4、人工智能算法-教学大纲-Final

PAGEPAGE11《人工智能算法》课程教学大纲一、课程基本信息课程名称人工智能算法ArtificialIntelligenceAlgorithm学分3学时54说明：可根据实际情况设置理论课（3学分）、理论课（2学分）+实验课（1学分）、或实验课（3学分）；也可以开设4学分课程。适用专业计算机类、电子信息类、自动化类相关专业（如计算机科学与技术、软件工程、智能科学与技术、数据科学与大数据技术、物联网工程、电子与计算机工程、电子信息工程、人工智能、自动化等）授课语言中文先修课程高等数学，离散数学，计算机程序设计，数据结构后续课程数据库技术，编译原理，操作系统，软件工程，数字图像处理，知识工程，信息检索等课程简介算法、数据和算力，是人工智能的“三大基石”，算法的优劣直接决定了人工智能水平的高低，算法成为了人工智能项目的“灵魂”，人工智能的本质是算法。在以计算为中心到以数据为中心这一计算机科学发生的深刻变化的背景下，人工智能算法设计和分析、实现和开发，成为了当代IT相关领域人才的重要能力。本课程的教学内容由经典计算机算法、数据挖掘算法和深度学习算法三部分构成，以OBE为基本理念，将算法设计与程序设计能力培养相结合，以“经典计算机算法-数据挖掘算法-深度学习算法”为主线，以在线案例和在线编程平台作为实践平台，以算法伪码与包括核心代码的Python程序示例相结合的教学方式，通过应用驱动、算法支撑、编程实现三方面的教学，旨在构建人工智能算法“思想-伪码-分析-实现”四位一体的知识传递和学习框架。本课程把对学生的能力要求分解为5个课程目标，从掌握算法理念、掌握解决问题的基本方法、能够学以致用并解决实际问题这三个角度来支撑学生的人工智能算法能力和算法思维的培养，并对学生从问题抽象、算法设计、复杂度分析、程序设计、解决问题能力的学习产出进行考核。《人工智能算法》书中各章节习题和思考题为课后作业、课堂讨论的主题，部分章节可选取知识点进行翻转课堂教学，以加深学生对内容的理解。课程教学过程中可基于随书附赠在线编程学习平台中的在线案例开展编程实验。二、课程目标及对毕业要求指标点的支撑序号课程目标1课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。2课程目标2：能够正确掌握求解实际人工智能相关领域中工程问题的经典计算机算法的原理和步骤，理解其基本思想、适用情形和基本步骤；能够正确使用伪码设计经典的计算机算法、并分析其复杂度；能够正确编写程序实现所设计的经典计算机算法，进而正确求解实际工程问题。3课程目标3：能能够正确掌握求解分类、聚类、异常检测、频繁模式挖掘、链接分析、概率推理等问题的经典数据挖掘算法的原理、思想和步骤；能够理解数据驱动的理念，正确描述数据挖掘的工程问题；能够正确使用伪码设计经典的数据挖掘算法、并分析其复杂度；能够正确编写程序实现所设计的数据挖掘算法，进而正确求解实际中工程问题。4课程目标4：能够正确掌握求解异常检测、数据降维、目标检测、问答系统和图分析等问题的经典深度学习算法的原理和步骤；能够理解深度神经网络的基本框架和深度学习算法的基本思想和理念，正确描述上述智能分析的工程问题；能够正确使用伪码设计经典的深度学习算法、并分析其复杂度；能够正确编写程序实现所设计的深度学习算法，进而正确求解实际中工程问题。5课程目标5：能够针对实际中的工程问题对所学算法进行正确的理论分析，理解各类算法的适用场景和设计思路；能够针对问题的特点和性质，正确使用伪码设计不同的算法，并进行分析比较，识别其异同和优劣，并能对所设计的算法进行正确的改进；能够正确编写程序实现所设计的深度学习算法，并进行合理的实验对比和性能评估。

三、教学内容及进度安排序号教学内容学生学习预期成果课时教学方式支撑课程目标1内容：算法的基本概念、算法效率分析，最好、最坏和平均效率，算法运行时间估计。重点：算法的基本概念，算法的描述，算法分析的概念，增长率的定义和性质。难点：算法的正确性，算法分析的概念，增长率的定义和性质。理解本课程学习的重要作用，掌握算法的概念和特征、描述方式、理解算法分析的概念、算法的最好、最坏和平均情况，掌握增长率和渐进性态的概念、基本效率类型的定义与性质。4讲授课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。2内容：分治法的概念、基本思想和一般步骤，分治法复杂度分析，合并排序算法设计、分析与Python程序实现。重点：递归分治算法复杂度分析，解决合并排序问题的分治算法。难点：最优子结构的性质及子问题相互独立的概念，递归算法复杂度分析，合并排序的递归算法设计与程序实现。理解分治法的概念，掌握分治法的基本思想和一般步骤，能够分析分治法的算法复杂度，能够用分治法解决合并排序问题并分析其时间复杂度，能够正确编写程序实现合并排序算法。3讲授/编程实验课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。课程目标2：能够正确掌握求解实际人工智能相关领域中工程问题的经典计算机算法的原理和步骤，理解其基本思想、适用情形和基本步骤；能够正确使用伪码设计经典的计算机算法、并分析其复杂度；能够正确编写程序实现所设计的经典计算机算法，进而正确求解实际工程问题。3内容：减治法的概念，减治法的基本思想和一般步骤，拓扑排序算法的设计与Python程序实现。重点：减治法的概念，拓扑排序的基本思想，用减治法解决拓扑排序算法问题，拓扑排序算法设计与应用。难点：减治法的概念、基于减治思想的算法设计，解决拓扑排序问题的减治算法设计。理解减治法的概念及其在算法设计中的作用，掌握减治法的思想和一般步骤，能够使用减治法解决拓扑排序问题，能够正确编写程序实现拓扑排序算法。2讲授/编程实验课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。课程目标2：能够正确掌握求解实际人工智能相关领域中工程问题的经典计算机算法的原理和步骤，理解其基本思想、适用情形和基本步骤；能够正确使用伪码设计经典的计算机算法、并分析其复杂度；能够正确编写程序实现所设计的经典计算机算法，进而正确求解实际工程问题。4内容：贪心法的基本概念和基本思想，贪心算法设计与分析的一般步骤，贪心算法的正确性证明，哈夫曼编码问题及贪心算法设计、分析、优化与Python程序实现。重点：贪心法的基本概念和基本思想，贪心选择性质、最优子结构性质，求解哈夫曼编码问题的贪心算法设计及正确性证明。难点：贪心选择性质和最优子结构性质，贪心算法正确性证明。理解贪心法的基本概念和适用场景，掌握贪心法的基本思想和一般步骤，能够适用数学归纳法证明贪心算法的正确性，能够用贪心法解决哈夫曼编码问题，并能够正确编写程序实现所设计的算法。3讲授/编程实验课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。课程目标2：能够正确掌握求解实际人工智能相关领域中工程问题的经典计算机算法的原理和步骤，理解其基本思想、适用情形和基本步骤；能够正确使用伪码设计经典的计算机算法、并分析其复杂度；能够正确编写程序实现所设计的经典计算机算法，进而正确求解实际工程问题。5内容：动态规划的基本概念，动态规划法的基本思想和一般步骤，最优子结构性质、重叠子问题性质，使用动态规划算法求解优化问题的基本原理，求解0-1背包问题的动态规划算法设计、分析与Python程序实现。重点：动态规划法的基本思想，最优子结构性质、重叠子问题性质，动态规划算法中的递推式，求解0-1背包问题的动态规划算法设计、分析与改进的思路。难点：最优子结构性质、重叠子问题性质，求解0-1背包问题的动态规划算法设计、分析与改进的思路。理解动态规划概念，掌握动态规划法的基本思想和一般步骤，分析动态规划算法的复杂度，能用动态规划法解决0-1背包问题，能够正确编写程序解决问题。3讲授/编程实验课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。课程目标2：能够正确掌握求解实际人工智能相关领域中工程问题的经典计算机算法的原理和步骤，理解其基本思想、适用情形和基本步骤；能够正确使用伪码设计经典的计算机算法、并分析其复杂度；能够正确编写程序实现所设计的经典计算机算法，进而正确求解实际工程问题。6内容：回溯法的概念，回溯法的基本思想和一般步骤，解空间树搜索方法，子集树和排列树，剪枝函数的概念与设计，求解n-后问题的回溯算法设计与Python程序实现。重点：解空间树搜索方法，子集树和排列树，剪枝函数的概念与设计，求解n-后问题的回溯算法设计，回溯法与蛮力法对比。难点：剪枝函数的概念与设计，回溯法适用情形及其与蛮力法对比的优势，解决n-后问题的回溯法的程序实现。理解回溯分析的基本概念，掌握回溯法的基本思想和解空间树的搜索方法，能够用回溯法求解给定的n-后问题，能够深刻理解求解n-后问题的回溯法与蛮力法相比的优点、进而理解回溯法适于求解问题的特点，能够正确编写程序实现n-后问题的回溯算法。2讲授/编程实验课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。课程目标2：能够正确掌握求解实际人工智能相关领域中工程问题的经典计算机算法的原理和步骤，理解其基本思想、适用情形和基本步骤；能够正确使用伪码设计经典的计算机算法、并分析其复杂度；能够正确编写程序实现所设计的经典计算机算法，进而正确求解实际工程问题。7内容：分支限界法的基本概念，广度优先搜索分支限界算法、优先队列式分支限界算法，约束函数和限界函数的概念与设计，求解0-1背包问题的分支限界算法设计与Python程序实现。重点：约束函数和限界函数的概念与设计思路，优先队列式分支限界算法的基本思想，求解0-1背包问题的分支限界算法设计。难点：基于优先队列的分支限界法设计，约束函数和限界函数的概念与设计思想。理解分支限界法的基本概念，掌握0-1背包问题的广度优先和优先队列式分支限界算法（解空间树的两种搜索方法），能够针对给定的问题给出分支限界法的执行过程，能够正确编写程序实现0-1背包问题的分支限界算法。2讲授/编程实验课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。课程目标2：能够正确掌握求解实际人工智能相关领域中工程问题的经典计算机算法的原理和步骤，理解其基本思想、适用情形和基本步骤；能够正确使用伪码设计经典的计算机算法、并分析其复杂度；能够正确编写程序实现所设计的经典计算机算法，进而正确求解实际工程问题。8内容：分类分析和有监督学习的实际意义，决策树、支持向量机、贝叶斯分类的基本思想、算法设计与Python程序实现。重点：决策树的思想、构造方法与分类规则的提取，支持向量机的思想与模型训练，朴素贝叶斯分类的基本思想和算法设计。难点：决策树的构造，支持向量机的核函数与模型训练，朴素贝叶斯分类器训练，各分类算法的程序实现。理解分类算法的思想，掌握决策树分类算法、支持向量机分类算法和朴素贝叶斯分类算法的思想，能够正确编写程序实现以上分类算法。4讲授/小组编程实验/小组讨论课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。课程目标3：能够正确掌握求解分类、聚类、异常检测、频繁模式挖掘、链接分析、概率推理等问题的经典数据挖掘算法的原理、思想和步骤；能够理解数据驱动的理念，正确描述数据挖掘的工程问题；能够正确使用伪码设计经典的数据挖掘算法、并分析其复杂度；能够正确编写程序实现所设计的数据挖掘算法，进而正确求解实际中工程问题。9内容：聚类分析和无监督学习的基本思想，常用的聚类算法概述，k-均值聚类的思想和算法设计，基于MapReduce的并行k-均值聚类思想和算法设计，以及聚类算法的Python程序实现。重点：聚类分析的基本思想，k-均值聚类算法与程序实现。难点：k-均值聚类算法设计与程序实现。理解聚类分析和无监督学习的思想，理解k-均值算法，了解并行k-均值聚类算法，能够正确编写程序实现k-均值算法。3讲授/小组编程实验课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。课程目标3：能够正确掌握求解分类、聚类、异常检测、频繁模式挖掘、链接分析、概率推理等问题的经典数据挖掘算法的原理、思想和步骤；能够理解数据驱动的理念，正确描述数据挖掘的工程问题；能够正确使用伪码设计经典的数据挖掘算法、并分析其复杂度；能够正确编写程序实现所设计的数据挖掘算法，进而正确求解实际中工程问题。10内容：异常检测的应用背景和任务，局部异常因子算法，基于聚类的局部异常因子算法，以及算法的Python程序实现。重点：异常检测任务，异常因子算法的基本思想和算法步骤与Python程序实现。难点：异常因子算法的基本思想和算法步骤。理解异常检测的任务，掌握局部异常因子算法和基于聚类的局部异常因子算法的基本思想和算法步骤，能够正确编写程序实现以上算法。3讲授/小组讨论课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。课程目标3：能够正确掌握求解分类、聚类、异常检测、频繁模式挖掘、链接分析、概率推理等问题的经典数据挖掘算法的原理、思想和步骤；能够理解数据驱动的理念，正确描述数据挖掘的工程问题；能够正确使用伪码设计经典的数据挖掘算法、并分析其复杂度；能够正确编写程序实现所设计的数据挖掘算法，进而正确求解实际中工程问题。11内容：频繁模式挖掘的意义，频繁模式和关联规则的概念和性质，Apriori频繁模式挖掘算法的思想、主要步骤，关联规则生成，以及算法的Python程序实现。重点：频繁模式的概念和性质，Apriori频繁模式挖掘算法的思想、主要步骤。难点：频繁模式挖掘的概念、Apriori算法、算法的设计与实现。理解频繁模式和关联规则的概念，掌握Apriori算法的基本思想和算法步骤，能够正确使用Apriori算法对给定问题挖掘得到数据中的频繁模式和关联规则，能正确编写程序实现Apriori算法。3讲授/小组讨论课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。课程目标3：能够正确掌握求解分类、聚类、异常检测、频繁模式挖掘、链接分析、概率推理等问题的经典数据挖掘算法的原理、思想和步骤；能够理解数据驱动的理念，正确描述数据挖掘的工程问题；能够正确使用伪码设计经典的数据挖掘算法、并分析其复杂度；能够正确编写程序实现所设计的数据挖掘算法，进而正确求解实际中工程问题。12内容：链接分析的应用场景和基本概念，PageRank算法和基于MapReduce的并行PageRank算法思想、主要步骤和Python程序实现。重点：链接分析的基本概念，PageRank算法的基本思想、主要步骤和程序实现，基于PageRank算法的链接分析与网页权重计算思路。难点：链接分析的基本概念，PageRank算法、并行PageRank算法的基本你思想。理解链接分析的实际应用和基本概念，理解PageRank算法的基本思想和步骤，了解基于MapReduce的并行PageRank算法的基本思想，能正确使用PageRank算法求解给定的链接分析问题，能够正确编写程序实现PageRank算法。3讲授/小组讨论课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。课程目标3：能够正确掌握求解分类、聚类、异常检测、频繁模式挖掘、链接分析、概率推理等问题的经典数据挖掘算法的原理、思想和步骤；能够理解数据驱动的理念，正确描述数据挖掘的工程问题；能够正确使用伪码设计经典的数据挖掘算法、并分析其复杂度；能够正确编写程序实现所设计的数据挖掘算法，进而正确求解实际中工程问题。13内容：概率图模型、不确定性知识表示和概率推理、贝叶斯网的基本概念，贝叶斯网结构学习算法、贝叶斯网的精确推理和近似推理算法的思想、主要步骤和Python程序实现。重点：贝叶斯网的基本概念，基于贝叶斯网的不确定性知识表示的基本思想和基本理论，贝叶斯网的参数学习和结构学习、精确推理和近似推理算法思想和主要步骤。难点：基于贝叶斯网的不确定性知识表示的基本思想和基本理论，贝叶斯网的参数学习和结构学习、精确推理和近似推理算法思想和主要步骤。理解概率图模型、贝叶斯网网、不确定性知识表示与概率推理的基本概念，掌握贝叶斯网参数学习和结构学习算法，能够正确编写实现基于爬山法的贝叶斯网结构学习算法、基于变量消元法的精确推理算法和基于Gibbs采样的近似推理算法。3讲授/小组编程实验/小组讨论课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。课程目标3：能够正确掌握求解分类、聚类、异常检测、频繁模式挖掘、链接分析、概率推理等问题的经典数据挖掘算法的原理、思想和步骤；能够理解数据驱动的理念，正确描述数据挖掘的工程问题；能够正确使用伪码设计经典的数据挖掘算法、并分析其复杂度；能够正确编写程序实现所设计的数据挖掘算法，进而正确求解实际中工程问题。14内容：人工神经网络、神经元模型、感知机、多层神经网络、深度学习的概念，深度学习技术的基本框架、模型构建和训练的基本思路。重点：人工神经网络概念、神经元模型、感知机、多层神经网络、反向传播算法。难点：神经元模型，感知机，多层神经网络，反向传播算法。理解人工神经网络、神经元模型、感知机、多层神经网络的概念，掌握反向传播算法，掌握深度神经网络模型构建和训练的一般步骤和基本思路。3讲授/翻转课堂课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。课程目标4：能够正确掌握求解异常检测、数据降维、目标检测、问答系统和图分析等问题的经典深度学习算法的原理和步骤；能够理解深度神经网络的基本框架和深度学习算法的基本思想和理念，正确描述上述智能分析的工程问题；能够正确使用伪码设计经典的深度学习算法、并分析其复杂度；能够正确编写程序实现所设计的深度学习算法，进而正确求解实际中工程问题。15内容：数据降维的基本概念，自编码器、变分自编码器、生成对抗网络几类用于数据降维的深度神经网络模型的结构、思想和训练算法，以及模型训练的Python程序实现。重点：自编码器、变分自编码器、生成对抗网络几类用于数据降维的深度神经网络模型的结构、思想和训练算法。难点：自编码器、变分自编码器、生成对抗网络模型的基本思想、适用场景、模型训练时的损失函数。理解数据降维的概念和任务，理解自编码器、变分自编码器、生成对抗网络几类用于数据降维的深度神经网络模型的基本思想，掌握自编码、变分自编码器、生成对抗网络模型的训练方法，能够正确编写程序实现模型的训练和针对给定数据的降维处理任务。4讲授/翻转课堂课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。课程目标4：能够正确掌握求解异常检测、数据降维、目标检测、问答系统和图分析等问题的经典深度学习算法的原理和步骤；能够理解深度神经网络的基本框架和深度学习算法的基本思想和理念，正确描述上述智能分析的工程问题；能够正确使用伪码设计经典的深度学习算法、并分析其复杂度；能够正确编写程序实现所设计的深度学习算法，进而正确求解实际中工程问题。16内容：目标检测的概念和任务，以卷积神经网络为代表的目标检测深度学习算法思想，卷积神经网络模型和训练算法，YOLO模型的基本思想和训练算法，以及模型训练的Python程序实现。重点：卷积神经网络模型结构、训练和预测，YOLO网络模型、损失函数和训练算法。难点：卷积神经网络和YOLO模型的结构和训练。理解目标检测的主要任务，掌握卷积神经网络、YOLO模型的结构、基本思想和训练算法，理解模型训练中的前向传播、极大值抑制、损失函数计算、反向传播等主要步骤的思想，能够正确编写程序实现模型的训练和针对给定数据的目标检测任务。3讲授/翻转课堂课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。课程目标4：能够正确掌握求解异常检测、数据降维、目标检测、问答系统和图分析等问题的经典深度学习算法的原理和步骤；能够理解深度神经网络的基本框架和深度学习算法的基本思想和理念，正确描述上述智能分析的工程问题；能够正确使用伪码设计经典的深度学习算法、并分析其复杂度；能够正确编写程序实现所设计的深度学习算法，进而正确求解实际中工程问题。课程目标5：能够针对实际中的工程问题对所学算法进行正确的理论分析，理解各类算法的适用场景和设计思路；能够针对问题的特点和性质，正确使用伪码设计不同的算法，并进行分析比较，识别其异同和优劣，并能对所设计的算法进行正确的改进；能够正确编写程序实现所设计的深度学习算法，并进行合理的实验对比和性能评估。17内容：问答系统的应用场景和任务，循环神经网络、长短时记忆网络模型的结构、基本思想和训练算法，以及基于长短时记忆模型实现问答系统的主要步骤，以及模型的Python程序实现。重点：循环神经网络、长短时记忆网络模型的结构和训练算法。难点：环神经网络、长短时记忆网络模型的结构和训练。理解问答系统的主要任务，掌握循环神经网络型和长短时记忆网络模型的结构、基本思想和训练算法，理解模型训练中的相关超参数和函数计算的作用，能够正确编写程序实现模型的训练和给定的问答系统构建任务。3讲授/翻转课堂课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。课程目标4：能够正确掌握求解异常检测、数据降维、目标检测、问答系统和图分析等问题的经典深度学习算法的原理和步骤；能够理解深度神经网络的基本框架和深度学习算法的基本思想和理念，正确描述上述智能分析的工程问题；能够正确使用伪码设计经典的深度学习算法、并分析其复杂度；能够正确编写程序实现所设计的深度学习算法，进而正确求解实际中工程问题。课程目标5：能够针对实际中的工程问题对所学算法进行正确的理论分析，理解各类算法的适用场景和设计思路；能够针对问题的特点和性质，正确使用伪码设计不同的算法，并进行分析比较，识别其异同和优劣，并能对所设计的算法进行正确的改进；能够正确编写程序实现所设计的深度学习算法，并进行合理的实验对比和性能评估。18内容：图分析任务和应用场景，用于图分析任务的图神经网络模型的基本思想，图卷积网络模型的结构、基本思想和训练算法，基于图神经网络实现图节点分类的主要步骤，以及模型的Python程序实现。重点：用于图分析任务的图神经网络模型的基本思想，图卷积网络模型的结构、基本思想和训练算法，基于图神经网络实现图节点分类的主要步骤。难点：用于图分析任务的图神经网络模型的基本思想，图卷积网络模型的结构、基本思想和训练。理解图分析任务和相关概念，理解基于深度学习模型进行图分析的基本思想和一般步骤，掌握图卷积网络模型的结构、基本思想和训练方法，能够正确编写程序实现模型的训练和给定的图节点分类任务。3讲授/翻转课堂课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。课程目标4：能够正确掌握求解异常检测、数据降维、目标检测、问答系统和图分析等问题的经典深度学习算法的原理和步骤；能够理解深度神经网络的基本框架和深度学习算法的基本思想和理念，正确描述上述智能分析的工程问题；能够正确使用伪码设计经典的深度学习算法、并分析其复杂度；能够正确编写程序实现所设计的深度学习算法，进而正确求解实际中工程问题。课程目标5：能够针对实际中的工程问题对所学算法进行正确的理论分析，理解各类算法的适用场景和设计思路；能够针对问题的特点和性质，正确使用伪码设计不同的算法，并进行分析比较，识别其异同和优劣，并能对所设计的算法进行正确的改进；能够正确编写程序实现所设计的深度学习算法，并进行合理的实验对比和性能评估。

课程考核序号课程目标（支撑毕业要求指标点）评价依据及成绩比例（%）成绩比例(%)课后作业编程实验/设计性实验讨论/翻转课堂考试1课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。10110122课程目标2：能够正确掌握求解实际人工智能相关领域中工程问题的经典计算机算法的原理和步骤，理解其基本思想、适用情形和基本步骤；能够正确使用伪码设计经典的计算机算法、并分析其复杂度；能够正确编写程序实现所设计的经典计算机算法，进而正确求解实际工程问题。44220303课程目标3：能够正确掌握求解分类、聚类、异常检测、频繁模式挖掘、链接分析、概率推理等问题的经典数据挖掘算法的原理、思想和步骤；能够理解数据驱动的理念，正确描述数据挖掘的工程问题；能够正确使用伪码设计经典的数据挖掘算法、并分析其复杂度；能够正确编写程序实现所设计的数据挖掘算法，进而正确求解实际中工程问题。27212234课程目标4：能够正确掌握求解异常检测、数据降维、目标检测、问答系统和图分析等问题的经典深度学习算法的原理和步骤；能够理解深度神经网络的基本框架和深度学习算法的基本思想和理念，正确描述上述智能分析的工程问题；能够正确使用伪码设计经典的深度学习算法、并分析其复杂度；能够正确编写程序实现所设计的深度学习算法，进而正确求解实际中工程问题。27310225课程目标5：能够针对实际中的工程问题对所学算法进行正确的理论分析，理解各类算法的适用场景和设计思路；能够针对问题的特点和性质，正确使用伪码设计不同的算法，并进行分析比较，识别其异同和优劣，并能对所设计的算法进行正确的改进；能够正确编写程序实现所设计的深度学习算法，并进行合理的实验对比和性能评估。122813合计10201060100教材及参考资料[1]胡矿,岳昆,段亮,武浩.人工智能算法（Python语言版）[M],北京:清华大学出版社,2022.[2]LevitinA.著,潘彦译.算法设计与分析基础（第三版）[M],北京:清华大学出版社,2015.[3]BlumA,HopcroftJ,KannanR.Foundationsofdatascience[M].CambridgeUniversityPress,2020.[4]岳昆.数据工程——处理、分析与服务[M].北京:清华大学出版社,2013.[5]王晓东.算法设计与分析[M].北京:清华大学出版社,2014.[6]HANJ.,KAMBERM.,PEIJ.著,范明,孟小峰译.数据挖掘：概念与技术（第3版）[M].北京:机械工业出版社,2012.[7]GOODFELLOWI.,BENGIOY.,COURVILLEA.著,赵申剑,黎彧君,符天凡,等译.深度学习[M].北京:人民邮电出版社,2017.

附录1：各类考核评分标准表教学目标要求评分标准权重(%)90-10080-8960-790-59课程目标1：能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度，对程序的时空开销给出量化分析结果；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想、复杂性分析方法异同。能够准确识别实际人工智能相关领域工程应用中的算法问题、并给出问题的形式化描述；能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论，分析给定算法的时空复杂度；能够理解算法的分类体系，区分各类算法的适用场景和优缺点、设计原理和思想。能够准确识别实际人工智能相关领域工程应用中的算法问题；基本能够理解算法的内涵，掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论；能够理解算法的分类体系。基本能够准确识别实际人工智能相关领域工程应用中的算法问题；不能够全面理解算法的内涵、没有掌握算法的基本表达方式，算法效率、算法复杂性分析的概念和理论；不能能够全面理解算法的分类体系。20课程目标2：能够正确掌握求解实际人工智能相关领域中工程问题的经典计算机算法的原理和步骤，理解其基本思想、适用情形和基本步骤；能够正确使用伪码设计经典的计算机算法、并分析其复杂度；能够正确编写程序实现所设计的经典计算机算法，进而正确求解实际工程问题。能够正确掌握求解实际人工智能相关领域中工程问题的经典计算机算法的原理和步骤，理解其基本思想、适用情形和基本步骤；能够正确设计经典的计算机算法且使用伪码描述，并分析其复杂度；能够正确编写程序实现所设计的经典计算机算法，并正确求解实际工程问题。能够正确掌握求解实际人工智能相关领域中工程问题的经典计算机算法的原理和步骤，理解其基本思想、适用情形和基本步骤；能够正确设计经典的计算机算法且使用伪码描述；能够正确编写程序实现所设计的经典计算机算法。能够正确掌握求解实际人工智能相关领域中工程问题的经典计算机算法的原理和步骤，理解其基本思想、适用情形和基本步骤；基本能够正确设计经典的计算机算法且使用伪码描述，并编写程序实现。基本能够正确掌握求解实际人工智能相关领域中工程问题的经典计算机算法的原理和步骤；不能够正确完整地理解其基本思想、适用情形和基本步骤；不能够正确使用伪码描述设计经典的计算机算法；不能够正确编写程序实现经典计算机算法。25课程目标3：能够正确掌握求解分类、聚类、异常检测、频繁模式挖掘、链接分析、概率推理等问题的经典数据挖掘算法的原理、思想和步骤；能够理解数据驱动的理念，正确描述数据挖掘的工程问题；能够正确使用伪码设计经典的数据挖掘算法、并分析其复杂度；能够正确编写程序实现所设计的数据挖掘算法，进而正确求解实际中工程问题。能够正确掌握求解分类、聚类、异常检测、频繁模式挖掘、链接分析、概率推理等问题的经典数据挖掘算法的原理、思想和步骤；能够理解数据驱动的理念，正确描述数据挖掘的工程问题；能够正确设计经典的数据挖掘算法且使用伪码描述、并分析其复杂度；能够正确编写程序实现所设计的数据挖掘算法。能够正确掌握求解分类、聚类、异常检测、频繁模式挖掘、链接分析、概率推理等问题的经典数据挖掘算法的原理；基本能够理解数据驱动的理念，正确描述数据挖掘的工程问题；能够正确设计经典的数据挖掘算法且使用伪码描述；能够正确编写程序实现所设计的数据挖掘算法。能够正确掌握求解分类、聚类、异常检测、频繁模式挖掘、链接分析、概率推理等问题的