人工智能与机器学习课程教学大纲.docVIP

PAGE 5 《人工智能与机器学习》教学大纲 课程性质 专业任选课 课程编号 Xx408407 课程名称 人工智能与机器学习 适用专业 计算机科学与技术 先修课程 《离散数学》、《概率统计》、《线性代数》、《数据结构》、 《算法分析与设计》 总学时 其中理论 32 学时 学分数 2 一、课程简介 人工智能是计算机科学理论基础研究的重要组成部分，人工智能课程是计算机科学技术专业的专业拓展选修课。通过本课程的学习使学生了解人工智能的提出、几种智能观、重要研究领域，掌握人工智能求解方法的特点。掌握人工智能的基本概念、基本方法，会用知识表示方法、推理方法和机器学习等方法求解简单问题等。 学习该课程之前应先修《离散数学》、《概率统计》、《线性代数》、《数据库原理》、《SQL SERVER》《数据结构》、《算法设计与分析》。 二、课程教学目标 通过本课程人工智能与机器学习课程的学习，学生应实现如下目标： 知识目标：学生在较坚实打好的人工智能数学基础上，能够利用这些数学手段对确定性和不确定性的知识完成推理；应掌握问题求解（GPS）的状态空间法，能应用几种主要的盲目搜索和启发式搜索算法（宽度优先、深度优先、有代价的搜索、A算法、A*算法、博弈数的极大—极小法、α―β剪枝技术）完成问题求解；并能熟悉几种重要的不确定推理方法，如确定因子法、主观Bayes方法、D—S证据理论等，利用数值分析中常用方法进行正确计算。 能力目标：1、掌握人工智能与机器学习基础理论和基本知识；2、具有知识推理与搜索推理的思虑维能力以及分析问题、解决问题的能力； 3、具有综合运用科学人工智能与机器学习的理论和工程技术知识、分析解决工程问题的基本能力； 三、课程教学基本要求 1、注重理论指导的作用，积极探究达到最佳视觉效果的典型做法。同时贯彻理论和实践相结合的原则，给学生出一定量的思考，并要求学生完成一定量的作业，以提高学生的理论水平，培养学生的动手能力和创新精神。 2、把握课程的重难点，及时总结深化所学内容，并针对重难点布置适当的综合练习。以便达到 良好的教学效果。 3、采用理论讲解、操作示范等多种方式，充分利用多媒体等现代化教学手段，整体优化教学过 程和教学内容，调动学生学习积极性，进行启发式的教学。 4、注重学生动手能力的培养，积极鼓励和引导学生对所学的知识、技能加以拓宽、深化。 四、课程教学模块（或教学内容）与学时分配 序号 教学模块 知识点 学时 1 人工智能概述 了解：研究途径和方法、人工智能的分之领域、基本技术和发展概况。 理解：人工智能的基本概念、基本技术。 掌握：人工智能的发展概况，人工智能研究的课题种类。 2 2 基于谓词逻辑的机器推理 了解：一阶谓词逻辑的基本概念 。 理解：应用归结远力求取问题答案的方法和Horm自居归结于逻辑程序的方法以及非归结演绎原理的方法和途径。 掌握：归结演绎推理。 2 3 图搜索推理技术 了解：状态图的表示方法。 理解：构建状态图的基本原理与方法。 掌握：盲目搜索的基本步骤与方法。 2 了解：八数码问题的状态图。 理解：八数码问题的盲目搜索过程与估价函数。 掌握：掌握启发式搜索算法的基本步骤与方法。 2 了解：博弈树搜索的背景 理解：博弈树搜索的原理 掌握：博弈树搜索的基本方法 2 4 知识表示 了解：知识表示的概述 理解：几种知识表示方式 掌握：产生式表示 语义网络表示 2 5 不确定性推理方法 了解：不确定性及其类型，不确定性知识的表示 掌握：不确定性推理的一般模式 掌握：确定性理论 2 了解：证据理论的背景 理解：证据理论基本原理 掌握：利用证据理论解决不确定推理的一般方法 2 了解：模糊推理的背景 理解：模糊推理基本原理 掌握：利用模糊推理解决不确定推理的一般方法 2 6 专家系统 了解：专家系统的应用与发展 理解：专家系统的概念 掌握：专家系统的结构 2 了解： 新一代专家系统研究 理解：专家系统开发与环境 掌握：专家系统设计与实现 2 7 机器学习 了解：线性基函数模型 理解：贝叶斯线性回归 掌握：贝叶斯模型比较 2 了解：最大边缘分类器：历史回顾 理解：用于多分类和回归的支持向量机：几何背景、各种变种 掌握：统计学习理论 2 了解：贝叶斯推理 理解：贝叶斯定理 掌握：贝叶斯分类器 2 了解：遗传算法的基本概念 理解：遗传算法的各算子 掌握：遗传算法的基本原理与方法 2 了解：神经网络的基本概念 理解：神经网络的基本结构与构造方法 掌握：神经网络的基本原理与方法 2 五、教学方法与策略 人工智能教学以课堂讲授为主，对重点模块（要求熟练掌握部分），可以进行课堂教学、讨论、视频、虚拟仿真、测试相结合的方法进行教学；课后应该布置相应的作业，对作业中存在的