《人工智能应用》课程教学大纲.docx

人工智能应用教学大纲课程性质专业任选课课程编号xx420412课程名称人工智能应用适用专业网络工程先修课程离散数学，概率论与数理统计总学时32其中理论20学时，实验12学时学分数2一'课程简介人工智能应用是计算机科学研究和开展的一个重点，其终极目标就是让计算机 具有象人一样的能力。这门课程主要讲述知识与知识表示、确定性推理、不确定性推理、 搜索策略、神经网络、机器学习、遗传算法等方面内容。通过本课程的学习，要求学生 了解人工智能的开展状况与研究内容，掌握基本概念、基本原理方法和重要算法，掌握 人工智能的一些主要思想和方法，熟悉典型的人工智能系统一一产生式系统和简单的模 糊推理方法，学会用启发式搜索求解问题，学会基本的神经网络方法，学会简单的机器 学习方法，初步具备用经典的人工智能方法解决一些简单实际问题的能力。 二、课程教学目标通过本课程人工智能应用的学习，学生应实现如下目标：（一）知识教学目标1 .深入理解有关人工智能的基本概念和要素；2 .掌握知识的表示方法；3 .掌握各种搜索推理技术；4 .深入了解神经计算的不同方法；5 .深入了解计算智能基本内容；6 .深入了解机器学习的基本方法和实现过程；（二）能力培养目标7 .具有设计、实现和分析等方面的能力；8 .学会用启发式搜索求解问题；9 .具有使用机器学习与深度学习平台工具进行数据分析能力；10 .初步具备用经典的人工智能方法解决一些简单实际问题的能力；三、课程教学基本要求根据课程在知识结构中的作用，教学要求分为掌握、熟悉、了解、选学四个层次, 具体要求如下。1 .掌握局部:一般图搜索（回溯策略、图搜索策略、无信息搜索过程、启发式图搜 索过程）；与或图搜索问题包括与或图的启发式搜索算法、博弈树的搜索；谓词逻辑与 归结原理（谓词逻辑归结原理、HERBRAND定理）；知识表示（产生式表示方法、语义网 络表示、框架表示）；不确定性推理方法（不确定性推理的基本问题、贝叶斯网络、主 观贝叶斯方法、确定性方法）2 .熟悉局部：不确定性推理方法之证据理论；机器学习（机器学习概论、实例学 习、基于解释的学习、决策树学习、神经网络学习）3 . 了解局部：人工智能研究的开展和基本原那么；知识原那么、知识表示的作用、功能、 性能；自动规划技术的新进展，人工智能的最新进展和面临的挑战。4 .选学局部：高级搜索四、课程教学内容与学时分配序号教学模块知识点学时1结论1、教学目的了解人工智能的开展简史以及当前的一 些开展方向和热点。掌握人工智能基本概 念，相关名词术语的含义；熟知人工智能的 基本研究内容、研究方法。2、教学重点人工智能的定义、应用领域。22.知识表示方法1、教学目的了解关于知识的基本观点以及特点等 等。掌握基本的、常用的一些知识表示方法， 如一阶谓词逻辑表示法、框架表示法和语义 网络表示法等。了解各种知识表示法的特 点。2、教学重点状态空间法；一阶谓词逻辑表示法；框 架表示法；语义网络表示法。43搜索推理技术1、教学目的掌握基本概念，学会用状态空间表示问 题，了解与或树表示法。掌握状态空间的各种搜索策略，包括深 度优先搜索、广度优先搜索、代价树上的搜4索以及启发式搜索和A*算法等等。了解关于搜索完备性和效率的基本理 论。2、教学重点深度优先搜索、广度优先搜索、代价树 上的搜索以及启发式搜索和A*算法。4神经计算1、教学目的掌握神经网络的基本概念、基本形态。 了解感知器、BP网络、Hopfield网络、ART 网络等多种不同类型神经网络的基本原理、 组成以及特点。掌握前馈神经网络的BP算 法。了解神经网络的各种应用。2、教学重点BP网络、Hopfield网络的工作原理。25计算智能1、教学目的掌握神经计算与模糊计算的基本原理 与求解步骤。了解蚁群算法的基本原理。2、教学重点、遗传算法的基本原理与遗传算法的求解 步骤26机器学习基础1、教学目的(1) 了解机器学习的各种方法(2) 了解机器学习如何进行决策2、教学重点(1)各种机器学习算法原理(2)贝叶斯、KNN、SVM、决策树以及神经 网络等算法的理解47机器学习实践1、教学目的(1) 了解机器学习平台的搭建(2) 了解深度学习基本方法2、教学重点(1)常用机器学习平台的使用(Weka)(2)深度学习平台的使用2实验教学内容序 号实验工程名称内容摘要验时 实学实验类 型开出要求1利用问题归约法实现Hanoi塔问题理解问题归约法的原理 和方法，掌握用问题归2验证性必做约表示问题的步骤，并 能够对实际问题给出具 体的实现2利用状态空间搜索法实现 八数码问题理解状态空间知识表示 方法，掌握搜索方法的 基本原理，并能够对八 数码问题给出具体的实 现2综合性必做3用BP神经网络实现XOR分 类问题理解前馈神经网络的工 作原理，掌握BP算法的 基本思想，认识影响算 法性能的因素，能够编 写对实际模式样本正确 分类的程序2综合性必做4用遗传算法求函数的最大 值问题掌握遗传算法的基本思 想，编写能对实际问题 求解的遗传算法程序， 通过实现遗传算法程 序，可进一步理解遗传 算法的基本机理2综合性必做5机器学习数据的处理与机 器学习算法的应用学会使用WEKA来实现各 种机器学习算法，并比 较不同算法的区别2验证性必做6深度学习平台的搭建与数 据处理学会搭建深度学习平台 并完成基本实验2验证性必做五、教学方法与策略采用课堂教学+实践教学相结合的方法，按章节进行教学。六、学生学习成效考核方式（考核）考核环节构成（均为100分制）评分依据占总成绩 的比重上课出勤20分上课缺席一次扣2分，缺课达1/3取消资格。20%实验工程30分学生按规定独立完成平时实验工程规定内容30%期末测评成绩50分对于具体的机器学习，深度学习，神经网络等任务进 行平台搭建，数据预处理，算法实现以及实验测试等 工作。根据具体任务完成情况进行打分。50%七、选用教材蔡自兴等，人工智能原理（第五版），北京：清华大学出版社，2012.八、参考资料口机器学习.周志华.清华大学出版社，2015.2人工智能及其应用（第3版）.王万良.高等教育出版社，2016.3人工智能原理及其应用.王万森.电子工业出版社，2012.