硕士研究生人工智能课程：DS证据推理算法深度解析与教学设计.docxVIP

硕士研究生人工智能课程：D-S证据推理算法深度解析与教学设计

一、课程定位与设计理念

（一）学科背景与课程定位

本课程隶属于人工智能与数据科学交叉学科领域，面向硕士研究生一年级开设，是“多源信息融合”“智能决策支持系统”“不确定性人工智能”等核心方向的理论基石。Dempster-Shafer证据理论作为处理认知不确定性、不完全信息以及证据冲突的重要数学框架，区别于传统概率论，能够显式区分不确定性与无知，在目标识别、故障诊断、医学影像分析、金融风险评估等领域具有广泛应用。课程定位为专业核心必修课，兼具理论深度与应用广度。

（二）设计理念与课改融入

基于新工科建设与深度学习课程改革理念，本设计摒弃传统“定义—定理—例题”单向灌输模式，采用“问题溯源—数学建模—算法实现—场景迁移”四阶递进范式。以认知负荷理论为依据，将抽象符号体系转化为可视化证据空间；以建构主义为内核，设置“证据冲突悖论”“无知建模辩论”等高阶思维冲突点；以跨学科大概念为纽带，贯通概率论、模糊集、粗糙集与证据理论的联系。课程全程贯穿计算思维与系统建模能力培养，实现从“算法使用者”向“理论重构者”的跃升。

二、教学目标与核心素养

（一）知识维度

1.系统阐述证据理论的历史渊源、公理化体系及与贝叶斯理论的本质差异【基础】。

2.精准复现辨识框架、基本概率分配、信任函数、似然函数、焦元等核心术语的数学定义与物理意义【核心概