《人工智能模型和算法》课程教学大纲

《人工智能模型和算法》教学大纲一、课程基本信息课程名称人工智能模型和算法AIModelsandAlgorithms课程编码OSI322311030开课院部海洋与空间信息学院课程团队（未设置）学分3.0课内学时48讲授48实验0上机0实践0课外学时48适用专业电子信息工程授课语言中文先修课程高等数学（2-1）、线性代数、高等数学（2-2）、概率论与数理统计课程简介（必修）《人工智能模型与算法》是电子信息工程专业的必修课。本课程介绍人工智能的发展和应用，介绍人工智能对现代工业的巨大推动作用和给人们生活带来的巨大改变。课程重点介绍人工智能和机器学习的基本概念、基本框架，主要学习相关的模型和算法原理和实现，包括逻辑推理、搜索求解、机器学习和深度学习的模型和方法。通过学习使学生了解人工智能在信息与通信工程中的地位和作用及解决信息处理问题的正确方法。通过本课程的学习，进一步拓宽本科生的电子信息知识，使本科生掌握人工智能和机器学习的基本知识，能设计实现简单的图像识别系统，具备系统模型选择、设计实现和结果分析的能力，同时为学生进入高层次学习打下良好的理论基础。"Artificialintelligencemodelsandalgorithms"isacompulsorycourseforElectronicInformationEngineeringmajors.Thiscourseintroducesthedevelopmentandapplicationofartificialintelligence,thegreatimpetusofartificialintelligencetomodernindustryandthegreatchangesithasbroughttopeople'slives.Thecoursefocusesonintroducingthebasicconceptsandframeworkofartificialintelligenceandmachinelearning,mainlylearningrelevantmodelsandalgorithmprinciplesandimplementations,includinglogicalreasoning,searchandsolution,modelsandMethodsformachinelearninganddeeplearning.Throughlearning,studentscanunderstandthepositionandfunctionofartificialintelligenceinInformationandCommunicationEngineeringandthecorrectmethodtosolveinformationprocessingproblems.Throughthestudyofthiscourse,theelectronicinformationknowledgeofundergraduateswillbefurtherbroadened,sothatundergraduatescanmasterthebasicknowledgeofartificialintelligenceandmachinelearning,candesignandimplementasimpleimagerecognitionsystem,andhavethesystemmodelselection,theabilityofdesignimplementationandresultanalysis,andatthesametimelayagoodtheoreticalfoundationforstudentstoenterhigh-levellearning.负责人大纲执笔人审核人二、课程目标序号代号课程目标OBE毕业要求指标点任务自选1M1目标1：根据所学人工智能和统计学习知识，根据对待处理数据特点的分析，能够具备对系统输入进行特征选择、对系统识别模型进行推演、对模型判别准则选择、对系统进行训练，对输出结果进行分析的能力。是1.32M2目标2：了解人工智能和机器学习的国内外发展趋势和研究热点，能就模式识别领域相关问题进行综述和分析，能够具备选择适合研究问题的参考方案的能力。是4.13M3目标3：根据所学人工智能的模型和基本算法，能够具备根据调研的结果，选择建立适合问题的系统模型的能力，并能够进行多种模型的简化或转换，了解各模型的特点和适用场合。是4.24M4目标4：根据所学人工智能模型算法的基本原理和编程方法，能够具备编程或调试程序实现对应的智能识别系统，分析系统或算法的性能的能力。是4.35M5目标5：根据所学系统评价的指标和方法，能够具备分析识别或预测结果，总结方法的有效性，分析方法的改进等的能力。是4.4三、课程内容序号章节号标题课程内容/重难点支撑课程目标课内学时教学方式课外学时课外环节1第1章绪论本章重点难点：人工智能的概念，学习人工智能的基本知识，了解人工智能系统的流程和框架。////21.11.1人工智能的发展简史人工智能、模式、模式识别等基本概念，发展简史。M21讲授/讨论1自学资料31.2智能计算方法人工智能系统的基本组成和流程，建立课程的知识体系架构。介绍人工智能的基本分支M21讲授/讨论1作业41.3课程思政案例一2017年国务院关于印发新一代人工智能发展规划的通知0讲授2自学资料5第2章逻辑与推理本章重点难点：////62.1命题逻辑命题逻辑的定义和描述方法、推理规则M1,M2,M3,M4,M52讲授/讨论1自学资料72.2谓词逻辑谓词逻辑的定义和推理规则、专家系统M1,M2,M3,M4,M52讲授/讨论1综合项目82.3知识图谱推理知识图谱的概念和推理规则、归纳学习、FOIL、路径排序、机器学习M1,M2,M3,M4,M52讲授/讨论1综合项目92.4因果推理因果推理的概念和模型、有向无环图、因果效应等M1,M2,M3,M4,M52讲授/讨论1综合项目10第3章搜索求解本章重点难点：////113.1搜索算法基础人工智能中的搜索问题、搜索算法的形式化描述M1,M2,M3,M4,M52讲授/讨论1自学资料123.2启发式搜索为贪婪最佳优先搜索和A*搜索原理及应用M1,M2,M3,M4,M52讲授/讨论1综合项目133.3对抗搜索最小最大搜索、Alpha-Beta剪枝搜索原理及应用M1,M2,M3,M4,M52讲授/讨论1综合项目143.4蒙特卡洛树搜索蒙特卡洛规划、多臂赌博机、蒙特卡洛树搜索原理及应用M1,M2,M3,M4,M52讲授/讨论1综合项目15第4章机器学习：监督学习本章重点难点：监督学习的常用方法////164.1机器学习基本概念机器学习的基本概念M1,M2,M3,M4,M51讲授/讨论1自学资料174.2回归分析线性回归、参数学习，非线性回归分析模型M1,M2,M3,M4,M51讲授/讨论1综合项目184.3AdaBoosting自适应提升、计算学习理论、AdaBoosting算法M1,M2,M3,M4,M52讲授/讨论1综合项目194.4线性判别分析线性判别分析M1,M2,M3,M4,M52讲授/讨论1综合项目204.5决策树决策树M1,M2,M3,M4,M52讲授/讨论1自学资料214.6支持向量机支撑向量和最大化边界准则M1,M2,M3,M4,M52讲授/讨论1综合项目224.7Bayes决策贝叶斯规则，贝叶斯分类准则，分类误差，最小风险决策等的简介，后验概率，最小风险，决策函数，决策面的概念，高斯概率密度函数，基于正态分布的贝叶斯决策方法。M1,M2,M3,M4,M52讲授/讨论1综合项目234.8系统评估误差计算的方法和对系统评估的常用参数，恢复方法，保留方法，保留一个方法，与正样本模式选择交叉验证，混淆矩阵，召回率和准确率等。M1,M2,M3,M4,M52讲授/讨论1综合项目244.9系统评估误差计算的方法和对系统评估的常用参数，恢复方法，保留方法，保留一个方法，与正样本模式选择交叉验证，混淆矩阵，召回率和准确率等。M1,M2,M3,M4,M5,M62讲授/讨论1综合项目25第5章统计机器学习：无监督学习本章重点难点：聚类的概念////265.1K均值聚类近邻准则，k-mean算法的原理，算法分析M1,M2,M3,M4,M52讲授/讨论1综合项目275.2主成分分析相关概念和PCA的原理M1,M2,M3,M4,M52讲授/讨论1综合项目285.3特征人脸方法特征人脸方法，特征提取和降维M1,M2,M3,M4,M52讲授/讨论1综合项目29第6章深度学习本章重点难点：神经网络的原理与应用////306.1深度学习的发展历史深度学习的发展历史M1,M2,M3,M4,M50.5讲授/讨论1综合项目316.2前馈神经网络感知器的结构、梯度下降优化方法，BP神经网络M1,M2,M3,M4,M51.5讲授/讨论1综合项目326.3卷积神经网络卷积神经网络的结构，卷积层、池化层和全连接M1,M2,M3,M4,M52讲授/讨论1综合项目336.4循环神经网络循环神经网络的结构M1,M2,M3,M4,M52讲授/讨论1综合项目346.5深度学习的应用深度学习的应用，图像分类和自然语言理解等M1,M2,M3,M4,M52讲授/讨论1综合项目35第7章人工智能发展趋势人工智能发展趋势////367.1人工智能发展与应用人工智能发展与应用M22讲授/讨论2综合项目377.2课程思政案例二人生需要奋斗，科学需要不断地求索/0讲授/讨论2综合项目四、考核方式序号考核环节操作细节总评占比1平时作业布置各章相关知识点的作业，如推理和搜素的方法总结、特征提取方法总结、线性回归、决策树、SVM、神经网络算法总结等作业，根据完成情况评分。30%2综合系统设计项目本课程要求设计完成一个分类识别的应用系统，实现数字识别或人脸识别，也可选择其他应用。该项目综合考查学生对基本概念和基本识别模型的理解和应用，也综合训练学生的查阅文献和撰写报告答辩等方面的能力。根据完成系统的功能和难度等情况、答辩汇报、提交的程序代码和项目报告等进行评分。40%3期末考试闭卷考试，成绩采用百分制，卷面成绩总分100分。主要考核学生基本知识的掌握能力，学生综合运用所学知识分析问题、解决问题的能力，题型主要有简答题、分析题等。30%五、评分细则序号课程目标考核环节大致占比评分等级1M1平时作业40%A-完成线上学习并积极参与讨论，较好地完成课后作业，作业思路清晰，分析正确并有知识点拓展。B-完成线上学习，参与讨论，较好地完成课后作业，作业思路清晰，分析正确。C-完成线上学习和课后作业，作业思路清晰，分析基本正确。D-未参与线上学习，作业抄袭，思路混乱，未能完成。2M1综合系统设计项目20%A-项目报告格式规范，文献综述部分内容完整，总结分析合理，实验结果较好，有自己的设计思想和部分改进；B-项目报告格式规范，内容完整，总结分析合理，实验结果较好，有部分自己的设计思路；C-项目报告格式规范，文献综述部分内容完整，原理正确流程清楚，总结分析基本合理；D-项目报告格式规范，文献综述部分内容不完整，原理不正确、流程不清楚，总结分析不合理；3M1期末考试40%（见试卷评分标准）4M2平时作业20%A-完成线上学习并积极参与讨论，较好地完成课后作业，作业思路清晰，分析正确并有知识点拓展。B-完成线上学习，参与讨论，较好地完成课后作业，作业思路清晰，分析正确。C-完成线上学习和课后作业，作业思路清晰，分析基本正确。D-未参与线上学习，作业抄袭，思路混乱，未能完成。5M2综合系统设计项目80%A-项目报告格式规范，文献综述部分内容完整，总结分析合理，有自己的设计思想和部分改进；B-项目报告格式规范，文献综述部分内容完整，有部分自己的设计思路；C-项目报告格式规范，文献综述部分内容完整，原理分析基本合理；D-项目报告格式规范，文献综述部分内容不完整，原理不正确、流程不清楚。6M3期末考试20%（见试卷评分标准）7M3综合系统设计项目80%A-项目报告格式规范，根据调研情况总结分析合理，项目方案设计较好，有自己的设计思想和部分改进；B-项目报告格式规范，根据调研情况总结分析合理，项目方案设计有部分自己的设计思路；C-项目报告格式规范，根据调研情况项目方案设计基本合理；D-项目报告格式规范，根据调研情况项目方案设计不清楚，不合理。8M4综合系统设计项目100%A-源程序代码完整优化，注释清晰，界面友好，运行结果正确。B-源程序代码完整，注释清楚，运行结果正确。C-源程序代码基本完整，注释基本清楚，运行结果基本正确。D-源程序代码不完整或运行结果不正确，没有注释。9M5期末考试20%（见试卷评分标准）10M5综合系统设计项目80%A-项目报告格式规范，文献综述部分内容完整，总结分析合理，实验结果较好，有自己的设计思想和部分改进；项目答辩汇报中算法原理阐述准确清楚，语言和流程描述规范，观点表达准确，结果分析正确；团队分工明确。B-项目报告格式规范，内容完整，总结分析合理，实验结果较好，有部分自己的设计思路；项目答辩汇报中算法