人工智能导论课程教学大纲(新).docx
《人工智能导论课程教学大纲(新).docx》由会员分享,可在线阅读,更多相关《人工智能导论课程教学大纲(新).docx(14页珍藏版)》请在文库网上搜索。
1、人工智能导论教学大纲大纲版本:V2.0课程名称(中/英):人工智能导论/ Introduction to Artificial Intelligence学分:4总学时:82理论学时:72实验学时:10课程类别:专业/专业基础开课学期:3/4适用专业:人工智能及计算机、自动化和电子信息类课程性质:必修/必选先修课程:高等数学、线性代数、离散数学、概率与统计、计算机原理、计算机网络、数据结构与算法、程序设计与软件等一、课程简介人工智能导论课程是人工智能及计算机、自动化和电子信息类专业必修或必选的一门专业课或专业基础课。本课程全面讲述人工智能的基本原理和技术,包括:人工智能概述、语言工具与开发平台、
2、搜索与问题求解、知识表示与机器推理、机器学习与知识发现、感知-响应与语言交流、智能系统和智能化网络。本课程引导学生理解人工智能各个分支的原理、方法、应用及发展概况,初步学习和掌握人工智能的基本技术,对人工智能学科有一个全面、概略而具体的认识,获得相关的基本知识和技能,为进一步学习后续课程或从事人工智能的研发奠定宽厚基础,并指引方向。二、课程目标(一)课程具体目标 1. 了解人工智能的研究内容、研究途径与方法以及应用和发展概况。 2. 了解人工智能程序设计语言的类型、特点和应用概况,初步掌握经典语言PROLOG和流行语言Python的基本语法和程序风格。 3. 理解图搜索与问题求解及基于遗传算法
3、的随机优化搜索的基本原理和技术,初步掌握相应的常用算法。 4. 理解并初步掌握一阶谓词、产生式、框架和语义网络(知识图谱)等知识表示方法和相应的机器推理技术,以及不确定和不确切性知识的表示与推理技术。 5. 了解机器学习和知识发现方法的一般原理,理解符号学习、统计学习、神经网络学习、深度学习和强化学习的基本原理,初步掌握其经典、常用算法。 6. 了解模式识别、数-语互换和自然语言处理的基本原理,理解并初步掌握相应的方法和技术。 7. 了解人工智能系统的类型、特点及发展概况,理解专家系统、Agent系统、智能机器人、智能计算机和智能化网络的基本原理和建造技术。(二)教学内容安排总体思路人工智能导
4、论是人工智能专业的第一门人工智能课程,它是专业课,也可以说是专业基础课;而对于当前和今后的计算机、自动化和电子信息类专业来讲,人工智能导论也应该是一门必选的课程。有鉴于此,本课程的教学内容安排的总体思路是:勾画人工智能学科的总体架构,阐述其各个分支的原理、方法、课题和发展概况,涵盖人工智能的基本知识、经典内容和最新进展,为学生进一步学习后继专业课程或从事相关研发奠定宽泛而扎实的基础,并指引方向。三、教学内容及基本要求(一)人工智能概述(3学时)主要内容:人工智能的研究内容与方法、人工智能的分支领域、人工智能的应用(支撑课程目标1)基本要求:1理解人工智能的概念、目标和研究策略;2理解人工智能的
5、研究内容与方法;3了解人工智能的分支领域;4了解人工智能的应用与发展概况。重点难点:人工智能的研究内容与方法作业:1. 简述人工智能的研究内容、研究途径和方法,以及它们的关系。2. 简述人工智能的分支领域和研究方向。3. 简述人工智能的应用领域或课题,试举出几例。课外要求:1. 观看教材中相关微课视频。2上网浏览有关人工智能应用和发展的资讯。(二)人工智能程序设计语言(5学时)主要内容: 人工智能程序设计语言概况、PROLOG语言、Python语言(支撑课程目标2)基本要求: 1了解人工智能程序设计语言的特点、分类和发展概况;2理解PROLOG语言的语句特点、程序结构和运行机理,能读懂和编写简
6、单的PROLOG程序;3了解Python语言的特点和使用方法,能读懂和编写简单的Python程序。教学重点:1PROLOG语言;2Python语言。教学难点:1PROLOG语言的匹配合一和回溯控制;2Python语言的程序结构和资源库的使用。作业: 1. 简述智能程序设计语言的分类和发展概况。2. 读一个PROLOG程序(见教材习题二第2题),指出运行结果。 3. 试编写一个描述亲属关系的PROLOG程序,然后再给出一些事实数据,建立一个小型演绎数据库。 4. 下载、安装一个Python版本,并运行教材2.3节中的两个例程。课外要求:1. 观看教材相关微课视频。 2. 下载、安装Visual
7、Prolog语言系统,熟悉其编程环境。(三)图搜索与问题求解(8学时)主要内容:状态图与状态图搜索、状态图搜索问题求解、与或图与与或图搜索、与或图搜索问题求解、博弈树搜索(支撑课程目标3)基本要求:1理解状态图的基本概念,初步掌握状态图搜索基本技术和状态图问题求解的一般方法,包括穷举式搜索、启发式搜索、加权状态图搜索基本算法和A算法、A*算法以及博弈树搜索技术等;2理解与或图的基本概念,初步掌握与或图搜索基本技术和或图问题求解的基本算法;3理解并初步掌握一些经典规划调度问题(如迷宫、八数码、梵塔、旅行商、八皇后等问题)的求解方法;教学重点:1状态图搜索常用算法和问题的状态图表示;2与或图搜索常
8、用算法和问题的与或图表示。教学难点:1问题的状态图、与或图表示。 2启发函数和估价函数设计。作业:1. 综述状态图搜索的方式、策略和算法。2. 综述与或图搜索的方式、策略和算法。3. 解答教材习题三中的4、5、8、12、14等题。课外要求: 观看教材中的相关微课视频。(四)遗传算法(2学时)主要内容:遗传算法基本概念、基本遗传算法、遗传算法应用、遗传算法的特点与优势(支撑课程目标3)基本要求: 1理解遗传算法的基本概念和特点;2理解基本遗传算法的原理和应用技术。教学重点: 选择-复制、交叉和变异等三种遗传操作。教学难点: 个体对象编码和适应函数设计。作业:1. 举例说明遗传算法中的三种遗传操作
9、。2. 试编写一个用遗传算法求解TSP的程序(城市数取为4或5),并上机运行。3. 自选一个合适的实际问题,试设计相应的染色体编码、适应度函数、遗传操作等。课外要求: 查阅进化计算方面的资料,拓展计算智能方面的知识面。(五)基于一阶谓词的机器推理(4学时)主要内容:一阶谓词逻辑、归结演绎推理、应用归结原理求取问题答案、归结策略(支撑课程目标4)基本要求: 1掌握自然语言命题的谓词形式表示和基于谓词公式的形式演绎推理;2理解命题逻辑中的归结原理,掌握相应的归结推理方法;3理解谓词逻辑中的归结原理,掌握相应的归结推理方法;4掌握应用归结原理求取问题答案的方法。教学重点: 命题逻辑中的归结原理和谓词
10、逻辑中的归结原理。教学难点: 谓词逻辑中的归结原理及归结策略的运用。作业:教材习题五19题。课外要求: 阅读教材中本章的延伸学习导引,进而查阅感兴趣的资料。(六)基于产生式规则的机器推理(2学时)主要内容:产生式规则、产生式系统、产生式系统与图搜索问题求解(支撑课程目标4)基本要求:1理解并掌握产生式规则的表示和相应的推理模式;2理解产生式系统的结构和运行过程;3理解并掌握产生式系统的控制策略和常用算法。教学重点:1产生式规则的表示;2产生式系统的控制策略和推理算法。教学难点:产生式系统的反向推理算法。 作业:教材习题六13题。课外要求: 选择一个实际问题,思考如何建立一个相应的基于产生式规则
11、的小型知识系统。(七)几种结构化知识表示及其推理(2学时)主要内容:元组、框架、语义网络、知识图谱、类与对象(支撑课程目标4)基本要求:1理解并初步掌握元组、框架、语义网、知识图谱、类与对象等的描述和推理方法; 2初步掌握这几种知识表示的语言实现。教学重点:框架、语义网、知识图谱。教学难点:语义网及其语言实现。作业: 教材习题七第1、2、3、4、7题。课外要求: 仔细观察元组、框架、语义网(知识图谱)和类及对象,分析、体会它们之间的异同和关系。(八)不确定和不确切性知识的表示与推理(4学时)主要内容:不确定性信息和不确切性信息、不确定性知识的表示及推理、基于贝叶斯网络的概率推理、不确切性知识的
12、表示及推理(支撑课程目标4)基本要求: 1理解不确定性信息和不确切性信息的特点和区别; 2初步掌握不确定性知识的表示及推理方法,了解几种经典的不确定性推理模型,初步掌握贝叶斯网络和相应的概率推理方法;3理解并初步掌握不确切性知识的表示及推理方法。教学重点:1贝叶斯网络和相应的概率推理;2软语言值及其数学模型,基于软语言规则的推理。教学难点:1. 贝叶斯网络及相应的概率推理。2. 基于软语言规则的推理方法。作业:教材习题八2、3、4、5、8、9、10题。课外要求: 观看教材中的相关微课视频。(九)机器学习:符号学习与交互学习(6学时)主要内容:机器学习概述、几种典型的(符号)学习方法、决策树学习
13、、强化学习(支撑课程目标5)基本要求: 1理解机器学习的基本原理和分类;2理解典型的(符号)学习方法,包括记忆学习、示例学习、演绎学习、类比学习、解释学习、发现学习等;3理解并掌握决策树学习的基本原理和算法;4. 理解强化学习的基本原理和值函数、Q函数及Q学习算法;5. 了解强化学习的发展概况。教学重点:决策树学习和强化学习。教学难点:强化学习的Q学习算法。作业: 教材习题九5、6、7、8题。课外要求: 思考教材习题九1、2、3、4题。(十)统计学习(8学时)主要内容:统计学习概述、几种基本判别模型的学习、监督学习中几个进一步的问题、支持向量机简介(支撑课程目标5)基本要求:1理解统计学习基本
14、原理、方法和分类;2理解回归问题的线性函数模型学习和梯度下降法、分类问题的线性判别函数模型学习和分类问题的Logistic回归模型学习,并掌握相应的学习算法;3理解监督学习的主要工作及步骤、准则函数的演变、过拟合、欠拟合、正则化,以及模型与学习方法的分类;4. 理解支持向量机的数学原理及分类,包括最大间隔超平面、线性可分支持向量机、线性支持向量机和非线性支持向量机等。教学重点:1. 统计学习基本原理及分类;2. 回归问题的线性函数模型学习和梯度下降法、分类问题的线性判别函数模型学习。教学难点:支持向量机的数学原理。作业: 教材习题十1、2、3、6题。课外要求: 阅读教材中相关延伸学习导引。(十
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 人工智能 导论 课程 教学大纲