人工智能基础教学方案课程教学方案（人工智能基础）32

附件1：课程教学方案（2019-2020学年度第2学期）课程名称：人工智能基础开课单位：任课教师：专业班级：填表日期：教务处制表填写说明本表应根据《课程教学大纲》编制，是教师授课的依据和学生课程学习的概要，也是学校和学院（部）进行教学检查、评价课堂教学质量和考试命题质量的重要依据。2.表中“课程类型”勾选通识教育必修课、通识教育选修课、专业必修课、专业选修课、学科基础课及模块化实践教学等，“考核方式”须与《课程教学大纲》中要求一致。“校历周次”同一周次合并填写，“授课日期”填写该周时间跨度，“学时数”以单次授课学时数为单位进行填写；“授课方式”栏主要填写讲授、多媒体教学、录像示教、上机实训、练习、实验、讨论等内容；“作业/辅导”填写课后练习题、课后思考题、课程论文、调查报告、实验报告、读书报告、查阅文献等；“备注”栏，填写调课、补课情况。教学进度表最后应填写考试时间，考试课统一在18周和19周安排考试，考查课可随堂考试，或另行安排。本表经科目组组长审核后，不得随意变动。如需调整，应经科目组组长同意方可执行。教学进度表正文部分中文统一使用宋体，英文使用TimesNewRoman，字号为五号字，行间距用最小值。本表一式三份（可复印）。经审核后，任课教师、学院（部）、教务处各留一份。基本信息开课单位信息工程学院课程名称人工智能英文名称Basisofartificialintelligence课程编码课程类型□通识课程（□必修、□选修）R专业课程（□必修、R选修）□学科基础课□模块化实践课程学分2专业班级无总学时36理论学时24实践与实验学时12课程简介（200字左右）人工智能迎来了第三次高潮，正受到前所未有的重视，教育部已经申请将人工智能上升为一级学科，军事领域将其视为未来战争胜利的决定因素之一，而国家则将其列为国家发展的战略目标之一。所以，处在人工智能大发展的潮流中的大学生，必须对人工智能有所了解。本课程作为人工智能入门和普及人工智能基础知识的课程。要求学生掌握人工智能的基本概念和基本技能，掌握利用人工智能解决问题的基本方法，并了解人工智能的研究最新进展和热门研究课题，如AlphaGo下棋的搜索原理、卷积神经网络、深度学习、大数据和云计算以及当前流行的人工智能开源工具等，掌握人工智能基本技术，为以后从事IT行业的工作打下人工智能方面的基本技能的基础。教材名称人工智能入门作者:朱福喜；出版社:清华大学出版社；出版时间:2021年06月

学习成果预期成果完成该课程学习,学生应该能够：掌握人工智能的基本概念，对人工智能的整体知识结构有一个基本了解；B.掌握人工智能基本技术，掌握利用人工智能解决问题的基本方法；C.掌握人工智能的基础编程，能够用编程解决一些实际问题；D.了解人工智能的最新进展及发展方向，为今后继续深造或就业打下基础；E.具有运用人工智能技术解决实际问题的能力。考核方式具体评价方法所占百分比要评估的学习成果ABCDE.行程式评估1、考勤成绩10%2、实验成绩20%√√√√√3、测试成绩30%√√√终结性考核（期末考试）□考试（□试卷考核□非试卷考核）R考查（□试卷考核R非试卷考核）40%√总计100%教学进度校历周次授课日期学时教学内容安排教学方式及其手段作业/辅导备注19月2日至9月8日2第1章人工智能概述AI的产生背景及主要学派无处不在的人工智能讲授29月9日至9月15日2第2章用搜索求解问题搜索求解问题的基本思路搜索的几种基本策略盲目的搜索方法启发式搜索多媒体教学复习39月16日至9月20日2第3章图搜索算法 3.1或图搜索策略 3.1.1或图搜索算法 3.1.2A算法与A*算法 多媒体教学49月23日至9月27日2第3章图搜索算法 3.2与/或图搜索 3.2.1问题归约求解方法与“与/或图”3.2.2与/或图的构造方法 3.2.3与/或图的搜索过程 3.2.4与/或图搜索算法AO* 3.2.5用AO*算法求解一个智力问题 讲授实验3．4复习题59月30日至10月6日2第4章博弈与搜索 4.1博弈问题 4.2极小极大搜索算法 4.2.1极小极大搜索的思想 4.2.2极小极大搜索算法 4.2.3算法分析与举例 4.3α-β剪枝算法 讲授实验4.11复习题610月7日至10月11日2第4章博弈与搜索 4.4AlphaGo搜索策略 4.4.1围棋博弈程序的发展 4.4.2AlphaGo博弈树搜索算法的改进 4.4.3MCTS算法的四个基本步骤多媒体教学710月21日至10月27日第5章演化计算与遗传算法 5.1演化计算与演化算法 5.1.1演化算法的基本结构 5.1.2演化算法的设计 5.1.3演化算法的特点 5.2遗传算法 5.2.1遗传算法的基本结构 5.2.2遗传算法的实现 5.2.3遗传算法举例 810月21日至10月27日2第6章群集智能 6.1粒子群优化算法 6.1.1粒子群优化算法的基本结构6.1.2PSO算法的实现6.1.3PSO算法应用实例 讲授实验6.7复习题910月21日至10月27日2第6章群集智能 6.2蚁群优化6.2.1蚁群优化的原理 6.2.2蚁群优化算法 6.2.3ACO算法应用实例 多媒体教学1010月21日至10月27日2第7章经典逻辑知识表示和推理7.1产生式知识表示及推理 7.1.1产生式系统的组成 7.1.2产生式系统的知识表示 7.1.3产生式系统的推理方式 7.1.4产生式规则的选择与匹配7.1.5产生式知识表示的特点 7.2命题知识表示及推理方法 7.2.1基本概念7.2.2命题演算的归结方法 1110月21日至10月27日2第7章经典逻辑知识表示和推理7.3谓词逻辑知识表示及推理 7.3.1知识的谓词逻辑表示法 7.3.2谓词逻辑自动推理的基本问题7.3.3将公式化成标准子句形式的步骤 7.3.4合一算法7.3.5谓词逻辑的归结算法7.3.6推理中的相等意义的转换策略讲授实验9.10复习题1210月21日至10月27日2第8章非经典逻辑知识表示与推理 18.1非单调推理 18.1.1单调推理与非单调推理的概念 18.1.2默认逻辑 28.2Dempster-Shater（D-S）证据理论 38.2.1.识别框架（FrameofDiscriminate） 38.2.2基本概率分配函数(BasicprobabilisticAssignment)BPA 38.2.3置信函数Bel(A)（FunctionofBelief） 48.2.4置信区间 48.2.5证据的组合函数 58.2.6Dempster-shafar证据理论的评价 58.3不确定性推理 58.3.1不确定性 68.3.2主观概率贝叶斯方法(BayesianApproaches) 78.4模糊推理 98.4.1模糊推理的基本理论 108.4.2Fuzzy逻辑 18多媒体教学10.7复习题1310月21日至10月27日29.1人工神经网络的基本概念 29.1.1人工神经网络的定义 29.1.2人工神经网络的基本原理 39.1.3人工神经网络互连结构 79.1.4神经网络模型分类 99.2几种典型的神经网络简介 109.2.1单层前向网络 109.2.2多层前向网络及BP学习算法 149.2.3Hopfield神经网络 189.3卷积神经网络 229.3.1卷积神经网络的结构 239.3.2参数减少与权值共享 249.3.3池化 269.3.4全连接层 279.4神经网络的应用领域 27讲授实验12.9复习题实验报告1410月21日至10月27日2第10章机器学习与深度学习 110.1概述 110.1.1机器学习的定义和意义 110.1.2机器学习的研究简史 110.1.3机器学习方法的分类 310.1.4机器学习中的推理方法 410.2归纳学习 510.2.1归纳概念学习的定义 610.2.3归纳概念学习算法的一般步骤 810.2.4归纳概念学习的基本技术 1010.3基于类比的学习 1510.3.1类比学习的一般原理 1510.3.2类比学习的表示 1510.3.3类比学习的求解 1710.4深度学习 1810.4.1什么是深度学习 1810.4.2特征提取 2010.4.3自动特征提取 2110.4.4深度学习直观理解 22多媒体教学14.8复习题1510月21日至10月27日2第11章数据挖掘与Web挖掘 111.1一般数据挖掘方法 111.1.1数据挖掘的定义 111.1.2数据挖掘研究的主要内容 211.1.3数据挖掘的任务 311.1.4数据挖掘的特点 511.1.5数据挖掘常用的技术 511.1.6数据挖掘过程 611.2关联规则挖掘 611.2.1问题的形式化描述 711.2.2挖掘步骤 811.2.3Apriori算法 1011.2.4实例与分析 1211.3聚类分析 1411.3.1聚类分析的定义 1411.3.2聚类分析的主要步骤 1511.3.3聚类分析的几种主要的算法 1611.3.4聚类分析的应用领域 1811.4Web挖掘 1811.4.1Web挖掘概述 1811.4.2Web内容挖掘 1911.4.3Web结构挖掘 2111.4.4Web使用挖掘 22讲授实验16.10复习题1610月21日至10月27日2第12章大数据与云计算 112.1认识大数据 112.2从理论维度认识大数据 112.2.1大数据的定义 212.2.2大数据的特征 212.2.3大数据的价值 312.2.4大数据的发展趋势 612.3从技术的维度认识大数据与云计算 712.3.1云计算的定义及要解决的问题 712.3.2云计算与虚拟化 812.3.3云存储与云网络 912.3.4私有云、公有云与云平台 912.3.