课程概述:高级人工智能原理与技术是计算机科学与技术、软件工程、计算机技术等理工科专业研究生的一门学位必修课程。课程主要研究如何利用计算机来模拟人脑所从事的感知、推理、学习、思考、规划等人类智能活动,解决需要用人类智能才能解决的问题。通过课程学习,使学生掌握人工智能的基本概念、基本原理、知识表示、推理机制和求解技术,以及相关研究领域的技术方法。启发学生对人工智能领域的兴趣,培养知识创新和技术创新能力以及用人工智能方法和技术解决复杂工程问题的能力,为今后在相关领域的研究与工作打下坚实的基础。本课程采用线上与线下相结合的教学方式,灵活使用“翻转课堂”组织教学。在教学方法上,打破传统型以老师讲授为主的讲授型模式,改变为以学生学为主导的小组协作化探究学习模式。充分利用信息化教学手段,全程采用多媒体授课,理论与实践相结合、教与学同步的教学方法。通过课堂教学模式的改革,促进学生积极主动地进行自主学习,探索学习,提高学生对所学知识的理解和解决复杂工程问题的能力。
课程目标
1.了解人工智能的起源与发展历史,了解新一代人工智能各领域的研究方向和进展;
2.理解知识表示和知识推理在人工智能中的重要地位,掌握基于一届谓词逻辑和基于产生式的知识表示方法;掌握经典逻辑推理方法,重点理解基于可信度和基于模糊集合的不确定推理方法。
3.理解和掌握搜索问题的形式描述,熟练掌握状态空间和与或树的盲目搜索算法和启发式搜索算法,掌握A*算法及各类启发式函数的定义;
4.理解和掌握遗传算法、进化算法和群智能算法的基本原理及使用方法。
5.理解和掌握神经网络的基本原理,能够使用常用的神经网络模型进行问题求解。
6.综合应用所学知识去解决一些实际的应用问题。能够把所学的原理应用到具体的实践中去,如能利用搜索算法、智能算法等编写程序解决一些具体的问题,培养学生发现、分析和解决复杂工程问题的能力。
1.了解人工智能的起源与发展历史,了解新一代人工智能各领域的研究方向和进展;
2.理解知识表示和知识推理在人工智能中的重要地位,掌握基于一届谓词逻辑和基于产生式的知识表示方法;掌握经典逻辑推理方法,重点理解基于可信度和基于模糊集合的不确定推理方法。
3.理解和掌握搜索问题的形式描述,熟练掌握状态空间和与或树的盲目搜索算法和启发式搜索算法,掌握A*算法及各类启发式函数的定义;
4.理解和掌握遗传算法、进化算法和群智能算法的基本原理及使用方法。
5.理解和掌握神经网络的基本原理,能够使用常用的神经网络模型进行问题求解。
6.综合应用所学知识去解决一些实际的应用问题。能够把所学的原理应用到具体的实践中去,如能利用搜索算法、智能算法等编写程序解决一些具体的问题,培养学生发现、分析和解决复杂工程问题的能力。
单元测验(30%):本课程一共有8次单元测验,每次测验包括10道题,均为客观题,每次测验允许尝试2次,30分钟内完成,取最高成绩;
单元作业和互评(40%):学员在第16周结束之前提交作业,并在第17周完成互评;
注意:本期课程提交三次单元作业和一次课程论文,参与一次互评,每次作业互评最少个数为5个。互评完成度的奖惩计分规则为,未参与互评的学生将给予所得分数的70%,未完成互评的学生将给予所得分数的90%,全部完成互评的学生将给予所得分数的100%。系统默认互评下的学生作业成绩,所得分数为取去掉最小和最大值后的平均值之和。
课程论文: 撰写1篇人工智能研究领域内的研究综述报告。要求:
1、不少于10个page(A4)。
2、格式按照发表论文要求。
3、参考文献不少于20篇,外文文献不少于10篇。以近3年的文献为主。
4、严禁互相抄袭,一旦发现按零分处理。
5、可以但不局限与以下方向:知识图谱、计算智能、差分进化算法及应用、卷
积神经网络生成式对抗网络(GAN)、图神经网络与图计算、大模型、蒙特卡
洛博弈树搜索研究、蚁群算法、粒子群优化算法等。
课程讨论(20%):每讲都会指定讨论题目,可根据兴趣选择参与,学员在课件的“课程交流区”中回帖数量总共达20条及以上,即可获取满分;
考试(10%):期末考试包含20道题,每道题2分,均为客观题,60分钟内完成,测试机会只有一次;
高等数学
离散数学
线性代数
数据结构
程序设计