学习，包括策略网络、快速走子、价值网络、蒙特卡洛树搜索等组成部分），以及阿尔法狗在与人类围棋高手对战中取得的成就，分析其相较于“深蓝”等类似软件的技术突破所在。讲授思考题和作业第1章习题扩展阅读无

章节名称第2章人工智能的核心技术课次1（总第1次）课时2授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求了解数据的定义、数据类型、数据预处理、大数据与人工智能的融合发展。理解算法的定义、人工智能常用算法。熟悉算力的历史、云计算的发展历史、算力的影响。了解人工智能开发平台、流程，了解开源平台。了解人工智能的相关技术与应用。教学重点数据的定义、类型，数据预处理的流程（数据清洗、集成、变换、规约）和特征工程的三大环节（特征创建、选择、转换）。算法的定义、分类（按设计思想、应用领域、时间复杂度等维度），以及经典人工智能算法（搜索算法、优化算法、符号推理）的原理和应用场景。算力的历史演进（CPU、GPU、TPU的发展及特点）、云计算的概念、发展历史和优势，以及算力对人工智能发展的影响。常用人工智能开发框架（TensorFlow、PyTorch等）的特点和应用场景，开发流程（需求分析到部署与应用的步骤），以及开源社区对人工智能技术发展的重要作用。人工智能应用案例（联影医疗、山东算网平台、TSINGSEE智能分析网关）中所体现的技术特点、创新点和实际效益。教学难点无环节/时间授课内容教学方法课程导入10分钟故事引入：讲述一个科幻故事片段，如在未来的智能城市中，人工智能系统如何通过分析海量数据、运用强大的算力和复杂算法，来解决交通拥堵、疾病诊断等实际问题，引发学生对人工智能核心技术的好奇和思考。提问互动：提问学生“你们知道人工智能是如何在这些场景中发挥作用的吗？它背后依赖哪些关键技术呢？”引导学生结合已有的知识和生活经验进行回答，从而自然地过渡到本节课的主题——人工智能的核心技术。讲授正式授课80分钟一、数据数据的定义：通过图2-1“万物皆可数据”，形象地展示数据是对客观事件记录的符号，解释数据与信息的区别，强调数据作为信息基本单位的重要性，举例说明数字、文字、图像、声音等常见的数据类型。数据类型：详细介绍文本、图片、音频、视频等数据类型的特点、存储方式和应用场景。计算机系统中的数据组织形式：讲解文件和数据库这两种重要的数据组织形式，分析数据库的发展历程和不同类型数据库的特点及应用领域。二、数据预处理与特征工程数据预处理：按照数据预处理流程，分别讲解数据清洗（手工清洗和自动清洗的优缺点）、数据集成（模式集成、冗余问题、数据值冲突检测与消除）、数据变换（平滑、聚集、泛化、规范化、属性构造处理）和数据规约（数据维度规约、数据样本规约、数据值规约）的具体方法和作用，结合实际案例说明其在数据处理中的必要性。特征工程的三大环节：解释特征创建、特征选择和特征转换的概念和方法，如基于领域知识和数据分析的特征创建方式，过滤式、包裹式和嵌入式特征选择方法，以及数据规范化、离散化、独热编码等特征转换手段。三、大数据与人工智能大数据的特点：介绍大数据的“4V”特点（Volume、Velocity、Variety、Value），并举例说明大数据的来源，如社交媒体、物联网设备等。大数据与人工智能的协同作用：阐述大数据为人工智能提供训练数据，人工智能高效处理大数据的相互关系，分析二者在金融、医疗、教育等行业中的具体应用案例。数据思维与人工智能的融合与发展：讲解数据思维的内涵，探讨数据思维与人工智能在融合基础、关键技术、应用场景和未来发展趋势等方面的内容，强调二者的融合对各领域发展的重要意义。四、算法算法的定义与分类：给出算法的定义，按照表2-1所示的分类维度，详细讲解算法的种类，如分治法、动态规划、贪心算法等设计思想，排序算法、加密算法、机器学习算法等应用领域，以及对数时间、多项式时间、指数时间等时间复杂度的算法特点和示例。经典人工智能算法：分别介绍搜索算法（传统图搜索算法BFS、启发式搜索算法A*、基于采样的算法RRT等）、优化算法（随机梯度下降SGD、动量优化算法、遗传算法GA等）、符号推理（产生式规则、知识图谱）的原理、应用场景和优缺点，通过具体案例帮助学生理解其在人工智能领域的应用价值。人工智能的推理方式：对比规则推理和统计推理的逻辑根基、应用场景及决策模式，说明二者在人工智能系统中的不同作用和适用范围。五、算力计算硬件的演进：回顾计算机硬件的发展历程，重点讲解CPU、GPU、TPU的基本概念、工作原理、应用领域和特点，分析三者之间的区别与联系，以及它们在不同计算任务中的优势和局限性。云计算：介绍云计算的概念、诞生背景和发展历程，分析云计算在广义和狭义上的特点和优势，如虚拟化技术、动态可扩展、按需部署等，讲述云计算市场规模的增长情况和在国内外的发展现状。算力对人工智能发展的影响：从数据处理能力、模型训练和推理、实时分析和决策、各领域应用以及算力网络的发展等方面，详细阐述算力对人工智能技术发展的重要支撑作用，结合实际案例说明算力的提升如何推动人工智能在各领域的创新和应用。六、平台和工具常用人工智能开发框架：介绍TensorFlow、PyTorch、TheiaAI、华为仓颉智能体开发框架等的特点、功能和应用场景，对比它们在开发语言、模型构建与训练、分布式支持等方面的异同点。人工智能开发流程与工具链：讲解人工智能开发的流程，包括需求分析、数据收集与处理、模型选择与训练、模型评估与调优、部署与应用等步骤，介绍常用的工具链，如编程语言Python、开发环境Anaconda、模型框架、数据处理工具、可视化工具和版本控制工具Git等的用途和使用方法。开源社区与资源共享：讲解开源社区的概念、分类和作用，介绍国内外有代表性的开源社区，如Linux中国、开源中国社区、LUPA等，阐述开源社区在推动人工智能技术发展、资源共享和人才培养方面的重要意义。七、核心技术的应用案例联影医疗：介绍联影医疗的uAI智能诊断系统的应用情况，包括部署范围、数据处理能力、技术突破（多模态数据融合、算法创新、联邦学习数据库构建等）和实际效益（经济效益、诊断效率提升、行业生态影响等），展示人工智能技术在医疗领域对产业链的深度重塑和重要价值。山东算网平台：讲述山东省计算中心构建山东算网平台的背景和目标，介绍平台的算力资源整合情况、技术突破（长距无损网络通信技术、训练周期优化等）和应用场景（空天信息、海洋科技、智能制造等），分析其在推动区域人工智能应用和产业发展中的关键作用。TSINGSEE智能分析网关：介绍TSINGSEE智能分析网关V4的功能特点、技术创新（强化学习算法调度引擎、多目标跟踪架构、模型压缩技术、时空注意力机制等）和在智慧城市项目中的应用成果（亚运会场馆安保、交通治理等），体现人工智能技术在城市治理和安全保障中的实际应用效果。讲授思考题和作业第2章习题扩展阅读无

章节名称第3章机器学习——从数据中获取智慧课次2（总第1次）课时2授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解机器学习的基本概念：包括机器学习的定义、类型（监督学习、无监督学习、半监督学习等），以及其在不同领域中的应用场景。掌握机器学习的关键算法：熟悉常见的机器学习算法，如线性回归、逻辑回归、决策树、支持向量机、聚类分析（K-Means）、神经网络等。教学重点机器学习的定义、发展历程以及按学习方式划分的类型（监督学习、无监督学习、半监督学习、强化学习）及其特点。常见机器学习算法的详细原理，包括线性回归、逻辑回归、决策树、随机森林、支持向量机、神经网络等，以及它们在不同数据特点和任务需求下的应用场景。机器学习在实际领域的典型应用案例，如语音识别、用户行为分析、交通预测、企业销售预测与库存管理等，重点分析机器学习在这些场景中的应用模式、价值体现和实际效益。教学难点无环节/时间授课内容教学方法课程导入10分钟回顾引入：简要回顾上节课所学的人工智能核心技术内容，强调机器学习在人工智能领域的重要地位，指出它作为实现人工智能的关键手段，能够使计算机从数据中学习并做出决策，从而自然地引出本节课的主题——机器学习。案例导入：展示电商平台界面，指出每天海量的用户浏览、购买数据背后隐藏着用户偏好等宝贵信息。提出问题：“电商平台是如何从这些繁杂的数据中精准地为用户推荐商品，提升购物体验和销售额的呢？”引发学生思考，进而引出机器学习技术在其中发挥的关键作用，激发学生对机器学习学习兴趣和探究欲望。讲授正式授课80分钟（一）机器学习概述机器学习的定义：详细讲解机器学习是一门融合多领域知识的交叉学科，通过让机器从数据中学习内在规律，优化自身性能，实现像人类一样的决策功能。机器学习的发展：按照时间顺序，分阶段介绍机器学习的发展历程，包括20世纪50年代中期到70年代中期的热烈时期、60年代中期至70年代中期的冷静时期、70年代中期到80年代中期的复兴时期以及1986年开始的蓬勃发展时期，突出各阶段的重要事件、理论突破和算法涌现情况，让学生了解机器学习的发展脉络和趋势。机器学习的分类：依据学习方式，讲解监督学习（分类问题和回归问题）、无监督学习（聚类、降维等）、半监督学习和强化学习的定义和特点，通过对比分析，使学生清晰区分不同类型机器学习方法。（二）监督学习监督学习的概念：强调监督学习利用带标签数据学习输入输出映射关系，举例说明分类问题（如垃圾邮件识别）和回归问题（如房价预测）的区别。线性回归与逻辑回归：线性回归：从简单的一元线性回归入手，讲解其拟合数据点的原理和目标，延伸到多元线性回归，分析其在实际问题（如房价预测考虑多因素）中的应用，同时指出线性回归模型的优缺点。逻辑回归：介绍逻辑回归如何借助Sigmoid函数实现分类目标，对比线性回归，说明其在处理分类问题时的优势和局限性，如对数据分布的要求、多分类问题的扩展等。决策树与随机森林：决策树：通过实例（如贷款违约风险预测），讲解决策树的结构、生长过程（基于特征判断划分数据）和优势（结构清晰、易理解），同时指出过拟合问题及解决方法（剪枝、交叉验证）。随机森林：阐述随机森林由多棵决策树组成，介绍其训练过程（随机选择样本和特征构建多棵决策树）和预测方式（投票或取平均），分析其在提高预测稳定性和准确性方面的作用，以及在高维数据处理上的优势和可能出现过拟合的情况。支持向量机与神经网络：支持向量机：讲解支持向量机的核心概念，包括超平面、支持向量等，说明其寻找最优超平面分类的原理，分析适用于中小规模数据集、高维特征数据等场景，并指出其在多分类问题和缺失数据处理上的不足。神经网络：从生物神经元结构启发引入，讲解神经网络的组成（输入层、隐藏层、输出层）和工作原理（神经元间的信号传递、激活函数处理），强调其强大的非线性建模能力和在大数据场景下的优势，同时提及训练数据量需求高、模型解释性差等缺点。（三）无监督学习无监督学习的概念：强调无监督学习无需标注数据，直接挖掘数据内在规律，与监督学习形成对比。聚类分析：K-means聚类：详细讲解K-means算法的步骤，包括初始化聚类中心、分配数据点、重新计算中心等，通过客户消费行为聚类实例，说明其在市场细分等场景的应用，同时指出算法对初始中心选取敏感等局限。层次聚类：介绍凝聚式和分裂式两种操作方式，讲解如何构建树状聚类结构，分析其无需预设聚类数量的优势，以及计算复杂度较高等缺点。降维技术：主成分分析（PCA）：阐述PCA的线性降维原理，如何通过正交变换提取主成分，保留数据方差信息，举例说明其在图像数据压缩、特征降维等领域的应用，同时提及对非线性数据处理效果不佳的问题。t-SNE：讲解t-SNE的非线性降维特点，其如何保持数据点局部相似度关系进行布局，适用于数据可视化和复杂数据探索，但计算成本较高。关联规则挖掘：介绍关联规则挖掘的目的，以超市购物篮分析为例，讲解Apriori算法的核心思想（频繁项集生成关联规则），分析其在市场购物篮分析、推荐系统等场景的应用价值。讲授思考题和作业第3章习题扩展阅读无

章节名称第3章机器学习——从数据中获取智慧课次2（总第2次）课时2授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解机器学习的基本概念：包括机器学习的定义、类型（监督学习、无监督学习、半监督学习等），以及其在不同领域中的应用场景。掌握机器学习的关键算法：熟悉常见的机器学习算法，如线性回归、逻辑回归、决策树、支持向量机、聚类分析（K-Means）、神经网络等。教学重点机器学习的定义、发展历程以及按学习方式划分的类型（监督学习、无监督学习、半监督学习、强化学习）及其特点。常见机器学习算法的详细原理，包括线性回归、逻辑回归、决策树、随机森林、支持向量机、神经网络等，以及它们在不同数据特点和任务需求下的应用场景。机器学习在实际领域的典型应用案例，如语音识别、用户行为分析、交通预测、企业销售预测与库存管理等，重点分析机器学习在这些场景中的应用模式、价值体现和实际效益。教学难点无环节/时间授课内容教学方法课程导入10分钟复习回顾：简要回顾上节课所学内容。讲授正式授课80分钟（四）半监督学习半监督学习的概念：解释半监督学习结合少量标注数据和大量未标注数据进行学习的动机和优点，通过电商用户行为分析等实例，说明其在解决标注数据成本高问题上的作用。半监督学习的三个基本假设：详细阐述平滑假设、聚类假设、流形假设的含义，分析它们如何指导模型利用数据内在结构，提升性能。半监督学习的分类：按照统计学习理论和学习场景两个角度，讲解直推半监督学习、归纳半监督学习，以及半监督分类、回归、聚类、降维等分类方式和具体含义。半监督学习的典型方法：介绍生成式半监督模型（如GMM、EM算法）、自训练方法、图半监督学习的基本原理和操作流程。半监督学习的应用场景：分析半监督学习在自然语言处理（文本分类、情感分析等）、图像识别、计算机视觉、数据聚类、医学图像分析等领域的广泛应用情况。（五）机器学习的应用案例数据分析与数据挖掘：语音识别：讲解语音识别系统的工作流程，包括语音信号预处理、特征提取、模型训练和识别等环节，列举其在智能手机语音助手、智能家居控制、医疗语音录入等领域的应用实例，说明机器学习在提升人机交互便捷性方面的作用。用户行为分析：介绍用户行为分析通过构建基线行为模型，利用机器学习算法检测异常行为，在网络安全（识别非法访问）、电子商务（精准推荐）、广告投放（精准营销）等领域发挥的价值。模式识别与智能感知：信息过滤：讲解信息过滤在文本分类、垃圾邮件过滤、个性化推荐系统中的应用，说明机器学习算法如何筛选和分类信息，提高信息检索效率和准确性。生物特征识别：介绍生物特征识别中指纹、面部、虹膜等生理特征，以及手写签名、步态等行为特征的识别原理，强调机器学习在增强身份认证安全性、可靠性方面的作用，列举其在安全、金融、医疗等领域的应用场景。预测建模与决策支持：交通预测：分析交通预测如何利用历史交通数据，通过机器学习模型预测未来交通状况，为交通管理提供决策支持，缓解拥堵，优化信号控制，助力城市规划。企业销售预测与库存管理：讲述机器学习在企业销售预测中挖掘历史数据模式，考虑多种因素提供精准预测，以及基于预测结果优化库存补货策略，降低库存成本，提升企业运营效率的实例。讲授思考题和作业第3章习题扩展阅读无

章节名称第4章深度学习——模拟大脑的学习过程课次1（总第1次）课时2授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解深度学习的基本概念：理解深度学习的定义、它与机器学习和人工智能的关系，以及深度学习的核心思想和优势。掌握深度学习的基本架构：熟悉多层神经网络的基本结构，输入层、隐藏层和输出层的作用。掌握卷积神经网络、循环神经网络等模型的基本原理和适用场景。了解深度学习的关键技术：包括激活函数、损失函数、优化算法、正则化方法等。教学重点深度学习的定义、与机器学习的关系以及核心优势。神经网络的基本结构，包括输入层、隐藏层和输出层的功能。CNN和RNN的架构原理和适用场景。激活函数、损失函数和优化算法等关键技术。教学难点无环节/时间授课内容教学方法课程导入10分钟回顾机器学习的基本概念和常见算法，强调其依赖人工设计特征的局限性。提出问题：“如何让机器自动从大量复杂数据中学习特征？”引出深度学习，展示深度学习在图像识别、语音识别等领域的惊人成果，激发学生兴趣。讲授正式授课80分钟（一）深度学习概述深度学习的定义：详细讲解深度学习是基于深层神经网络模型和方法的机器学习，通过模拟人脑神经网络的分层结构，自动从数据中学习层次化特征，强调其与传统机器学习在特征提取方式上的区别。深度学习的发展历史：按照时间顺序，介绍深度学习从20世纪40年代MP模型提出，到2012年AlexNet取得重大突破，再到近年来Transformer架构等重要节点的发展历程，突出各个阶段的关键事件和技术进步。深度学习的优势：从自动特征工程、处理复杂数据关系、强泛化能力三个方面，结合实际例子（如医学影像诊断、自然语言处理等），深入剖析深度学习的优势。（二）神经网络的基本原理与结构神经元模型与激活函数：讲解神经元模型的输入、权重、偏置和激活函数等组成部分，介绍Sigmoid、ReLU、Tanh等常见激活函数的定义、图像特征和适用场景。前馈神经网络与反向传播算法：讲解前馈神经网络的结构组成（输入层、隐藏层、输出层），数据在其中的流动方式，以及各层的作用和神经元之间的连接方式。介绍损失函数的作用和计算方法，详细讲解反向传播算法如何根据预测结果与真实标签之间的误差，从输出层向输入层逐层调整网络权重。（三）卷积神经网络与循环神经网络卷积神经网络：讲解卷积神经网络（CNN）的基本结构，包括卷积层、池化层和全连接层，说明卷积层如何通过卷积核提取图像局部特征，池化层如何对特征图进行下采样保留主要特征，全连接层如何整合特征进行分类。以图像识别任务为例，展示CNN在处理图像数据方面的优势。循环神经网络：介绍循环神经网络（RNN）的基本结构和特点，强调其具有记忆功能，能够处理序列特征的数据。讲解RNN中的循环连接如何使得神经元的输出反馈到自身，从而实现对序列上下文信息的建模，以及在机器翻译、情感分析等任务中的应用。介绍长短期记忆网络（LSTM）和门控循环单元（GRU）等变体如何解决传统RNN的长期依赖问题。（四）深度学习的训练与优化损失函数与优化算法：讲解损失函数的作用，介绍均方误差损失函数和交叉熵损失函数等常见损失函数及其适用场景。介绍优化算法的使命，重点讲解梯度下降算法的原理。正则化与防止过拟合：讲解正则化是应对过拟合的有效手段，介绍L1正则化、L2正则化和Dropout等正则化方法的原理和作用。讲解数据增强在防止过拟合方面的重要性和具体操作方法。超参数调优与模型评估：介绍超参数的合理选择对模型性能的影响，列举常见的超参数及其含义。介绍超参数调优的常用方法，如网格搜索、随机搜索和贝叶斯优化。讲解模型评估的重要性，介绍分类任务中常用的评估指标，如准确率、召回率和F1值。（五）深度学习的应用案例虚拟个人助理：讲解虚拟个人助理通过深度学习模型实现语音识别、自然语言理解和对话生成的过程，列举苹果的Siri和亚马逊的Alexa等实例。医学诊断：介绍深度学习在医学影像分析中的应用，如肺结节、乳腺癌病灶的定位和分级，以及多模态数据融合技术在医学诊断中的作用。讲解深度学习在实时诊断和远程医疗中的应用潜力。人脸识别与身份验证：讲解人脸识别技术通过卷积神经网络提取人脸特征并进行身份验证的过程，列举其在安防监控、支付验证和门禁系统等领域的应用实例。自动语言翻译：介绍自动语言翻译的核心技术——神经机器翻译，以及多模态翻译技术的发展。讲解自动语言翻译在跨境电商、在线教育、翻译应用等多个领域的广泛应用。讲授思考题和作业第4章习题扩展阅读无

章节名称第5章强化学习——通过试错优化决策课次1（总第1次）课时2授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解强化学习的基本概念：掌握强化学习的定义、核心要素（智能体、环境、状态、动作、奖励、策略等）。了解强化学习的基础理论：了解马尔可夫决策过程的基本原理，以及强化学习的关键概念（奖励函数、策略优化）。了解强化学习的核心算法：熟悉基于价值的算法（如Q-learning、深度Q网络）、基于策略的算法（如策略梯度方法）以及演员-评论家算法（Actor-Critic）的基本原理和适用场景。教学重点强化学习的定义、核心要素（智能体、环境、状态、动作、奖励、策略等）以及特点（试错学习、奖励驱动等）。马尔可夫决策过程的基本原理，包括状态空间、动作空间、状态转移概率和奖励函数的概念和作用。强化学习的经典算法，如Q-learning、深度Q网络、策略梯度方法和演员-评论家算法的基本原理、步骤和适用场景。强化学习的应用案例，包括游戏AI、机器人控制、自动驾驶等领域的具体应用，重点分析强化学习在这些领域的应用模式、技术实现和实际效益。教学难点无环节/时间授课内容教学方法课程导入10分钟类比引入：以训练小狗学习新技能为例，讲解强化学习的基本思想，即通过奖励和惩罚的反馈机制，让小狗逐渐学会在特定情境下做出最佳动作，引出强化学习这一主题，激发学生的兴趣和好奇心。实例展示：展示一些强化学习在实际应用中的视频或图片，如波士顿动力的机器人学习行走、AlphaGo与人类围棋冠军对弈等，让学生初步了解强化学习的强大能力和广泛应用前景，从而自然地引出本节课的内容。讲授正式授课80分钟（一）强化学习概述强化学习定义：详细讲解强化学习是机器学习领域中关注智能体如何在环境中通过试错的方式学习最优行为策略的分支，强调其与人类和动物学习过程的相似性，如学习骑自行车的过程。强化学习发展历史：按照时间顺序，介绍强化学习从19世纪50年代亚历山大・贝恩提出“摸索与实验”是学习的基础机制，到20世纪50年代贝尔曼提出动态规划理论和马尔可夫决策过程，再到近年来Q-learning、深度Q网络、AlphaGo等重要节点的发展历程，突出各个阶段的关键事件和技术进步。强化学习的特点：讲解强化学习的试错学习、奖励驱动、环境的不确定性和噪声、注重长期规划以及自适应性等特点，通过实例（如自动驾驶汽车、电商推荐系统）加深学生对这些特点的理解。（二）强化学习基础理论强化学习核心要素：详细讲解智能体、环境、状态、动作、奖励、策略、价值函数和模型等核心要素的定义和作用，强调这些要素相互作用构成了强化学习的基本框架。马尔可夫决策过程：讲解马尔可夫决策过程的基本原理，包括状态空间、动作空间、状态转移概率和奖励函数的概念和作用，强调其马尔可夫性质和在强化学习中的重要性，通过简单的迷宫探索任务举例说明。奖励函数与策略优化：讲解奖励函数的作用和设计方法，强调其对智能体学习的引导作用；介绍策略优化的目标和常见方法，如基于价值函数的方法、基于策略梯度的方法和演员-评论家方法，通过实例说明策略优化的过程和挑战。（三）强化学习的经典算法Q-learning：讲解Q-learning算法的基本原理，包括其无模型特点、Q表的结构和更新机制，通过迷宫探索任务详细说明Q-learning的算法步骤和应用场景，分析其优缺点。深度Q网络：介绍深度Q网络（DQN）的提出背景和创新点，讲解其用深度神经网络替代Q表、经验回放机制和目标网络机制等核心内容，通过Atari游戏和机器人控制等实例说明DQN的应用优势和局限性。策略梯度：讲解策略梯度算法的基本原理，强调其直接对策略函数进行建模和优化的特点，适用于连续动作空间的优势，以及在机器人抓取任务中的应用实例，分析其收敛速度慢、方差较大等问题。演员-评论家算法：介绍演员-评论家算法的架构和原理，说明其融合了基于价值和基于策略方法的优点，通过演员负责生成动作、评论家评估动作质量的协作方式，加快学习收敛速度，列举其在复杂智能决策任务中的应用场景。（四）强化学习的应用案例游戏AI：以AlphaGo和AlphaStar为例，讲解强化学习在围棋和《星际争霸》等游戏中的应用，介绍其通过自我对弈、结合蒙特卡洛树搜索等方式不断提升棋力的过程，以及对游戏AI领域发展的推动作用。机器人控制：介绍强化学习在机器人路径规划和动作执行方面的应用，如波士顿动力的“Handle”机器人、特斯拉的Optimus人形机器人等，说明强化学习如何帮助机器人在复杂环境中实现自主决策和高精度操作，提高工业生产效率和质量。自动驾驶：讲解强化学习在自动驾驶技术中的环境感知和决策控制环节的应用，如百度Apollo自动驾驶系统、特斯拉FSD等，强调其在保障行车安全、提高驾驶效率方面的重要作用，以及未来的发展前景。讲授思考题和作业第5章习题扩展阅读无

章节名称第6章群体智能——集体智慧的涌现课次1（总第1次）课时2授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解群体智能的基本概念：掌握群体智能的定义、基本原则与特点，了解群体智能的灵感来源（如自然界中的蚁群、鸟群等群体行为）。掌握群体智能的主要算法：包括蚁群算法、粒子群优化算法、人工蜂群算法等，熟悉它们的基本操作步骤以及适用场景。了解群体智能的应用领域：认识群体智能在蜂群无人机、交通与物流优化、机器人协同作业等领域中的典型应用案例。教学重点群体智能的定义、基本原则（邻近原则、品质原则、多样性反应原则、稳定性原则、适应性原则）与特点（分布式与去中心化、鲁棒性与容错性、自组织与涌现性、可扩展性）。群体智能的主要算法，包括蚁群算法、粒子群优化算法、人工蜂群算法的基本原理、步骤和适用场景。群体智能的应用领域，如蜂群无人机、交通与物流优化、机器人协同作业等领域的典型应用案例，重点分析群体智能在这些领域的应用模式、技术实现和实际效益。教学难点无环节/时间授课内容教学方法课程导入10分钟视频引入：播放一段鸟群在空中飞行的视频，展示鸟群如何在没有明确领导者和中央指挥的情况下，以惊人的协调性改变方向、避开障碍物，形成复杂的图案，引发学生对群体智能现象的好奇和思考。提问互动：提问学生“鸟群为什么能够以如此协调的方式飞行？它们之间是如何沟通和协作的？”引导学生结合生活经验和已有的知识进行回答，从而自然地引出本节课的主题——群体智能，激发学生对群体智能学习的兴趣。讲授正式授课80分钟（一）群体智能的基本概念群体智能的生物学启发：讲解自然界中蚁群、鸟群、鱼群等生物群体的复杂协作行为，如蚁群如何高效找到食物源并规划最优路径、鸟群如何保持飞行队形、鱼群如何快速避开捕食者等，强调这些行为并非依赖于某个领导者或中央指挥，而是通过大量简单个体的去中心化协作实现的。群体智能的定义：详细阐述群体智能是一种基于去中心化协作的智能行为，通过大量简单个体的局部交互，涌现出复杂的集体行为，强调其不依赖于单个个体的高智商，而是通过个体之间的协作和信息共享实现整体的智能。群体智能的基本原则与特点：讲解群体智能的五大基本原则（邻近原则、品质原则、多样性反应原则、稳定性原则、适应性原则）和特点（分布式与去中心化、鲁棒性与容错性、自组织与涌现性、可扩展性），通过实例（如蚂蚁觅食、蜜蜂选择巢穴）加深学生对这些原则和特点的理解。（二）群体智能的经典算法蚁群算法：讲解蚁群算法的基本原理，包括其对蚂蚁觅食行为的模拟、信息素的作用和更新机制，通过旅行商问题详细说明蚁群算法的步骤和应用场景，分析其在解决路径优化问题中的优势和局限性。粒子群优化算法：介绍粒子群优化算法的灵感来源（鸟群觅食行为），讲解粒子的位置和速度更新公式，通过函数优化问题说明粒子群优化算法的实现过程和应用场景，强调其在参数调优等方面的优势。人工蜂群算法：讲解人工蜂群算法的基本原理，包括蜜蜂群体的三种角色（引领蜂、跟随蜂、侦查蜂）及其分工协作机制，通过任务分配和组合优化问题等实例说明人工蜂群算法的应用场景和优势。（三）群体智能的应用案例蜂群无人机：介绍蜂群无人机的系统架构和工作原理，强调其设计灵感来源于自然界中的蜂群等生物群体行为，通过美国海军研究局的“郊狼”项目和河南郑州洪涝灾害救援中的应用案例，展示蜂群无人机在军事侦察和灾害救援中的广泛应用和巨大价值。交通与物流优化：讲解群体智能在交通与物流领域的应用，如车路协同系统通过车辆与道路基础设施的信息交互实现交通流量的动态优化，蚁群优化、粒子群优化等算法在物流配送路径规划和任务调度中的应用，分析其在提高交通效率和物流效益方面的作用。机器人协同作业：以优必选科技在极氪5G智慧工厂的多机器人协同实训和京东“亚洲一号”仓库的AGV集群作业为例，展示群体智能在工业和物流领域中实现多机器人协作完成复杂任务的应用情况，强调其在提高生产效率和质量方面的重要性。讲授思考题和作业第6章习题扩展阅读无

章节名称第7章生成式人工智能——创造内容的新引擎课次1（总第1次）课时2授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求了解生成式人工智能的定义及其发展历史。了解生成式人工智能的未来发展方向及其典型的显示应用。掌握生成式人工智能的生成对抗网络、变分自编码器、扩散模型以及基于Transformer的大语言模型的基本原理。教学重点生成式人工智能的定义、发展历史以及未来发展方向，包括多模态融合、上下文理解、偏见消除与伦理对齐、行业专用模型的普及、人机协同与创造力增强、实时生成与边缘计算等方面。生成对抗网络（GAN）的基本原理，包括其生成器和判别器的构成、动态对抗训练过程，以及在图像生成、图像修复、风格迁移等领域的应用场景和优缺点。变分自编码器（VAE）的工作机制，涵盖编码、采样和解码步骤，以及在生成新数据、数据补全、推荐系统、异常检测等领域的应用和优缺点。扩散模型的核心思想，包括前向扩散过程和反向生成过程，以及在图像生成、文本生成、音频生成等领域的应用和优缺点。基于Transformer的大语言模型的基本原理，如并行计算优势、长距离依赖处理、自注意力机制等，以及在机器翻译、文本生成、文本分类、问答系统等领域的应用。生成式人工智能的应用案例，包括图像生成（如敦煌莫高窟AI修复工程）、视频生成（如AI电影短片《雏菊》）、跨模态生成（如教育领域的智能终端AI课程模拟）等，重点分析其技术实现和实际效益。教学难点无环节/时间授课内容教学方法课程导入10分钟实例引入：展示一些由生成式人工智能生成的图像、文本、音乐等作品，如OpenAI的GPT系列模型生成的文章、DALL-E生成的图像、AmperMusic创作的音乐等，让学生直观感受生成式人工智能的强大创造力，引出本节课的主题——生成式人工智能。提问互动：提问学生“这些作品是由机器生成的，你们觉得机器是如何学会创造内容的呢？”引导学生结合已有的知识和经验进行思考和讨论，激发学生对生成式人工智能学习的兴趣和好奇心。讲授正式授课80分钟（一）生成式人工智能概述生成式人工智能的定义：详细讲解生成式人工智能是基于深度学习技术，通过分析海量数据自主创造文本、图像、音频等新型数字内容的人工智能范式，强调其与传统人工智能在功能和应用上的区别，如传统人工智能仅对输入数据进行处理和分析，而生成式人工智能能够生成具有逻辑性和连贯性的新内容。生成式人工智能的发展历程：按照时间顺序，介绍生成式人工智能从基于规则的生成式系统、基于统计模型的生成算法、深度生成式算法到预训练大模型时代的发展阶段，突出各阶段的关键技术和突破，如GAN的提出、Transformer架构的应用等，让学生了解生成式人工智能的演变过程和技术脉络。生成式人工智能的未来发展：讲解生成式人工智能在未来将围绕多模态融合、上下文理解、偏见消除与伦理对齐、行业专用模型的普及、人机协同与创造力增强、实时生成与边缘计算等方向发展，通过实例（如具身机器人的多模态应用、医疗领域的个性化诊疗建议、艺术创作中的人机协作等）让学生展望生成式人工智能的广阔前景。（二）生成式人工智能的基本原理生成对抗网络（GAN）：讲解GAN的基本结构（生成器和判别器）、训练过程（生成器和判别器的对抗学习）、优缺点（如能生成高质量图像但训练不稳定、易出现模式坍塌问题）以及应用场景（如图像生成、图像修复、风格迁移等），通过实例（如人脸图像生成、艺术作品创作）帮助学生理解GAN的工作原理和实际应用。变分自编码器（VAE）：介绍VAE的工作原理，包括编码、采样和解码步骤，讲解其如何通过优化重构损失和KL散度损失平衡生成质量和多样性，分析VAE的优缺点（如生成数据多样化但图像可能模糊）和应用场景（如生成新数据、数据补全、推荐系统、异常检测等），以生成不同姿势和颜色的猫图像为例，让学生直观理解VAE的生成过程。讲授思考题和作业第7章习题扩展阅读无

章节名称第7章生成式人工智能——创造内容的新引擎课次1（总第2次）课时2授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求了解生成式人工智能的定义及其发展历史。了解生成式人工智能的未来发展方向及其典型的显示应用。掌握生成式人工智能的生成对抗网络、变分自编码器、扩散模型以及基于Transformer的大语言模型的基本原理。教学重点生成式人工智能的定义、发展历史以及未来发展方向，包括多模态融合、上下文理解、偏见消除与伦理对齐、行业专用模型的普及、人机协同与创造力增强、实时生成与边缘计算等方面。生成对抗网络（GAN）的基本原理，包括其生成器和判别器的构成、动态对抗训练过程，以及在图像生成、图像修复、风格迁移等领域的应用场景和优缺点。变分自编码器（VAE）的工作机制，涵盖编码、采样和解码步骤，以及在生成新数据、数据补全、推荐系统、异常检测等领域的应用和优缺点。扩散模型的核心思想，包括前向扩散过程和反向生成过程，以及在图像生成、文本生成、音频生成等领域的应用和优缺点。基于Transformer的大语言模型的基本原理，如并行计算优势、长距离依赖处理、自注意力机制等，以及在机器翻译、文本生成、文本分类、问答系统等领域的应用。生成式人工智能的应用案例，包括图像生成（如敦煌莫高窟AI修复工程）、视频生成（如AI电影短片《雏菊》）、跨模态生成（如教育领域的智能终端AI课程模拟）等，重点分析其技术实现和实际效益。教学难点无环节/时间授课内容教学方法课程导入10分钟复习回顾：简要回顾上节课所学内容。讲授正式授课80分钟（二）生成式人工智能的基本原理扩散模型：讲解扩散模型的核心思想，包括前向扩散过程和反向生成过程，通过实例（如DALL-E3生成图像）展示扩散模型在图像生成领域的强大能力，分析其优缺点（如生成质量高但速度慢、计算成本高）和广泛应用领域（如图像生成、文本生成、音频生成、数据增强、无监督学习等），让学生了解扩散模型的优势和局限性。基于Transformer的大语言模型：介绍Transformer模型的基本结构（编码器和解码器）和核心机制（自注意力机制），讲解其如何处理序列数据并生成连贯的文本内容，分析基于Transformer的大语言模型的优势（如并行计算优势、长距离依赖处理能力）和应用场景（如机器翻译、文本生成、文本分类、问答系统等），以GPT系列模型为例，展示其在文本生成和对话任务中的出色表现。（三）生成式人工智能的应用案例图像生成：以敦煌莫高窟AI修复工程为例，详细讲解如何利用扩散模型结合CLIP模型等技术，对壁画进行数字化记录、病害识别、颜色恢复和虚拟现实构建，展示生成式人工智能在文化遗产保护中的重要应用和巨大价值，强调其在图像修复和艺术创作方面的潜力。视频生成：介绍AI电影短片《雏菊》的创作过程，包括导演团队与可灵AI的合作模式、AI在创意构思、场景设计、角色动作模拟等方面的应用，以及如何通过模拟物理规则生成逼真的画面，分析生成式人工智能在电影制作领域的创新应用和对未来电影创作的影响，激发学生对AI与艺术创作融合的思考。跨模态生成：阐述新疆石河子市第五中学在物理和科学课程中应用智能终端AI课桌的案例，说明生成式人工智能如何将抽象的物理定律转化为可视化的电路模拟，帮助学生更直观地理解欧姆定律等概念，以及如何将声音波形可视化并生成对应的声波图像和音频效果，体现生成式人工智能在教育领域的创新应用和对教学效果的提升作用。讲授思考题和作业第7章习题扩展阅读无

章节名称第8章智能体与智能代理——自主决策的虚拟体课次1（总第1次）课时2授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求了解智能代理的相关定义及其分类。掌握学习型智能代理的工作原理，了解其他智能代理的工作原理。了解智能代理的相关应用。教学重点智能体的定义及其核心特征，包括自主决策与执行能力、持续学习与进化能力、多模态感知与响应能力、目标导向的任务规划能力、工具调用与协作能力、实时适应与安全伦理机制。智能代理的分类，如简单反射代理、基于模型的反射代理、基于目标的代理、基于效用的代理、学习型代理的特点和应用场景。智能代理的工作原理，包括核心架构（感知模块、决策模块、执行模块）和关键技术（工具扩展、协作机制、学习与优化）。智能代理的规划与优化方法，如任务分解策略、资源分配算法、动态调整机制、多目标优化中的混合奖励函数和伦理约束机制。智能代理的应用案例，包括虚拟智能代理（如汇丰集团的反洗钱系统）、物理智能代理（如京东亚洲一号智能仓群）、多代理系统（如新加坡智慧港口项目）的技术实现和实际效益。教学难点无环节/时间授课内容教学方法课程导入10分钟实例引入：展示一些智能代理在日常生活中的应用场景，如智能家居系统（智能温控、照明控制）、智能客服机器人等，让学生直观感受智能代理的便捷和智能化特点，引出本节课的主题——智能体与智能代理。提问互动：提问学生“你们是否使用过智能语音助手（如Siri、小爱同学）？它能否自主完成一些任务？它是如何实现这些功能的？”引导学生思考智能代理的工作原理和特点，激发学生对智能代理的学习兴趣和好奇心。讲授正式授课80分钟（一）智能体与智能代理基础智能体的定义及其特征：详细讲解智能体的定义，强调其自主性、适应性和交互能力；深入阐述智能体的六大核心特征，包括自主决策与执行能力、持续学习与进化能力、多模态感知与响应能力、目标导向的任务规划能力、工具调用与协作能力、实时适应与安全伦理机制，通过实例（如自动驾驶汽车、智能安防系统）帮助学生理解这些特征在实际应用中的体现。智能体的一般运行过程：讲解智能体的运行过程是一个动态循环的感知-决策-执行系统，包括感知与数据获取、状态理解与推理、决策制定与优化、行动执行与反馈、强化学习与适应、循环迭代与提升六个阶段，以自动驾驶汽车为例，详细说明每个阶段的具体内容和相互关系，让学生理解智能体是如何通过不断循环迭代实现自主任务处理和性能提升的。（二）智能代理的分类智能体与智能代理的区别：通过表格对比智能体与智能代理在自主性、学习能力、应用场景、技术复杂度等方面的核心差异，帮助学生清晰区分这两个概念。智能代理的分类及特点：分别介绍简单反射代理、基于模型的反射代理、基于目标的代理、基于效用的代理、学习型代理的工作原理和特点，以及它们适用的应用场景。例如，简单反射代理适用于完全可观察且规则明确的环境，基于目标的代理能够进行长期规划，学习型代理通过与环境互动不断优化行为策略等，让学生了解不同类型智能代理的优势和局限性。（三）智能代理的工作原理核心架构：讲解智能代理的核心模块，包括感知模块（多模态输入、环境感知）、决策模块（LLM推理引擎、动态规划）、执行模块（调用工具、多智能体协同作业），强调各模块在智能代理运行过程中的作用和相互协作关系。以智能家居系统为例，说明智能代理如何通过感知模块收集环境数据，决策模块进行任务分解和策略制定，执行模块调用外部工具和协同其他智能代理完成任务。关键技术：深入探讨智能代理的关键技术，包括工具扩展（函数调用、检索增强生成）、协作机制（角色化分工、通信协议）、学习与优化（联邦学习机制、动态验证机制）。例如，函数调用如何将LLM生成的指令转换为结构化API请求，实现智能代理对外部工具的调用；联邦学习机制如何在保护数据隐私的前提下，通过多个代理共享模型参数提升模型能力；动态验证机制如何通过交叉验证和外部反馈修正减少智能代理的幻觉风险等，让学生掌握这些关键技术在智能代理中的应用和价值。（四）智能代理的规划与优化规划与优化方法：讲解智能代理的规划需平衡效率与准确性，包括任务分解策略（工作分解结构方法论、代理导向规划的智能协作）、资源分配算法（马尔可夫博弈模型、拍卖机制设计）、动态调整机制（异常处理机制、自适应学习技术）、多目标优化（混合奖励函数、伦理约束机制）的具体内容和实现方式。例如，工作分解结构方法论如何遵循“横向到边、纵向到底”原则将复杂目标拆解为可独立执行的子任务，并通过动态调整机制应对任务执行过程中的异常情况；混合奖励函数如何将相互冲突的个体目标与团队目标统一到可量化的框架中，实现全局最优等，让学生了解智能代理在规划与优化方面的多种方法和技术手段。应用案例分析：结合实际案例，如物流路线优化系统、金融投资系统等，说明智能代理如何运用规划与优化方法提升任务执行效率和资源利用效率，进一步加深学生对这些方法的理解和认识。（五）智能代理的应用案例虚拟智能代理案例：以汇丰集团的虚拟代理监测网络为例，介绍虚拟智能代理在金融领域的应用，重点讲解其如何通过感知层的异构数据融合、决策层的联邦学习框架以及执行层的智能合约自动冻结高危账户，实现反洗钱自动化，强调虚拟智能代理在处理海量数据、识别复杂模式方面的优势和重要性。物理智能代理案例：介绍京东亚洲一号智能仓群中的物理智能代理应用，包括L4级搬运机器人的感知、决策和执行过程，如通过语义分割算法识别包裹形状类别、采用混合整数规划模型分配任务、利用六自由度机械臂处理突发状况等，展示物理智能代理在提升仓储效率和自动化水平方面的显著成效。多代理系统案例：阐述新加坡智慧港口项目中的多代理系统，说明其如何通过改进型荷兰式拍卖机制动态调整集装箱卸载优先级、利用数字孪生系统预测路径冲突以及采用阻抗控制算法实现故障协作容错，构建全球最大智能体协同网络，体现多代理系统在复杂环境下的高效协作和容错能力，让学生领略智能代理在不同领域的广泛应用和深远影响。讲授思考题和作业第8章习题扩展阅读无

章节名称第9章计算机视觉——让机器看懂世界课次1（总第1次）课时2授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解计算机视觉的定义、发展历程与核心价值掌握计算机视觉的典型处理流程，包括图像预处理、特征提取、模型训练与评估熟悉常见的图像分割与图像识别技术了解深度学习（特别是CNN）在计算机视觉中的关键作用探索图像分类、目标检测、语义/实例/全景分割等基础任务理解计算机视觉在医学影像、安防监控、图像生成等领域的实际应用初步具备设计和实现简单视觉系统的能力教学重点计算机视觉的定义、发展历程以及与图像处理、模式识别等领域的联系和区别。计算机视觉的处理流程，包括数据收集与预处理（图像灰度化、滤波、对比度增强、几何变换、归一化）、图像分割（直方图门限法、区域生长法、基于随机场模型法、边缘检测法、活动轮廓法）和特征提取与表示（传统方法如SIFT、SURF、HOG、LBP，深度学习方法如卷积神经网络）的关键步骤和方法。深度学习在计算机视觉中的应用，特别是卷积神经网络（CNN）在图像分类、目标检测与定位、图像分割等任务中的作用和优势。计算机视觉的基本任务，包括图像分类、目标检测与定位、图像分割的具体方法、应用场景及技术演进。计算机视觉的应用案例，如图像增强、图像特效、图像识别、图像搜索、图像生成在医学影像、安防监控、零售业等领域的技术实现和实际效益。教学难点无环节/时间授课内容教学方法课程导入10分钟实例展示：展示一些计算机视觉技术在日常生活中的应用场景图片或视频，如手机的人脸识别解锁、自动驾驶汽车的路况识别、社交媒体的照片自动标签等功能，让学生直观感受计算机视觉的神奇和实用性，引出本节课的主题——计算机视觉。提问互动：提问学生“你们知道计算机是如何‘看懂’这些图像和视频的吗？它与人类的视觉系统有什么相似之处和区别呢？”引导学生思考计算机视觉的工作原理和特点，激发学生对计算机视觉的学习兴趣和好奇心。讲授正式授课80分钟（一）计算机视觉基础计算机视觉的概念与发展历程：讲解计算机视觉的定义，强调其赋予机器“看”的能力，使其像人类一样理解图像与视频内容。通过对比人类视觉系统与计算机视觉系统，帮助学生理解计算机视觉的工作原理。介绍计算机视觉的发展历程，从20世纪60-70年代的萌芽期到如今的跨学科融合期，突出各个阶段的关键事件和技术突破，让学生了解计算机视觉的演变过程和技术脉络。计算机视觉与相关领域的联系和区别：通过图示和实例，详细阐述计算机视觉与图像处理、模式识别、机器学习、深度学习等领域的联系和区别，强调计算机视觉在从图像数据到高层信息转换中的核心地位和作用。（二）计算机视觉处理流程数据收集与预处理：讲解数据收集的来源和方法，重点介绍图像预处理的步骤和方法，如图像灰度化、滤波（高斯滤波、中值滤波、双边滤波）、对比度增强（直方图均衡化、伽马校正）、几何变换（旋转、缩放、平移、翻转）、归一化等，通过实例说明每一步骤的目的和作用，以及它们如何提升图像质量，为后续处理奠定基础。图像分割：介绍图像分割的概念和意义，讲解常见的图像分割方法，包括直方图门限法、区域生长法、基于随机场模型法、边缘检测法、活动轮廓法等，通过对比不同方法的特点和适用场景，帮助学生理解图像分割的难点和挑战，如复杂背景与噪声、图像模糊、光照变化等。特征提取与表示：讲解特征提取的概念和作用，对比传统特征提取方法（如SIFT、SURF、HOG、LBP）和深度学习特征提取方法（如卷积神经网络）的原理和特点，强调深度学习方法在自动特征学习、特征层次化和端到端训练方面的优势。（三）计算机视觉的基本任务图像分类：讲解图像分类的定义和目标，介绍传统方法（如基于人工设计特征的方法）和深度学习方法（如卷积神经网络）在图像分类中的应用，通过实例展示卷积神经网络如何实现图像分类，评估其性能和效果。目标检测与定位：介绍目标检测与定位的概念和任务，讲解目标检测的技术框架，包括图像预处理、特征提取、候选区域生成、分类与回归、后处理等环节，重点介绍深度学习算法（如FasterR-CNN、YOLO、SSD）的特点和应用场景，通过实际案例（如自动驾驶、视频监控、医学影像）说明目标检测与定位技术的重要性。图像分割：深入探讨图像分割的三种类型（语义分割、实例分割、全景分割），讲解每种分割类型的定义、方法和技术演进，通过实例展示深度学习模型（如DeepLab_v3+、OMG-Seg、SeqFormer）在图像分割任务中的应用效果，分析其在不同领域的应用价值。（四）计算机视觉的应用案例图像技术应用案例：介绍计算机视觉在图像增强、图像特效、图像识别、图像搜索、图像生成等领域的应用案例，如医学影像中的图像增强技术如何提高诊断准确性、社交媒体中的图像特效如何实现艺术风格转换、电商平台中的图像搜索如何提升购物体验等，通过具体实例展示计算机视觉技术的实际应用效果和价值。人体分析应用案例：讲解人体关键点识别、人体检测与属性识别、人流量统计、驾驶行为分析等人体分析技术的原理和应用场景，如在运动分析与健身指导中如何通过关键点识别评估动作规范性、在智能安防与监控中如何利用人体检测与属性识别实现人员布控、在商业分析与营销中如何借助人流量统计了解顾客行为等，让学生了解计算机视觉在人体分析领域的广泛应用和深远影响。讲授思考题和作业第9章习题扩展阅读无

章节名称第10章自然语言处理——解锁机器语言理解课次1（总第1次）课时2授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求理解自然语言处理（NLP）的基本概念和应用领域。掌握自然语言理解（NLU）的关键技术：词法分析（分词、词性标注）、句法分析（短语结构、依存关系）和语义分析（词义消歧、语义角色标注）。了解自然语言生成（NLG）的主要方法：文本摘要、机器翻译和对话系统。熟悉NLP在智能客服、情感分析和信息抽取中的应用。了解自然语言处理（NLP）的定义、研究目标及其在人工智能领域中的重要性。教学重点自然语言理解的词法、句法、语义分析的关键技术与方法。自然语言生成的文本摘要、机器翻译、对话系统的主要方法及特点。自然语言处理在智能客服、情感分析、信息抽取等领域的应用案例。教学难点无环节/时间授课内容教学方法课程导入10分钟提问互动：同学们，你们有没有和智能客服聊过天？像在购物网站询问商品信息，或者向语音助手咨询天气等。那你们有没有想过，这些智能系统是怎么理解我们说的话，并给出合适回答的呢？今天我们就来揭开这个神秘面纱，走进自然语言处理的世界。视频引入：播放一段展示智能语音助手与人流畅对话的视频，让学生更直观感受自然语言处理的魅力和在生活中应用，从而引出本节课主题——自然语言处理。讲授正式授课80分钟（一）自然语言理解词法分析：讲解词法分析概念，通过“我热爱自然语言处理”分词示例，介绍基于最大匹配、线性链条件随机场、感知器、双向长短期记忆网络等中文分词方法，重点阐述最大匹配法原理、优缺点及示例。布置小练习：用前向最大匹配法对“他是研究生物化学的”进行分词（假设词典中最长词条字数为7）。句法分析：讲述句法分析定义及短语结构、依存关系两种分析方法。以“她非常喜欢跳芭蕾舞”为例，展示依存句法树，介绍基于图和基于转移的依存句法分析过程，让学生理解其对句子结构分析的作用。语义分析：介绍语义分析目标，详细讲解词义消歧的三类方法及语义角色标注概念和传统流程，比较传统与基于深度学习方法在语义角色标注上的区别。（二）自然语言生成文本摘要：说明文本摘要目的，对比抽取式与生成式摘要。介绍抽取式中MMR、TextRank、基于RNN序列标注、基于预训练语言模型等方法原理及特点；讲解生成式中强化学习、指针生成网络、Seq2Seq模型、基于预训练语言模型等方法，重点分析Seq2Seq模型结构及注意力机制优势。机器翻译：阐述机器翻译定义，对比统计机器翻译与神经机器翻译。讲解统计机器翻译中IBM模型、短语基础模型、语言模型、词对齐模型等；深入分析神经机器翻译中基于RNN、CNN、Transformer模型的发展历程及Transformer模型优势。对话系统：介绍对话系统分类，详细讲解任务型对话系统pipline流程中各模块作用及工作方式，如NLU中意图识别、槽位填充，DM中DST和DP作用等；对比开放域对话系统中基于规则和数据驱动方法，分析检索式与生成式方法特点及应用场景。（三）自然语言处理应用案例智能客服：以实际购物网站智能客服为例，讲解其如何实现自动问答和问题分类，分析其背后自然语言处理技术支持及为企业客户服务带来的效率提升。情感分析：展示社交媒体、电商评论中情感分析应用案例，如对电影、产品评论进行情感倾向判断和观点挖掘，说明其对企业了解消费者、改进产品等方面重要作用。信息抽取：通过新闻报道等文本示例，介绍命名实体识别和关系抽取在信息获取、情报分析、知识图谱构建等领域应用，让学生理解其从海量文本中提取关键信息价值。讲授思考题和作业第10章习题扩展阅读无

章节名称第11章大语言模型与多模态智能——认知融合的新范式课次2（总第1次）课时2授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求了解大语言模型（LLM）的定义、发展历程和核心技术（Transformer架构）。熟悉国内外典型大语言模型的特点和应用场景。掌握LLM的三大核心能力：文本生成、文本理解和跨领域交互。了解多模态智能的概念、多模态数据融合与处理技术，以及多模态交互的应用领域。熟悉LLM和多模态智能在实际问题中的应用案例。教学重点LLM的核心技术——Transformer架构的组成和原理。国内外典型大语言模型的特点与应用场景。LLM的三大核心能力：文本生成、文本理解和跨领域交互的具体表现和实现方式。多模态智能的概念、多模态数据融合与处理技术，以及多模态交互的应用领域。教学难点无环节/时间授课内容教学方法课程导入10分钟（一）视频演示播放一段展示大语言模型如ChatGPT与人类流畅对话的视频，视频中可以包含模型回答各种问题、生成故事、撰写文章等内容，让学生直观感受大语言模型的强大能力。（二）问题引导同学们，在刚刚的视频中，我们看到了大语言模型展现出来的惊人能力，它们就像拥有超级大脑一样，可以轻松理解并生成人类语言。那你们知道这些模型是怎么做到的吗？它们背后又有着怎样的技术原理呢？今天就让我们一起走进大语言模型与多模态智能的世界，揭开它们神秘的面纱。讲授正式授课80分钟（一）大语言模型概述定义与发展历程展示PPT，讲解大语言模型的定义，强调其包含数百亿或更多参数，以及在大量文本数据上进行训练等特点。介绍从早期的基于统计方法和基础模型，如n-gram模型和词嵌入（Word2Vec、GloVe）到深度学习时代的RNN、LSTM，再到Transformer架构的出现，开创了预训练和微调的新范式。重点阐述近期进展，如GPT-4等更大规模和多模态模型的发布。提出问题：为什么研究人员要不断增大语言模型的规模？让学生带着问题思考，引导他们理解模型规模增大带来的“涌现能力”。核心技术：Transformer架构绘制Transformer架构图在黑板上或展示详细PPT，分别介绍编码器、位置编码、多头注意力机制、加和归一化层、前馈层、解码器、线性层和SoftMax等组成部分。重点讲解自注意力机制如何让模型并行处理整个句子或段落，通过例子“猫坐在垫子上，因为它很柔软”说明其如何找到“它”与“垫子”之间的联系，理解句子含义。让学生明白Transformer架构能够同时处理很多信息，从而更好地理解语言复杂性的原因。（二）大语言模型的训练数据与规模以表格形式展示模型参数量与训练数据量统计，如表11-1。结合实际例子，如DeepMind的Hoffmanscalinglaws，解释大语言模型需要海量数据进行训练的原因，让学生理解模型参数量与训练数据量之间的关系，以及这些庞大的数据和参数如何赋予模型强大的能力。（三）国内外典型大语言模型国外典型大语言模型制作PPT，分别介绍GPT系列（OpenAI）的发展历程，从GPT-1的1.17亿参数到GPT-4的显著提升推理和多模态处理能力，展示其在不同任务中的应用场景，如内容创作、客服等。同时介绍LLaMA系列（MetaAI）的创新架构设计和多语言生成特点，以及Bard（谷歌）在创意写作、故事生成等方面的应用。国内典型大语言模型展示国内文心一言（百度）、通义千问（阿里巴巴）、讯飞星火（科大讯飞）、DeepSeek系列（DeepSeekAI）等模型的PPT。分别阐述文心一言在内容创作和教育领域的突出表现，通义千问在教育领域的个性化学习路径推荐，讯飞星火在教育领域语音识别和口语练习方面的优势，以及DeepSeek系列模型在多项评测中的优异成绩和不同版本的适应性。让学生对比国内外模型的特点，思考其在不同应用场景中的价值。讲授思考题和作业第11章习题扩展阅读无

章节名称第11章大语言模型与多模态智能——认知融合的新范式课次2（总第2次）课时2授课形式理论课■案例讨论课□实验课□习题课□其他□教学目的及要求了解大语言模型（LLM）的定义、发展历程和核心技术（Transformer架构）。熟悉国内外典型大语言模型的特点和应用场景。掌握LLM的三大核心能力：文本生成、文本理解和跨领域交互。了解多模态智能的概念、多模态数据融合与处理技术，以及多模态交互的应用领域。熟悉LLM和多模态智能在实际问题中的应用案例。教学重点LLM的核心技术——Transformer架构的组成和原理。国内外典型大语言模型的特点与应用场景。LLM的三大核心能力：文本生成、文本理解和跨领域交互的具体表现和实现方式。多模态智能的概念、多模态数据融合与处理技术，以及多模态交互的应用领域。教学难点无环节/时间授课内容教学方法课程导入10分钟复习回顾：简要回顾上节课所学内容。讲授正式授课80分钟（四）大语言模型的能力文本生成通过PPT展示文本生成的步骤，包括输入编码、解码策略、迭代生成。详细介绍解码策略中的贪心搜索、束搜索、采样、Top-k/Top-p采样等方法的特点和应用场景。举例说明，如输入“今天天气很好，”，模型如何一步步生成“我决定去公园散步。”等后续文本，让学生理解自回归生成和概率驱动原理。文本理解结合实际案例，如模型理解“尽管天气不好，他还是决定去跑步”中的转折关系，讲解语义表示、上下文建模和多任务学习在文本理解中的作用。说明模型如何通过预训练和微调适应不同任务，如分类、问答、情感分析等，让学生明白文本理解侧重于“读懂”文本，挖掘其中的语义信息。跨领域交互以图表形式展示跨领域交互的关键要素：大规模预训练、上下文学习、迁移学习、多模态能力（如GPT-4）。通过实例，如用户输入“你是一位医生，请解释什么是糖尿病”，模型生成医学领域专业解释，讲解提示工程、微调、任务特定头、多任务学习等技术如何实现跨领域交互。引导学生思考这种能力如何让LLM成为通用助手，跨越不同领域提供支持。（五）多模态智能多模态数据的融合与处理利用PPT图片展示多模态数据融合的原因：更全面的理解、提高准确性、拓展应用范围。同时呈现多模态融合技术在数据级、特征级、目标级融合的方法，结合自动驾驶、情感识别、医疗诊断等领域的应用案例，让学生理解多模态数据融合的