《人工智能》课程教学大纲.docxVIP

《人工智能》课程教学大纲 一、课程概述 课程名称 人工智能 英文名称 Artificial Intelligence 课程性质 工程技术基础 课程代码总学时 32学时 学分 2 开课学期 第七学期 先修课程 高等数学、概率论与数理统计、程序设计基础 适用专业 计算机科学与技术、网络工程、软件工程专业等 开课单位 计算机与电气工程学院 二、课程简介 本课程是计算机科学与技术、网络工程、软件工程等专业的选修课程，学生在学完本课程后，较为全面地了解人工智能的各类问题和方法论，主要包括监督学习、无监督学习和数据降维的主要学习算法。本课程在高等数学、概率论与数理统计和程序设计基础等课程基础上，系统介绍模型评估与选择、线性模型、支持向量机、贝叶斯分类器、无监督学习及数据降维和神经网络等知识。通过编程练习和典型应用实例加深对机器学习理论知识的理解，培养学生运用计算机前沿技术解决实际问题的能力。 三、课程目标 课程目标1掌握机器学习的基本问题定义、基本模型，对机器学习学科有概览性的认识。（支撑指标点1.2） 课程目标2掌握目前主流的机器学习算法和模型，并能够根据实际问题的需要选择并实现相应的算法。支撑指标点5.2） 课程目标3编程完成机器学习典型应用实例，对机器学习工程编程有初步的训练。通过综合实验加深对已学知识的认识，综合应用已学知识。（支撑指标点10.2） 四、课程目标对毕业要求指标点的支撑 表4-1 课程目标对毕业要求指标点的支撑 毕业要求 毕业要求指标点 课程目标 1 2 3 1工程知识 1.2掌握计算机软硬件基础知识，能针对具体的处理对象建立数学模型并求解； H 5 使用现代工具 5.2在计算机应用领域复杂工程问题求解过程中能够正确选择与使用恰当的工具； H 10 沟通 10.2了解并及时跟踪计算机工程技术行业的国际发展动态、研究热点。 M 注：分别用“H、M、L”对应表示“高、中、低”支撑。 五、教学内容、课程思政及实施手段 表5-1教学内容与进度要求 教学章节 教学内容与要求 理论学时 课程目标 第一章机器学习的基础知识 教学目的和能力要求：了解机器学习与智能计算的基本概念以及作用。掌握Python编程的基础知识。 教学重点：推荐系统、深度学习、Numphy函数库、多线程 教学难点：迭代器、生成器、线程模块、线程同步、线程优先级队列 教学内容： 一、何谓机器学习 二、综合分类 三、推荐系统和深度学习 四、何为Python 五、Python编程第一步 六、NumPy函数库基础 七、Python迭代器与生成器 八、多线程 2 2 第二章 Python 近邻法 教学目的和能力要求：掌握近邻法的原理和作用，掌握k近邻法的三要素和k近邻法，了解kd树及其Python实现。 教学重点：k近邻法的三要素、k近邻法、kd树 教学难点：k值选择、距离度量、分类决策规则、kd树的构建 教学内容： k近邻法的三要素 1．k值选择 2．距离度量 3. 分类决策规则 二、k近邻算法 三、kd树 1. 什么是kd树 2. 如何构建kd树 3. 如何在kd树中搜索 四、Python实现kd树、k近邻法 3 1、2 第三章 Python 数据降维 教学目的和能力要求：掌握现代数据的特点及维度灾难，了解数据降维的原理和作用；掌握PCA降维和SVD降维。熟悉多维缩放降维及局部线性降维。 教学重点：主成分分析、SVD降维、局部线性嵌入 教学难点：PCA算法、SVD降维、MDS算法、LLE算法 教学内容： 一、维度灾难与降维 二、主成分分析 1. PCA原理 2. PCA算法 3. PCA降维的两个准则 三、SVD降维 四、核化线性主成分（KPCA）降维 五、流形学习降维 六、多维缩放（MDS）降维 七、等度量映射降维 八、局部线性嵌入（LLE） 九、非负矩阵分解 4 1、2 第四章 Python 分类算法 教学目的和能力要求：掌握经典的逻辑回归算法，从而实现简单的分类；掌握SVM和贝叶斯分类器；了解决策树分类器和CART算法。 教学重点：逻辑回归、支持向量机、贝叶斯分类器 教学难点：梯度下降法、线性可分支持向量机、常用贝叶斯分类器、CART分类树算法 教学内容： 一、Logistic Regression 1. Logistic Regression模型 2. 梯度下降法 二、Softmax Regression 三、因子分解机 四、支持向量机 1. SVM简介 2. 线性可分支持向量机 3. 函数间距和几何间距 4. 线性支持向量机 5. 非线性支持向量机 五、贝叶斯分类器 六、随机森林 4 1 第五章 Python 回归算法 教学目的和能力要求：能够掌握线性回归算法，从而实现