spContent=人工智能是一门发展极其迅速且内容十分丰富的学科。本课程以人工智能理论算法及其编程实现为核心，按照人工智能经典方法到现代算法顺次进行讲解，共32学时，分7章。授课学时共24学时，分配如下：第1章概论2学时，第2章逻辑与推理4学时，第3章搜索求解4学时，第4章有监督机器学习4学时，第5章无监督机器学习4学时，第6章神经网络与深度学习4学时，第7章强化学2学时。实验学时共8学时。本课程提供授课视频、实验视频、网上习题、网上互动、配套正式出版的自编教材等教学资源。课程团队由王洪元教授、张继副教授、毕卉讲师、丁宗元讲师、陈迪克讲师共5人组成，结构合理。
人工智能是一门发展极其迅速且内容十分丰富的学科。本课程以人工智能理论算法及其编程实现为核心，按照人工智能经典方法到现代算法顺次进行讲解，共32学时，分7章。授课学时共24学时，分配如下：第1章概论2学时，第2章逻辑与推理4学时，第3章搜索求解4学时，第4章有监督机器学习4学时，第5章无监督机器学习4学时，第6章神经网络与深度学习4学时，第7章强化学2学时。实验学时共8学时。本课程提供授课视频、实验视频、网上习题、网上互动、配套正式出版的自编教材等教学资源。课程团队由王洪元教授、张继副教授、毕卉讲师、丁宗元讲师、陈迪克讲师共5人组成，结构合理。
—— 课程团队
课程概述
人工智能是计算机科学中的重要内容，已经成为计算机技术发展以及许多高新技术产品中的核心技术。人工智能是模拟人类智能解决问题，几乎在所有领域都具有非常广泛的应用。本课程是人工智能、计算机科学与技术、软件工程、自动化等专业本科生的一门基础课程。通过本课程的学习，使学生在掌握人工智能基本概念、原理和方法的基础上，及时了解和掌握人工智能产业升级与技术革新，培养创新意识和合作意识，并进一步促进学生学习人工智能的兴趣，培养学生的科学思维和解决人工智能领域复杂工程问题的能力。
授课目标
本课程的目标包括：
课程目标1：使学生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，基本思想和重要算法，熟悉相关平台系统的使用。
课程目标2：使学生初步具备使用人工智能的方法解决实际问题的能力。
课程目标3：培养学生有效沟通与合作的团队合作精神。
课程目标4：培养学生自主学习和终身学习的能力。
课程思政目标：理解人工智能对国家安全的重要意义；理解人工智能及其相关技术的发展，对国民经济发展的重要作用；培养学生积极思考努力创新的能力和科技报国的家国情怀。
成绩 要求
考核方式及成绩评定方式
课程考核强调平时成绩和最终成绩的综合方式。其中，课堂表现主要从学生上课是否专心听讲、回答教师提问是否正确，以及分组讨论是否积极、正确、有独特见解等，以提高课堂教学效果，培养学生的对新技术的兴趣，并逐步培养其创新能力。作业和课内实践方面要重点培养学生的创新能力，并且提高其对新技术探索和自学习的兴趣。期末考试将按照本课程的教学目标全面考核学生课程学习的效果，分析课程对毕业要求的达成度。
考核方式采用考查课形式。考核方式为笔试、论文、笔试结合论文等，最终由任课教师选定，若采用笔试则时间为120分钟。一般要求平时作业成绩与课内讨论及课内实验的最终考核占比30%，大作业或笔试成绩的最终考核占比70%。
课程大纲
人工智能概论
课时目标：1、内容：人工智能的概念、人工智能的发展简史、人工智能研究的基本内容、人工智能的主要研究领域。2、重点：人工智能的概念和特点。3、难点：人工智能主要研究方法和三个主要流派、强人工智能与弱人工智能的区别。4、知识目标：了解人工智能的概念、特点及计算方法。5、 能力目标：具备理解人工智能概念、了解人工智能主要应用领域和应用现状的能力。6、要求学生：掌握人工智能的概念和特点，了解人工智能的发展现状以及发展趋势，了解人工智能主要应用领域。
1.1 人工智能定义
1.1.1 生物智能与人类智能
1.1.2 智能与人工智能
1.2 人工智能的历史
1.3 人工智能研究的不同学派
1.3.1 符号主义
1.3.2 连接主义
1.3.3 行为主义
1.4 人工智能主要应用领域
1.5 习题
逻辑与推理
课时目标：1、内容：知识的特性、分类和表示、命题逻辑、一阶谓词逻辑。2、重点：命题的概念、逻辑等价、谓词的概念。3、难点：利用逻辑关系完成推理。4、知识目标：掌握逻辑和推理的基本概念和关系。5、能力目标：具备利用逻辑关系进行推理的能力，具备编写命题逻辑归结推理程序的能力。6、要求学生：掌握命题的概念、命题逻辑的推理规则；掌握谓词逻辑的概念及推理规则。了解知识图谱的概念及推理规则。
2.1 逻辑
2.1.1 知识表示
2.1.2 逻辑的基本概念
2.2 命题逻辑
2.2.1 命题的基本概念
2.2.2 命题逻辑推理
2.3 谓词逻辑
2.3.1谓词的基本概念
2.3.2 谓词逻辑推理
2.4 知识图谱
2.4.1知识图谱的基本概念
2.4.2知识图谱推理
2.5习题
搜索求解
课时目标：1、内容：搜索的概念、盲目的图搜索策略、启发式图搜索策略、对抗搜索、剪枝搜索、蒙特卡洛搜索。2、重点：搜索求解策略的制定方法3、难点：启发式A和A*搜索策略原理及实现，Alpha-Beta剪枝搜索、蒙特卡洛搜索。4、知识目标：掌握搜索求解策略的基本算法。5、能力目标：具备根据搜索求解方法求解问题的能力，具备编写基于A算法和A*算法的最优路径搜索程序的能力。6、要求学生：掌握搜索的基本概念、基本方法。能够针对具体问题，用适当的搜索方法进行求解。
3.1 搜索概述
3.1.1 搜索的基本问题与主要过程
3.1.2 搜索算法分类
3.2 状态空间表示法
3.2.1状态空间表示的基本概念
3.2.2 状态空间的图的描述
3.3 盲目搜索
3.3.1 盲目搜索概述
3.3.2 深度优先搜索算法
3.3.3 宽度优先搜索算法
3.3.4 盲目搜索算法Python实现
3.4 启发式搜索
3.4.1 启发式搜索概述
3.4.2 启发信息和估价函数
3.4.3 A算法
3.4.4 A*算法
3.4.5 A算法Python实现
3.5 对抗搜索
3.5.1 博弈概述
3.5.2 极大极小过程
3.5.3 Alpha-Beta剪枝算法
3.5.4 对抗搜索算法Python实现
3.6 蒙特卡洛树搜索
3.6.1 蒙特卡洛方法
3.6.2 蒙特卡洛树搜索算法
3.6.3 蒙特卡洛树搜索算法Python实现
3.7 习题
机器学习：监督学习
课时目标：1、内容： 理解与机器学习相关的一些基本概念（如监督学习、非监督学习、半监督学习、训练集、验证集、测试集、欠拟合、过拟合等），掌握常见的监督学习算法。2、重点：理解欠拟合、过拟合在监督学习中所代表的含义，以及如何避免或缓解；掌握一元回归分析算法，包括最小二乘法和梯度下降法； 掌握K最近邻算法，AdaBoosting算法和决策树算法原理；理解线性判别分析（LDA）、支持向量机的原理和流程。3、难点：能够针对特定的分类问题，使用一元回归分析、K最近邻算法、AdaBoosting和决策树等算法进行分类。4、知识目标：深入理解并掌握常用的监督学习算法的算法原理及其应用。5、能力目标：具备利用开发工具实现常用监督学习算法并完成特定任务分类的能力。6、要求学生：掌握监督学习的基本概念、基本特征、常见算法等。
4.1 机器学习概述
4.1.1 引言
4.1.2 机器学习的发展历史
4.1.3 机器学习的基本概念
4.1.4 机器学习主要研究领域
4.2 回归分析
4.2.1 线性回归分析原理
4.2.2 非线性回归分析原理
4.2.3 回归分析Python实例
4.3 线性判别分析
4.3.1 线性判别分析算法原理
4.3.2 线性判别分析Python实例
4.3.3 线性判别分析在人脸识别中的应用
4.4 K最近邻算法
4.4.1 K最近邻算法原理
4.4.2 K最近邻算法Python实例
4.5 AdaBoosting
4.5.1 AdaBoosting算法原理
4.5.2 AdaBoosting算法Python实例
4.6 支持向量机
4.6.1 支持向量机原理
4.6.2 支持向量机在分类问题中的应用
4.6.3 支持向量机Python实例
4.7 决策树
4.7.1 决策树原理
4.7.2 决策树算法Python实例
4.8 习题
机器学习：无监督学习
课时目标：1、内容： 理解与无监督学习相关的一些基本概念（如聚类、降维等），掌握常见的无监督学习算法。2、重点：理解K均值聚类算法流程及其优缺点；理解PCA算法的原理及其应用于数据降维中的流程和效果。3、难点：能够针对特定的聚类问题，能够使用K均值聚类算法进行聚类；能够针对特定的降维问题，能够使用PCA算法进行降维。4、知识目标：从数学原理层面，深入理解第4章所学的LDA与本章所学的PCA算法的区别和联系，及他们应用于降维的流程。理解LDA和PCA在人脸识别中的应用。5、能力目标：具备编写基于LDA和PCA的人脸识别算法（FisherFace和EigenFace）。6、要求学生：结合数学原理，深入地理解数据降维方法在人工智能领域的作用和意义。
5.1 K均值聚类
5.1.1 K均值聚类原理
5.1.2 K均值聚类算法
5.1.3 K均值聚类算法特点
5.1.4 K均值聚类算法的改进
5.1.5 K均值聚类算法的python实现
5.2 主成分分析
5.2.1 主成分分析原理
5.2.2 主成分分析降维方法
5.2.3 主成分分析特点
5.2.4 主成分分析Python实现
5.3 特征脸方法
5.3.1 特征脸原理
5.3.2 奇异值分解
5.3.3 特征脸方法步骤
5.3.4 特征脸方法特点
5.3.5 特征脸方法Python实现
5.4 局部线性嵌入
5.4.1 局部线性嵌入原理
5.4.2 局部线性嵌入算法
5.4.3 局部线性嵌入算法特点
5.4.4 局部线性嵌入算法的一些改进算法
5.4.5 局部线性嵌入算法Python实现
5.5 独立成分分析
5.5.1 独立成分分析的发展
5.5.2 独立成分分析的定义
5.5.3 独立成分分析的应用领域
5.5.4 独立成分分析与其他统计方法的关系
5.5.5 独立成分分析Python实现
5.6 习题
神经网络与深度学习
课时目标：1、内容：神经元与神经网络的基本概念、BP学习算法及其应用、卷积神经网络及其应用。2、重点：掌握BP学习算法及其应用；掌握卷积神经网络的关键技术。3、难点：针对特定的分类问题，能够自行构造一个多层神经网络并使用BP算法进行训练，使得网络能够用于分类；针对特定的分类问题，能够自行构造一个简单的卷积神经网络完成基本的分类功能。4、知识目标：掌握BP网络学习算法基本原理和应用方法,理解卷积神经网络的构成、特点。5、能力目标：具备应用人工神经网络解决实际问题的能力。针对于手写体数据集，能够分别搭建、训练BP网络和卷积神经网络，达到较高精度的分类效果。6、要求学生：掌握BP神经网络和卷积神经网络的算法原理、编程方法及其在模式识别中的应用。
6.1 神经网络的起源与发展
6.1.1 第一代神经网络
6.1.2 第二代神经网络
6.1.3 第三代神经网络
6.2 人工神经网络
6.2.1 生物神经网络
6.2.2 人工神经元与人工神经网络
6.2.3 BP神经网络
6.2.4 神经网络Python实例
6.3 卷积神经网络
6.3.1 卷积神经网络的结构
6.3.2 卷积神经网络的基本操作
6.3.3 卷积神经网络的关键技术
6.3.4 卷积神经网络的训练过程
6.3.5 几种经典的卷积神经网络模型
6.3.6 卷积神经网络的应用
6.3.7 卷积神经网络Python实例
6.4 循环神经网络
6.4.1 循环神经网络
6.4.2 长短时记忆网络LSTM
6.4.3 循环神经网络的应用
6.4.4 循环神经网络Python实例
6.5 习题
强化学习
课时目标：1、内容： 理解强化学习的基本概念和构成、分类；掌握基于价值的强化学习算法和基于策略的强化学习算法。2、重点：掌握强化学习的构成和描述方法；掌握马尔科夫过程的基本原理；掌握基于价值的强化学习算法和基于策略的强化学习算法。3、难点：理解马尔可夫决策过程；掌握将实际问题建模为强化学习模型的过程；理解Q-Learning算法。4、知识目标：掌握强化学习的算法原理和特点；理解为何强化学习能够应用于AlphaGo这类具有庞大搜索空间的问题；掌握强化学习的基本算法（如Q-learning）。5、能力目标：具备将强化学习应用于智能体训练的能力；能够基于强化学习，使用OpenAI Gym工具实现一个智能体的编程和训练。6、要求学生：掌握强化学习的算法及其在智能体训练中的应用。
7.1 强化学习问题
7.1.1 马尔可夫决策过程
7.1.2 强化学习问题
7.2 基于价值的强化学习
7.2.1 策略迭代
7.2.2 基于价值的强化学习算法
7.2.3 Q-Learning的Python实例
7.3 深度强化学习
7.3.1 深度强化学习算法
7.3.2 深度强化学习的应用
7.3.3 深度强化学习的Python实例
7.5 习题
展开全部
预备知识
大学数学、概率论与数理统计、人工智能程序设计(Python)
参考资料
王洪元、张继，《人工智能导论：算法与编程》，第一版，北京：清华大学出版社，2023年
吴飞，《人工智能导论：模型与算法》，第一版，北京：清华大学出版社，2020年
王万良，《人工智能导论》第五版，北京：高等教育出版社，2020年
马少平，跟我学AI，北京：AI光影社，2022年
周志华，机器学习，第一版，北京：清华大学出版社，2016年
浙公网安备 33010802012594号
