教学大纲-人工智能基础及应用-9-23-2021

人工智能基础及应用教学大纲课程基本信息课程编号x课程中文名称人工智能基础及应用课程英文名称Artificialintelligencefoundationandapplication课程类别□公共基础课程□通识教育课程□大类基础课程□专业基础课程□专业课程□实践环节□个性化教育课程课程性质□必修课□选修课学时学分总学时x（理论x、实验x），x学分开课单位x学院适用专业x考核方式及说明考试方式□考试□考查成绩录入□百分制□五级分制□二级分制课程最终的成绩评定包括三部分：课堂提问及作业成绩、实验成绩、试卷成绩课程最终的成绩评定=课堂提问及作业成绩×10%+实验成绩×20%+期末试卷成绩×70%1课堂提问及作业成绩占10％，以每章作业为主，课堂问答作为补充；2实验成绩20%，以实验报告为主，实验过程表现作为补充，；3期末成绩占70%，考核基础知识的理解、掌握与应用能力，以指定教材内容为主，考察学生知识的掌握与应用能力。先修课程高等数学(1)、高等数学(2)、概率论、线性代数、模拟电子技术、自动控制原理选用教材宋永端，人工智能基础及应用，清华大学出版社，2021年2月第1版主要教学参考书[1]同济大学数学系.高等数学上下册（第6版）北京:高等教育出版社,2007[2]李航.统计学习方法[M].北京:清华大学出版社,2012[3]周志华，机器学习[M].北京:清华大学出版社,2016

课程说明根据人工智能专业规范要求，本课程主要介绍人工智能的发展历史与国内外研究现状、相关的基础数学知识、不同的人工智能技术以及具体的应用实例。其中人工智能技术涉及机器学习、支持向量机、神经网络和分类与聚类。课程目标课程目标对应毕业要求支撑强度课程目标1：深入了解人工智能的定义、发展历史及三大主要学派；了解人工智能国内外的研究现状、主要的技术难点与挑战、未来的发展趋势。问题识别：能将人工智能的发展与现代智能技术紧密联系在一起，并对未来人工智能的趋势和挑战做合理预测。H课程目标2：掌握高等数学基础知识，并理解线性回归原理和支持向量机；能从机器学习和统计学角度掌握线性回归模型的建立方法；掌握线性可分支持向量机、线性支持向量机的最大间隔分离超平面和分类决策函数求法；掌握非线性支持向量机的分类决策函数求法。综合运用：能利用高数知识理解线性回归原理和支持向量机原理，并且能利用支持向量机对一些简单的数据进行分类处理。H课程目标3：了解神经网络的组成单元、基本结构；掌握常见的几种神经网络之间的特点与区别；能利用梯度下降算法找到神经网络的最优参数；能利用各种神经网络解决简单的分类识别问题。了解分类与聚类的基本思想；能够利用判别函数法，参数估计法，非参数估计法对样本进行分类；对于未知样本，能够掌握几种常见的聚类算法。实验验证：掌握各种神经网络（卷积神经网络、循环神经网络等）的训练算法，并利用其进行手写识别和情感分类的验证，能利用常见的聚类算法进行聚类。H教学目标、内容与学时分配1授课环节教学单元教学内容学时课程目标第1章人工智能简介1人工智能定义；2人工智能发展历史与三大学派；3国内外发展现状、挑战与未来趋势。x课程目标1第2章数学基础1矩阵及其运算；2导数与微分；3泰勒展开式；4梯度及其运算；5概率论相关知识。x课程目标2第3章机器学习的起点：线性回归1线性回归模型建立；2线性回归原理。x课程目标2第4章支持向量机1线性可分支持向量机；2线性支持向量机；3非线性支持向量机。x课程目标2第5章神经网络及基本结构1神经元介绍；2感知机；3神经网络的基本结构；4反向传播；5梯度下降算法。x课程目标3第6章卷积神经网络1卷积神经网络发展历史；2卷积神经网络结构；3卷积神经网络常用的损失函数；4卷积神经网络常用的训练算法。x课程目标3第7章循环神经网络1循环神经网络原理；2长期依赖问题及优化；3基于门结构的循环神经网络；4注意力机制。x课程目标3第8章分类与聚类1基于判别函数的分类方法；2基于已知样本类别的分类方法；3基于未知样本类别的聚类方法。x课程目标3第9章应用实例1MATLAB基础；2几个典型案例：房价预测；支持向量机的二分类应用；豆瓣读书评价分析；手写数字识别；基于循环神经网络的情感分类；国民健康状况研究。x课程目标2课程目标3总学时xx2实验环节实验项目实验内容学时课程目标1.支持向量机的应用实例验证1.加载数据集并选定训练集和测试集；2.为训练集和测试集选定标签集；3.利用训练集进行训练分类得到模型；4.根据模型对测试集进行测试，得到准确率。x课程目标32.神经网络的实例验证1.加载数据集；2.定义神经网络结构和设置参数；3.训练相应的神经网络；4.利用训练后的神经网络进行分类或识别；5.计算准确率。x3.C均值法聚类分析验证1.采集并整理数据集；2.选择初始聚类点；3.分类处理。x总学时xx考核环节设置课程目标考核环节及分值考核形式与内容考试100%作业100%实验100%课程目标1：深入了解人工智能的定义、发展历史及三大主要学派；了解人工智能国内外的研究现状、主要的技术难点与挑战、未来的发展趋势。20%20%0考试：以填空题和选择题形式，用于考查学生对人工智能发展历史和主要技术难点的了解程度。作业：以课后问答题形式，从回答准确性、合理性等方面进行评价。课程目标2：掌握高等数学基础知识，并理解线性回归原理和支持向量机；能从机器学习和统计学角度掌握线性回归模型的建立方法；掌握线性可分支持向量机、线性支持向量机的最大间隔分离超平面和分类决策函数求法；掌握非线性支持向量机分类决策函数求法。40%40%50%考试：以填空题和计算题形式为主，考查学生运用线性回归原理与支持向量机知识，预测和识别简单人工智能工程问题的关键特征与关键环节的能力。作业：以课后问答题和计算题形式，从计算和回答准确性、合理性等方面进行评价。实验报告：以提交实验报告的形式，从实验目的、实验原理、实验方案、实验过程控制、数据采集和记录、实验数据分析等方面进行评价。课程目标3：了解神经网络的组成单元、基本结构；掌握常见的几种神经网络之间的特点与区别；能利用梯度下降算法找到神经网络的最优参数；能利用各种神经网络解决简单的分类识别问题。了解分类与聚类的基本思想；能够利用判别函数法，参数估计法，非参数估计法对样本进行分类；对于未知样本，能够掌握几种常见的聚类算法。40%40%50%考试：以课后问答题和计算题形式为主，考查学生运用神经网络和聚类算法解决复杂工程问题的思辨能力。作业：以课后问答题和计算题形式，从计算和回答准确性、合理性等方面进行评价。实验报告：以提交实验报告的形式，从实验目的、实验原理、实验方案、实验过程控制、数据采集和记录、实验数据分析等方面进行评价。备注课程最终的成绩评定=作业成绩×10%+实验成绩×20%+期末试卷成绩×70%注：各目标考核分数值根据每年的具体情况可有±10%的浮动。课程负责人：专业负责人：年月日年月日附件1应用实例代码第3章：房价预测x=[2000,2001,2002,2003,2004,2005,2006,2007,2008,2009,2010,2011,2012,2013];y=[2.000,2.500,2.900,3.147,4.515,4.903,5.365,5.704,6.853,7.971,8.561,10.000,11.280,12.900];X=[ones(length(y),1),x'];Y=y';[b,bint,r,rint,stats]=regress(Y,X);b,bint,statsrcoplot(r,rint)%残差分析z=b(1)+b(2)*x;plot(x,Y,'k+',x,z,'r')%预测并作图第4章：支持向量机的二分类应用clearall;clc;loadbedroom.matloadforest.matDataset=[bedroom;MITforest];%dataset是将bedroom和forest合并loadlabelset.mat%导入分类标签集train_set=[dataset(1:5,:);dataset(11:15,:)];%将bedroom.mat的1-5行数据以及forest.mat的11-15行数据做为训练集train_set_labels=[lableset(1:5);lableset(11:15)];%相应的训练集的标签也要分离出来test_set=[dataset(6:10,:);dataset(16:20,:)];%将bedroom.mat的6-10行数据以及forest.mat的16-20行数据做为测试集test_set_labels=[lableset(6:10);lableset(16:20)];%相应的测试集的标签也要分离出来%%数据预处理,将训练集和测试集归一化到[0,1]区间[mtrain,ntrain]=size(train_set);[mtest,ntest]=size(test_set);test_dataset=[train_set;test_set];[dataset_scale,ps]=mapminmax(test_dataset',0,1);%mapminmax为MATLAB自带的归一化函数dataset_scale=dataset_scale';train_set=dataset_scale(1:mtrain,:);test_set=dataset_scale((mtrain+1):(mtrain+mtest),:);%%SVM网络训练model=svmtrain(train_set_labels,train_set,'-c1-g0.07');%%SVM网络预测[predict_label]=svmpredict(test_set_labels,test_set,model);%%结果分析%测试集的实际分类和预测分类图%通过图可以看出没有一个测试样本被错分figure;holdon;plot(test_set_labels,'o');plot(predict_label,'r*');xlabel('测试集样本','FontSize',12);ylabel('类别标签','FontSize',12);legend('实际测试集分类','预测测试集分类');title('测试集的实际分类和预测分类图','FontSize',12);gridon;第5章：豆瓣读书评价分析clcclearallcloseall%%载入输出和输入数据loadtrain.txt;loadtrain.txt;%%保存数据到matlab的工作路径里面savep.mat;savet.mat;%注意t必须为行向量p=p;t=t;%赋值给输出p和输入t%%数据的归一化处理，利用mapminmax函数，使数值归一化到[-1.1]之间，该函数使用方法如下：[y,ps]=mapminmax(x,ymin,ymax)，x为需归一化的数据输入，ymin，ymax为需归一化到的范围，不填默认为归一化到[-1,1]，返回归一化后的值y，以及参数ps，ps在结果反归一化中，需要调用[p1,ps]=mapminmax(p);[t1,ts]=mapminmax(t);%%确定训练数据，测试数据,一般是随机的从样本中选取70%的数据作为训练数据，15%的数据作为测试数据，一般是使用函数dividerand，其一般的使用方法如下：%[trainInd,valInd,testInd]=dividerand(Q,trainRatio,valRatio,testRatio)[trainsample.p,valsample.p,testsample.p]=dividerand(p,0.7,015,015);[trainsample.t,valsample.t,testsample.t]=dividerand(t,0.7,015,015);%%建立反向传播算法的BP神经网络，使用newff函数，其一般的使用方法如下：net=newff(minmax(p)，[隐层的神经元的个数，输出层的神经元的个数]，{隐层神经元的传输函数，输出层的传输函数｝，('反向传播的训练函数'),其中p为输入数据，t为输出数据，tf为神经网络的传输函数，默认为'tansig'函数为隐层的传输函数，purelin函数为输出层的传输函数，一般在这里还有其他的传输的函数一般的如下，如果预测出来的效果不是很好，可以调节：%TF1='tansig';TF2='logsig';%TF1='logsig';TF2='purelin';%TF1='logsig';TF2='logsig';%TF1='purelin';TF2='purelin';TF1='tansig';TF2='purelin';net=newff(minmax(p),[10,1],{TF1TF2},'traingdm');%网络创建%%网络参数的设置net.trainParam.epochs=10000;%训练次数设置net.trainParam.goal=1e-7;%训练目标设置net.trainParam.lr=0.01;%%学习率设置,应设置为较少值，太大虽然会在开始加快收敛速度，但临近最佳点时，会产生动荡，而致使无法收敛net.trainParam.mc=0.9;%动量因子的设置，默认为0.9net.trainParam.show=25;%显示的间隔次数%%指定训练参数%net.trainFcn='traingd';%梯度下降算法%net.trainFcn='traingdm';%动量梯度下降算法%net.trainFcn='traingda';%变学习率梯度下降算法%net.trainFcn='traingdx';%变学习率动量梯度下降算法net.trainFcn='traingd';[net,tr]=train(net,trainsample.p,trainsample.t);%%计算仿真，其一般用sim函数[normtrainoutput,trainPerf]=sim(net,trainsample.p,[],[],trainsample.t);%训练的数据，根据BP得到的结果[normvalidateoutput,validatePerf]=sim(net,valsample.p,[],[],valsample.t);%验证的数据，经BP得到的结果[normtestoutput,testPerf]=sim(net,testsample.p,[],[],testsample.t);%测试数据，经BP得到的结果%%将所得的结果进行反归一化，得到其拟合的数据trainoutput=mapminmax('reverse',normtrainoutput,ts);validateoutput=mapminmax('reverse',normvalidateoutput,ts);testoutput=mapminmax('reverse',normtestoutput,ts);%%正常输入的数据的反归一化的处理，得到其正式值trainvalue=mapminmax('reverse',trainsample.t,ts);%正常的验证数据validatevalue=mapminmax('reverse',valsample.t,ts);%正常的验证的数据testvalue=mapminmax('reverse',testsample.t,ts);%正常的测试数据第6章：手写数字识别%%在matlab工作空间中加载MNIST数据集，数据集中包含10000张图像，0到9中每个数字的图像均为1000张：digitDatasetPath=fullfile(matlabroot,'toolbox','nnet','nndemos','nndatasets','DigitDataset');imds=imageDatastore(digitDatasetPath,'IncludeSubfolders',true,'LabelSource','foldernames');%%对MNIST数据集进行显示：figure;perm=randperm(10000,20);fori=1:20 subplot(4,5,i); imshow(imds.Files{perm(i)});end%%可以通过如下代码获取每张图片的尺寸：img=readimage(imds,1);size(img)%%获取到每张图片的宽为28，高也为28。将数据集拆分为训练数据集和测试数据集，其中训练数据集的图像占75%，测试数据集占25%：numTrainFiles=750;[imdsTrain,imdsValidation]=splitEachLabel(imds,numTrainFiles,'randomize');%%定义卷积神经网络结构，该卷积神经网络包括三个卷积层：layers=[imageInputLayer([28281])convolution2dLayer(3,8,'Padding','same')batchNormalizationLayerreluLayermaxPooling2dLayer(2,'Stride',2)convolution2dLayer(3,16,'Padding','same')batchNormalizationLayerreluLayermaxPooling2dLayer(2,'Stride',2)convolution2dLayer(3,32,'Padding','same')batchNormalizationLayerreluLayerfullyConnectedLayer(10)softmaxLayerclassificationLayer];%%训练神经网络的算法是基于动量的随机梯度下降算法，超参数在程序中设置options=trainingOptions('sgdm','InitialLearnRate',0.01,'MaxEpochs',4,'Shuffle','every-epoch','ValidationData',imdsValidation,'ValidationFrequency',30,'Verbose',false,'Plots','training-progress');%%训练神经网络net=trainNetwork(imdsTrain,layers,options);%%训练后的卷积神经网络准确率YPred=classify(net,imdsValidation);YValidation=imdsValidation.Labels;accuracy=sum(YPred==YValidation)/numel(YValidation)%卷积神经网络经过训练后，对手写数字的识别准确率是accuracy=0.9884第7章：基于循环神经网络的情感分类[XTrain,YTrain]=ChnSentiCorpTrainData;%加载训练数据numObservations=numel(XTrain);%获取每个输入训练数据的长度fori=1:numObservationssequence=XTrain{i};sequenceLengths(i)=size(sequence,2);end[sequenceLengths,idx]=sort(sequenceLengths);%将序列按照长度排序XTrain=XTrain(idx);YTrain=YTrain(idx);miniBatchSize=16;%设置mini-batch大小为16inputSize=200;%输入大小为输入数据维度200numHiddenUnits=200;%双向LSTM隐藏单元数200numClasses=2;%输出大小为2的全连接层，后跟softmax层和分类层maxEpochs=100;%训练轮数100%%定义LSTM网络架构layers=[...sequenceInputLayer(inputSize)bilstmLayer(numHiddenUnits,'OutputMode','last')fullyConnectedLayer(numClasses)softmaxLayerclassificationLayer]%%指定优化器Adam,梯度阈值1，最大训练轮数100，以27位mini-batch大小，填充数据与最长序列相同。options=trainingOptions('adam',...'ExecutionEnvironment','gpu',...'GradientThreshold',1,...'MaxEpochs',maxEpochs,...'MiniBatchSize',miniBatchSize,...'SequenceLength','longest',...'Shuffle','never',...'Verbose',0,...'Plots','training-progress');net=trainNetwork(XTrain,YTrain,layers,options);%训练LSTM网络%%测试LSTM网络[XTest,YTest]=japaneseVowelsTestData;%加载测试数据numObservationsTest=numel(XTest);%获取每个输入测试数据的长度fori=1:numObservationsTestsequence=XTest{i};sequence