人工智能教学大纲

人工智能教学大纲适用范围：2018版本科人才培养方案课程代码：08150351课程性质：专业选修课学分：4学分学时：64学时（其中：理论48学时，实验16学时）先修课程：信息处理技术，高等数学，概率论与数理统计，线性代数后续课程：适用专业：软件工程等专业教材：《人工智能及其应用（第三版）》，王万良编著，高等教育出版社，2016开课单位：计算机科学与技术系一、课程的性质与任务课程性质：软件工程等专业的专业选修课。课程任务：其任务主要是把握计算机科学与技术的发展趋势，熟悉本专业的前沿知识和研究热点。该课程讲述了人工智能的发展简史、人工智能研究的基本内容和主要研究领域、人工智能的研究热点包括人工神经网络及其应用和遗传算法及其应用等。要求学生掌握基本创新方法，能够针对创新点开展切实有效的理论和应用研究。该课程紧密联系计算机学科中的前沿内容和所涉及的新技术，例如模糊推理方法及其在计算机控制系统中的应用、人工神经网络及其改进方法在模式识别、软测量、联想记忆、优化计算中的应用，遗传算法及其改进算法在生产调度中的应用等，学生通过该课程的学习能够了解基本的人工智能新技术和有关问题求解的创新方法。二、课程的基本内容及要求（一）人工智能基础概念1．课程教学内容（1）人工智能的概念；（2）人工智能的发展简史；（3）人工智能研究的基本内容；（4）人工智能的主要研究领域。2．课程重点难点重点:了解人工智能研究的基本内容；难点:了解本专业的人工智能相关的前沿知识和研究热点。3．课程教学要求（1）了解人工智能研究的特点、内容、发展历史及未来，增加对人工智能学科的认识。把握计算机科学与技术的发展趋势；（2）了解人工智能研究的基本内容和主要研究领域，熟悉本专业的前沿知识和研究热点。（二）知识表示1．课程教学内容（1）知识的特性、分类和表示；（2）表示方法：一阶谓词逻辑、产生式、框架等。2．课程重点难点重点:知识的相对正确性、可表示性及可利用性等特性；难点:新技术的发展趋势。3．课程教学要求（1）熟练掌握知识及知识表示的概念；（2）了解知识的相对正确性、可表示性及可利用性等特性。（3）了解新技术的发展趋势。（三）确定性推理方法1．课程教学内容（1）推理的基本概念；（2）确定性推理方法：自然演绎推理、谓词公式化为子句集的方法、鲁宾逊归结原理；（3）确定性推理方法的应用：归结反演、应用归结原理求解问题。2．课程重点难点重点:谓词公式化为子句集的方法；难点:归结原理、方法及应用。3．课程教学要求（1）熟练掌握谓词公式化为子句集的方法；（2）熟练掌握归结原理、方法，并能灵活应用。（四）不确定性推理方法1．课程教学内容（1）不确定性推理的基本概念（2）可信度方法、证据理论等基于概率的推理方法（3）模糊推理方法。2．课程重点难点重点:可信度方法、证据理论及其推理方法；难点:模糊集合、模糊知识表示及模糊推理方法。3．课程教学要求（1）了解可信度方法、证据理论及其推理方法。（2）掌握模糊集合、模糊知识表示、模糊推理方法，并能灵活应用。（五）搜索求解策略1．课程教学内容（1）搜索的概念；（2）状态空间的搜索策略；（3）盲目的图搜索策略；（4）启发式图搜索策略。2．课程重点难点重点:搜索策略的基本概念和基本方法；难点:搜索方法的实现与基本软件设计。3．课程教学要求（1）搜索的基本概念、基本方法；（2）掌握搜索方法的实现与基本软件设计，基本创新方法。（六）智能计算及其应用1．课程教学内容（1）遗传算法的产生与发展；（2）基本遗传算法；（3）遗传算法的改进算法；（4）遗传算法的应用。2．课程重点难点重点:遗传算法的基本概念和基本方法；难点:遗传算法的改进算法，及遗传算法的应用实例。3．课程教学要求（1）掌握遗传算法的基本概念和基本方法；（2）了解一些遗传算法的改进算法，了解遗传算法的应用实例。（七）群智能算法及其应用1．课程教学内容（1）群智能算法产生的背景；（2）粒子群优化算法及粒子群优化算法的应用；（3）基本蚁群算法、改进算法及蚁群算法的应用。2．课程重点难点重点:粒子群优化算法的基本概念和基本步骤；难点:蚁群算法的设计和调试。3．课程教学要求（1）掌握粒子群优化算法的基本概念、基本步骤等基本内容；（2）掌握蚁群算法的设计、调试，了解蚁群算法的应用例子。（八）人工神经网络及其应用1．课程教学内容（1）神经元与神经网络的基本概念；（2）BP神经网络学习算法及其应用；（3）Hopfield神经网络及其应用。2．课程重点难点重点:BP神经网络学习算法及其应用；难点:Hopfield神经网络的特性及其应用。3．课程教学要求（1）掌握人工神经网络的基本概念、常用人工神经网络模型；（2）了解BP神经网络学习算法及其在模式识别、软测量等工程中的应用；（3）了解Hopfield神经网络的特性及其在联想记忆、优化等工程中的应用。（九）机器学习1．课程教学内容（1）机器学习的基本概念（2）符号学习（3）知识发现与数据挖掘（4）深度学习2．课程重点难点重点:数据挖掘的基本算法和一般结构等基本内容；难点:深度学习的模型结构、训练方法和应用。3．课程教学要求（1）掌握数据挖掘中的重要机器学习算法的基本概念、基本特征、一般结构等基本内容；（2）掌握深度学习模型的构造、训练以及应用。（十）专家系统1．课程教学内容（1）专家系统的产生、发展以及基本概念；（2）专家系统的工作原理及其建立方法；（3）专家系统实例。2．课程重点难点重点:专家系统的基本概念、基本特征、一般结构等基本内容；难点:专家系统的设计和开发方法。3．课程教学要求（1）掌握专家系统的基本概念、基本特征、一般结构等基本内容；（2）掌握专家系统的建造、开发，了解专家系统的应用例子。（十一）自然语言理解及其应用1．课程教学内容（1）自然语言理解的概念与发展历史；（2）词法分析、句法分析和语义分析；（3）基于语料库的大规模文本处理；（4）机器翻译和语音识别。2．课程重点难点重点:词法分析、句法分析和语义分析的概念与方法；难点:机器翻译和语音识别使用的自然语音处理模型。3．课程教学要求（1）了解自然语言理解的概念与发展历史；（2）理解词法分析、句法分析和语义分析；（3）掌握基于隐马尔可夫模型的语音识别方法。三、课程学时分配教学章节理论实践（验）讨论、习题一、人工智能基础概念2二、知识表示4三、确定性推理方法4四、不确定性推理方法2五、搜索求解策略64六、智能计算及其应用61七、群智能算法及其应用44八、人工神经网络及其应用61九、机器学习44十、专家系统4十一、自然语言理解及其应用44总计46162四、课程考核方式与要求考核方式：本课程主要以课程论文、作业评价、课内实验、阶段测验、期末机试等方式对学生进行考核评价。考核基本要求：考核总成绩由期末机试成绩和过程性评价成绩组成。其中：期末机试成绩为100分（权重60%），试题类型为综合分析题；期末机试中基本知识、基本理论、基本技能的试题分值不超过50%，综合应用题、分析题不低于50%；课程论文、作业评价、课堂讨论、课内实验、阶段测验等过程性评价成绩为100分（权重40%）。过程性评价和考试试题分值分配应与教学大纲各章节的学时基本成比例。五、课程资源库王万良.《人工智能导论》（第4版）.高等教育出版社.2017.IanGoodfellow,YoshuaBengio,AaronCourville.《深度学习》.人民邮电出版社.2017.3.尼克.《深度学习》.人民邮电出版社.20174.严行健.人工智能时代的代议制:挑战、机遇与发展路径.《学习与探索》，2018,02(271)5.刘全,翟建伟,章宗长等.深度强化学习综述.《计算机学报》，2018,01(41)6.黄立威,江碧涛,吕守业等.基于深度学习的推荐系统研究综述.《计算机学报》，2018,07(41)7.杨洁,王国胤,刘群等.正态云模型研究回顾与展望.《计算机学报》，2018,03(41)8.ZixiangZhou