课程代码

045101492

课程名称

人工智能

英文名称

Artificial Intelligence

课程类别

专业基础课

课程性质

选修

学时

总学时：40   实验学时：0实习学时：0其他学时：0

学分

2．5

开课学期

第五学期

开课单位

计算机科学与工程学院

适用专业

计算机科学与技术、计算机应用技术、人工智能、网络工程、信息安全

授课语言

中文授课

先修课程

数据结构、数理逻辑

课程对毕业要求的支撑

本课程对学生达到如下毕业要求有如下贡献：

 1.专业知识：掌握扎实的基础知识、专业基本原理、方法和手段，能够将数学、自然科学、人工智能专业基础知识用于解决复杂的计算机工程问题。

 2.问题分析：能够应用数学、自然科学、本专业基本原理、方法和手段，并通过文献研究分析人工智能应用中的复杂问题，以获得有效的算法。

 3.解决方案：针对人工智能解决复杂问题的具体应用，能够设计合理的解决方案，综合考虑创新、社会、健康、安全、法律、文化以及环境等因素。

 4.科学研究：能够基于科学原理并采用科学方法对人工智能相关的问题进行科学研究，包括设计实验、分析与解释数据、并通过信息综合获得有效结论。

5.使用现代工具：能够针对人工智能中的复杂问题，开发、选择与使用先进科学方法，进行复杂问题的预测与模拟，并能够理解其局限性。

课程目标

完成课程后，学生将具备以下能力：

（1）掌握人工智能的基本原理和基本知识，培养学生发现问题、解决问题的基本能力。

（2）掌握人工智能的一些最新思想，主要思想和方法。

（3）掌握常用的典型的人工智能算法，如神经网络，深度学习等，并用于解决实际问题，培养学生的应用人工智能方法解决一些实际问题的能力。

课程简介

人工智能是目前的热点，也是计算机科学研究和发展的一个重点，其终极目标就是让计算机具有象人一样的思维能力。这门课程主要讲述人工智能的最新发展和基础知识，包括知识表示、逻辑推理、不确定性推理、搜索策略、神经网络、机器学习、演化算法等方面内容。使本科生对人工智能的基本内容、基本原理和基本方法有一个比较初步的认识。通过学习，学生能够知道什么时候需要某种合适的人工智能方法解决给定的问题，并能够选择适当的实现方法。同时掌握人工智能原理和方法的最新进展。

教学内容与学时分配

（一）绪论：学时2   

1. 人工智能简介

2. 图灵测试

3. 人工智能研究目标

教学重点难点：人工智能概念，智能判断标准。 学生掌握知识要求：了解人工智能的发展简史以及最新发展方向和热点。掌握基本概念，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。

（二）搜索问题：学时6

1. 回溯策略

2. 盲目搜索

3. 启发式图搜索及A*算法

教学重点难点：启发式图搜索及A*算法。 学生掌握知识要求：掌握基本概念，学会用状态空间方法表示问题，掌握状态空间的各种搜索策略，并解释其重要应用。

（三）与或图搜索：学时4

1. 与或图基本概念

2. 与或图的启发式搜索算法AO*

3. 博弈树的搜索

教学重点难点：与或图的启发式搜索算法AO*，剪枝算法。 学生掌握知识要求：掌握与或图搜索基本概念，理解与或图启发式搜索算法，能应用剪枝算法解决问题，例如目前围棋所使用的搜索算法等。

（四）谓词逻辑与归结推理：学时4

1. 命题逻辑

2. 谓词逻辑基础

3. 归结原理

教学重点难点：归结原理。 学生掌握知识要求：了解基于经典逻辑进行推理的基本原理。掌握命题逻辑和一阶谓词逻辑的反演归结方法和基本的归结策略。

（五）知识表示：学时3

1. 产生式表示

2. 语义网络表示

3. 框架表示

4. 其他表示方法

教学重点难点：产生式、语义网络和框架表示。 学生掌握知识要求：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。了解各种知识表示法的特点，及针对特定的问题，能够选择合适的知识表示方法。

（六）不确定性推理方法：学时8

1. 概率论基础

2. 贝叶斯网络

3. 主观贝叶斯方法

4. 确定性方法

5. 证据理论

教学重点难点：贝叶斯网络和证据理论。 学生掌握知识要求：掌握不确定推理的基本概念。掌握几种基本的常用的不确定推理方法，特别是贝叶斯网络和证据理论。

（七）机器学习：学时7

1. 实例学习

2. 决策树学习

3. 神经网络学习（深度学习）

4. 贝叶斯学习

教学重点难点：决策树学习、贝叶斯学习、神经网络学习。了解机器学习的基本概念，了解多种不同类型的机器学习方法及其特点和应用，了解几种常用的机器学习算法，以及最新的机器学习方法如卷积神经网络和深度学习等。

（八）高级搜索：学时6

1. 基本概念

2. 局部搜索

3. 模拟退火

4. 遗传算法

教学重点难点：模拟退火和遗传算法。 学生掌握知识要求：了解局部搜索、模拟退火算法和遗传算法的基本概念和可能的应用领域，并掌握最新的发展方向。

实验教学（包括实验学时、实习学时、其他）

无

教学方法

课程教学以课堂教学、课外作业、综合讨论以及授课教师的科研项目于一体，共同实施。

考核方式

本课程注重过程考核，考核形式、考核内容、课程目标、成绩比例为：

（1）平时作业和课堂表现（占总成绩的20%）

选做教材部分习题和设计题，考查学生对基础知识和基本理论的掌握和应用能力.

（2）期末考试（闭卷）（占总成绩的80%）

采用笔试闭卷方式，考试内容选择某方面的内容，重点考查某基础知识、基本应用、具体问题的解决能力

教材及参考书

现用教材：鲍军鹏、张选平等编著的（人工智能导论），机械工业出版社 2019

主要参考资料：

 [1]马少平 朱小燕，人工智能，清华大学出版社2004

[2]史忠植 编写，人工智能，机械工业出版社2016

制定人与制定时间

*** ***，2019年月日