《人工智能导论》课程教学大纲

《人工智能导论》教学大纲课程名称：人工智能导论 课程编号：F098091762英文名称：ArtificialIntelligence学时：32学时 学分：2学分开课学期：第5学期适用专业：光电信息科学与工程课程类别：理论课课程性质：专业方向与拓展课先修课程：高等数学、计算机基础（1）一、课程的性质及任务《人工智能导论》课程是光电信息科学与工程专业学生的专业方向与拓展课，通过本课程的学习，使学生能够了解人工智能的基本原理，数据预处理、线性神经网络、多层感知机、卷积神经网络等知识，并应用到无损检测的实践当中。能够提升学生对非接触复杂工程问题建立合适的模型并求解的能力，能够应用计算机的方法正确解决图像类复杂工程问题。依据河北工程大学光电信息科学与工程专业培养计划，本课程需要培养学生的能力是：1、掌握光电信息科学与工程专业所需的计算机基础、软件开发及应用等必要的知识，具备从事信息系统技术工作的能力。（1-③）2、能针对个人或职业发展的需求，具备自主学习新理论、新技术、新方法和自我完善的能力，可持续发展的潜力。（3-⑨）二、课程目标与要求2.1课程目标了解熟悉人工智能发展历史和发展脉络。了解并掌握人工智能的预备知识。了解神经网络训练的基础知识。熟悉神经网络的整个训练过程，包括定义简单的神经网络架构、数据处理、指定损失函数和如何训练模型。特别是熟悉并掌握线性神经网络。了解多层感知机实现的方法，并能解决常见的问题，比如权重衰减、过拟合和欠拟合等。掌握向前传播、反向传播和计算图等概念和原理。了解并掌握深度学习计算的关键组件，即模型构建、参数访问与初始化、设计自定义层和块、将模型读写到磁盘，以及利用GPU实现显著的加速。了解所有卷积网络主干的基本元素。这包括卷积层本身、填充（padding）和步幅（stride）的基本细节、用于在相邻区域汇聚信息的汇聚层（pooling）、在每一层中多通道（channel）的使用，以及有关现代卷积网络架构的仔细讨论。了解常用网络的架构和原理。了解并掌握表面缺陷的概念，使用深度学习算法检测表面缺陷的优势和面临的常见问题等。

数理科学与工程学院本科课程教学大纲.4目标达成度的评价课程目标1、2、3、4主要通过理论教学环节进行培养，在课后作业中有所涉及。主要通过课堂测试、课后作业和期末考试中概念性、原理性题目进行考核。目标达成综合以上内容进行评价。课程目标5、6、7、8主要通过理论教学环节、课后作业进行培养。主要通过课堂测试，课后作业和期末考查中，进行考核，目标达成以上内容进行评价。三、教学方法及手段理论教学以课堂讲授为主，面向基础知识的准确、扎实掌握，突出对原理的分析、对方法的总结以及理论体系的完整建立；理论教学强调将各种人工智能的理论特性与工程实现的实际情况紧密联系，面向知识的实际应用；理论教学与课内实验演示相结合，进行本课程的应用与训练。课程强调学生的自主学习，强调通过自学的方式消化、吸收课程的庞大知识量，并在此基础上举一反三。四、课程的基本内容与教学要求第1章人工智能概述[教学目的与要求]：1.掌握人工智能的定义与分类。2.了解人工智能的起源与发展。3.熟悉人工智能的主要流派及研究领域。4.了解人工智能发展现状及安全。[本章主要内容]：1.1人工智能基础知识1.2人工智能的起源和发展1.3人工智能的主要流派及研究领域1.4人工智能发展现状1.5人工智能安全[本章重点]：1.人工智能的定义与分类。2.人工智能的主要流派[本章难点]：1.人工智能的定义与分类。2.人工智能的主要流派第2章预备知识[教学目的与要求]：1.了解人工智能相关的预备知识。2.熟悉基本的Python编程操作。[本章主要内容]：2.1数据操作2.2数据预处理2.3线性代数2.4微积分2.5自动微分2.6概率[本章重点]：1.掌握数据预处理。2.自动微分。3.概率。[本章难点]：1.掌握数据预处理。2.自动微分。3.概率。第3章线性神经网络[教学目的与要求]：了解神经网络训练的基础知识。熟悉神经网络的整个训练过程，包括定义简单的神经网络架构、数据处理、指定损失函数和如何训练模型。特别是熟悉并掌握线性神经网络。[本章主要内容]：3.1线性回归3.2线性回归的从零开始实现3.3线性回归的简洁实现3.4softmax回归3.5图像分类数据集3.6softmax回归的从零开始实现3.7softmax回归的简洁实现[本章重点]：1.线性回归的从零开始实现2.线性回归的简洁实现3.softmax回归的从零开始实现4.softmax回归的简洁实现[本章难点]：1.线性回归的从零开始实现。2.softmax回归的从零开始实现。第4章多层感知机[教学目的与要求]：了解多层感知机实现的方法，并能解决常见的问题，比如权重衰减、过拟合和欠拟合等。掌握向前传播、反向传播和计算图等概念和原理。[本章主要内容]：4.1多层感知机4.2多层感知机的从零开始实现4.3多层感知机的简洁实现4.4模型选择、欠拟合和过拟合4.5权重衰减4.6暂退法4.7向前传播、反向传播和计算图4.8数值稳定性和模型初始化[本章重点]：1.多层感知机的从零开始实现2.多层感知机的简洁实现[本章难点]：1.多层感知机的从零开始实现。2.模型选择、欠拟合和过拟合。第5章深度学习计算[教学目的与要求]：了解并掌握深度学习计算的关键组件，即模型构建、参数访问与初始化、设计自定义层和块、将模型读写到磁盘，以及利用GPU实现显著的加速。[本章主要内容]：5.1层和块5.2参数管理5.3延后初始化5.4自定义层5.5读写文件5.6GPU[本章重点]：1.层和块。2.自定义层3.读写文件[本章难点]：1.层和块。2.自定义层3.读写文件第6章卷积神经网络[教学目的与要求]：了解所有卷积网络主干的基本元素。这包括卷积层本身、填充（padding）和步幅（stride）的基本细节、用于在相邻区域汇聚信息的汇聚层（pooling）、在每一层中多通道（channel）的使用，以及有关现代卷积网络架构的仔细讨论。[本章主要内容]：6.1从全连接层到卷积6.2图像卷积6.3填充和步幅6.4多输入多输出通道6.5汇聚层6.6卷积神经网络（LeNet）[本章重点]：图像卷积。2.填充和步幅。3.汇聚层。[本章难点]：图像卷积。2.填充和步幅。3.汇聚层。第7章现代卷积神经网络[教学目的与要求]：了解常用网络的架构和原理，它们是AlexNet。它是第一个在大规模视觉竞赛中击败传统计算机视觉模型的大型神经网络；使用重复块的网络（VGG）。它利用许多重复的神经网络块；网络中的网络（NiN）。它重复使用由卷积层和1×1卷积层（用来代替全连接层）来构建深层网络;含并行连结的网络（GoogLeNet）。它使用并行连结的网络，通过不同窗口大小的卷积层和最大汇聚层来并行抽取信息；残差网络（ResNet）。它通过残差块构建跨层的数据通道，是计算机视觉中最流行的体系架构；稠密连接网络（DenseNet）。它的计算成本很高，但给我们带来了更好的效果。[本章主要内容]：7.1深度卷积神经网络（AlexNet）7.2使用块的网络（VGG）7.3网络中的网络（NiN）7.4含并行连接网络（GoogLeNet）7.5批量规范化7.6残差网络（ResNet）7.7稠密连接网络（DenseNet）[本章重点]：1.深度卷积神经网络（AlexNet）2.使用块的网络（VGG）3.网络中的网络（NiN）[本章难点]：1.深度卷积神经网络（AlexNet）2.使用块的网络（VGG）3.网络中的网络（NiN）第8章人工智能无损检测[教学目的与要求]：了解并掌握表面缺陷的概念，使用深度学习算法检测表面缺陷的优势和面临的常见问题等。[本章主要内容]：8.1表面缺陷检测的概念8.2表面缺陷检测深度学习方法8.3关键问题/痛点8.4缺陷数据集[本章重点]：1.表面缺陷检测深度学习方法2.关键问题/痛点[本章难点]：1.表面缺陷检测深度学习方法2.关键问题/痛点五、课程学时分配教学课次教学内容教学环节与计划时数教学环节计划时数11.1人工智能基础知识1.2人工智能的起源和发展1.3人工智能的主要流派及研究领域理论课221.4人工智能发展现状1.5人工智能安全理论课232.1数据操作2.2数据预处理2.3线性代数理论课242.4微积分2.5自动微分2.6概率理论课253.1线性回归3.2线性回归的从零开始实现3.3线性回归的简洁实现3.4softmax回归理论课263.5图像分类数据集3.6softmax回归的从零开始实现3.7softmax回归的简洁实现理论课274.1多层感知机4.2多层感知机的从零开始实现4.3多层感知机的简洁实现4.4模型选择、欠拟合和过拟合理论课284.5权重衰减4.6暂退法4.7向前传播、反向传播和计算图4.8数值稳定性和模型初始化理论课295.1层和块5.2参数管理5.3延后初始化理论课2105.4自定义层5.5读写文件5.6GPU理论课2116.1从全连接层到卷积6.2图像卷积6.3填充和步幅理论课2126.4多输入多输出通道6.5汇聚层6.6卷积神经网络（LeNet）理论课2137.1深度卷积神经网络（AlexNet）7.2使用块的网络（VGG）7.3网络中的网络（NiN）7.4含并行连接网络（GoogLeNet）理论课2147.5批量规范化7.6残差网络（ResNet）7.7稠密连接网络（DenseNet）理论课2158.1表面缺陷检测的概念8.2表面缺陷检测深度学习方法理论课2168.3关键问题/痛点8.4缺陷数据集,总复习理论课2七、课程考核与成绩评定7.1考核方式考核环节包括课程学习过程考核和期末考核，其中课程过程考核占总成绩的40%，分别由课堂表现、课后作业情况进行评定；期末考核成绩占总成绩的60%。各环节的比重如下。考核环节比重合计过程考核（平时成绩）课堂表现20%40%作业20%期末成绩期末考核60%60%总计100%100%7.2考核内容及要求本课程为考查课。考核内容及分值分配如下。考核方式考核内容分值课程目标总分值期末考试60%人工智能发展历史10~20目标1100分人工智能技术在无损检测中的应用80~90目标2、3、4、5、6、7、8过程考核40%课堂表现课堂测试、出勤情况50目标1、2、3、4、5、6、7100分课后作业作业完成情况50目标2、3、4、6、77.3成绩评定1.课堂表现课堂表现总20分，由课堂测试与课堂出勤情况评定。其中，课堂测试满分10分，以客观题（填空、选择、判断）为主，每学期随堂测试15~20次，每次测试1~2道题目，每答错一道题目扣0.5分（直到扣满10分为止）；课堂出勤满分5分，缺勤一次扣1分，迟到或请假扣0.5分。2.课后作业课后作业总20分，由作业完成情况评定。每学期布置作业5次，每次作业占3分，评分标准如下；评分标准分值标准描述课后作业3能够按时认真完成作业、作业态度认真、书写清楚、分析计算正确。2能够按时完成作业、作业态度较好、书写较清楚、分析计算基本正确1能够按时完成作业、作业态度一般、书写不清楚、分析计算错误较多0不交作业或作业态度不认真、抄袭他人作业3.期末考核采用学期论文形式进行，期末成绩为百分制，计入总成绩时乘以60%，考查内容须覆盖支撑全部毕业要求指标的授课内容，考核完成后在综合教务系统中按照设定的占比系数录入成绩。八、课程评价与持续改进8.1课程评价课程评价周期定为每1年评价一次。设置达成情况目标值，采用成绩分析法进行评价。课程达成评价根据光电信息科学与工程专业课程达成评价方法进行计算，评价结果用于持续改进。光电系负责人组织教师实施课程评价，制定持续改进措施，监督持续改进过程。课程负责人负责撰写课程考核总结报告，实施课程评价持续改进。