AI导论教学大纲-人工智能导论-廉师友-清华大学出版社
《人工智能导论》教学大纲(2024版)
人工智能导论课程教学大纲一、课程基本信息课程编号：课程中文名称：人工智能导论课程性质：学院基础课程、专业核心课程开课学期：3课内学时：32学时，其中授课32学时课外学时：32学时学分：2学分主要面向专业：自动化、测控、电气、机器人工程二、先修课程高等数学、概率论、线性代数、生命科学导论三、课程目标人工智能导论是面向理工科专业的重要基础课程。
课程以学科基础、技术基础、重点方向与领域、行业应用、伦理与法律五维知识体系为主要内容，经典与现代人工智能知识结构模块化，具有广阔的思想和技术背景。
通过课程学习，使学生系统性掌握人工智能基本概念、方法、技术，把握人工智能重点方向及领域；掌握机器学习、深度神经网络等基本方法；初步具备利用人工智能技术解决问题的基本能力；初步理解人工智能伦理及其对人工智能技术发展的重要意义。
为进一步学习相关的专业基础课程和专业课程打下必要的理论和实践基础。
（1）从大历史观角度使学生理解人工智能发展的历史和思想脉络，使学生认识到人工智能的本质和内涵，思考人之为人的价值和意义,勇于承担社会发展责任。
（2）充分发挥人工智能多学科、多领域理论、知识交叉的特点和优势，培养学生多学科知识交叉思维和创新意识。
（3）激发学生学习人工智能的热情和人机协同创新思维，为后续人工智能+X专业学习、创新创业、竞赛、就业等奠定基础。
（4）系统理解机器智能实现技术和方法，认识到机器智能对人类智能补充与增强作用，学会利用人机协同技术和方法及解决各类问题。
(5)使学生充分理解人工智能对未来人类社会经济、科技和文明发展的重要作用，具备未来能社会发展需要的人工智能人才素质。
四、教学内容与教学方法五、考核方式六、参考教材及学习资源（一）参考教材：[1]莫宏伟，徐立芳.人工智能导论.第2版.[2]莫宏伟，徐立芳.人工智能伦理导论.。
《人工智能导论》教学大纲
人工智能导论》教学大纲大纲说明课程代码： 3235042 总学时： 32 学时（讲课 32 学时） 总学分： 2 学分 课程类别：限制性选修 适用专业：计算机科学与技术，以及有关专业 预修要求： C 程序设计语言，数据结构课程的性质、目的、任务： 人工智能是计算机科学中涉及研究、 科学与技术， 以及有关专业重要的专业方向与特色模块课程之一。
生对人工智能的发展概况、 基本原理和应用领域有初步了解， 启发学生对人工智能的兴趣，培养知识创新和技术创新能力。
课程教学的基本要求：人工智能的研究论题包括计算机视觉、规划与行动、多 言理解、专家系统和机器学习等。
这些研究论题的基础是通用和专用的知识表示和推理机制、 问题求解和搜索算法，以及计算智能技术等。
要求学生掌握这些研究论题的基础知识。
人工智能还提供一套工具以解决那些用其它方法难以解决， 甚至无法解决的问题。
这些 工具包括启发式搜索和规划算法， 知识表示和推理形式， 机器学习技术， 语音和语言理解方 法，计算机视觉和机器人学等。
要求学生掌握利用其中的重要工具解决给定问题的基本方法。
大纲的使用说明：通过适当调节教学内容和学时安排，减少有关章节学时和增加专家系统这一章的学时， 本大纲亦可作为《人工智能与专家系统》的课程教学大纲。
大纲正文第一章 绪论学时： 2 学时（讲课 2学时）了解人类智能与人工智能的含义，人工智能的发展和应用领域；理解人工智能的内涵。
本章讲授要点 ：在介绍人工智能概念的基础上， 使学生了解本课程所涉知识的重要意义， 以及人工智能的应用现状和应用前景。
设计和应用智能机器的一个分支。
本课程是计算机 通过本课程的开设， 使学 对主要技术及应用有一定掌握，Agent 系统、 语音识别、自动语重点 ：人工智能的定义、发展，及其应用领域。
难点 ：对人工智能内涵的理解。
第一节 人工智能的定义和发展 第二节 人类智能和人工智能 第三节 人工智能的学派及其争论 第四节 人工智能的研究与应用领域 第五节 人工智能对人类的影响第二章 知识表示 学时： 6 学时（讲课 6学时）了解实现知识表示的语义网络法、 框架表示法、 剧本表示法及过程表示法； 理解状态空 间法、问题规约法；掌握谓词逻辑法。
人工智能导论 教案 第1章 人工智能概述
思考与讨
所谓奇点，就是随着科学技术的飞跃发展，人们提出的一种对未来某一 论：
时刻人工智能将超越人类智能的假说。
奇点会不会
到来？
1.2 人工智能的起源和发展
在古今中外历史上，为了实现人工智能的梦想，人类进行了多次尝试， 甚至通过实践——制造机械人偶——来实现自己对人工智能的追求。
1.传说中的人工智能 公元前 900 多年我国有歌舞机器人传说的记载，古希腊存在诸多传说， 内容包括天神和怪兽等。在这些传说中还出现了机械人，比如古代诗人荷马 的《伊利亚特》一书中提到的希腊天神赫菲斯托斯的黄金机器人。 2.科幻电影中的人工智能 （1）《大都会》：开启科幻电影的大门 （2）《2001 太空漫游》：现代科幻电影技术的里程碑 3. 图灵测试与人工智能 （1）阿兰·图灵 阿兰·图灵（Alan Turing，1912 年 6 月 23 日-1954 年 6 月 7 日）出生于 英国伦敦帕丁顿，毕业于普林斯顿大学，是英国数学家、逻辑学家，被誉为 “计算机科学之父”“人工智能之父”
（2）图灵机 （3）图灵测试 4. 冯·诺依曼体系结构 （1）冯·诺依曼 （2）冯·诺依曼体系 5.人工智能学科的诞生 1955 年 8 月 31 日，美国学者约翰·麦卡锡（John McCarthy）、马文·明斯 基（Marvin Minsky）、纳撒尼尔·罗切斯特（Nathaniel Rochester）和克劳德·香 农（Claude E.Shannon）共同发布了《针对人工智能的达特茅斯暑期研究计划 的提议》（A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence），提议 1956 年夏天在达特茅斯学院（见图 1-17）开展一次由 10 个人组成、为期两个月的人工智能研究，共同探讨用机器模拟智能的一系列
3、《人工智能通识教程》(第2版)教学大纲20240710
《人工智能通识教程》（第2版）教学大纲一、课程基本信息• 课程名称：人工智能导论/ 人工智能概论• 课程代码：• 课程英文名称：AI-Introduction• 学时与学分：理论学时32，课外实践学时16，总学分2• 课程性质：必修课（选修课）• 适用专业：人工智能、大数据、计算机等工科专业（其他各专业）• 先修课程：略• 后续课程：机器学习、深度学习、智能机器人等二、课程目标学习本课程，通常旨在为学生奠定坚实的人工智能基础知识，培养其在人工智能领域的基本技能和理解能力。
以下是主要学习目标，可能会根据不同课程设置有所差异：1. 理解人工智能基础：掌握人工智能的基本概念、发展历程、主要分支领域（如机器学习、深度学习、自然语言处理、计算机视觉等）及其在现代社会中的应用。
2. 理论与技术基础：学习和理解支撑人工智能的核心算法和理论，包括搜索算法、知识表示、推理方法、决策制定、学习理论等。
3. 实践技能培养：通过编程实践和项目作业，掌握至少一种编程语言（如Python）在人工智能领域的应用，以及如何使用常见的AI框架和库（（如TensorFlow、PyTorch）。
4. 问题解决能力：培养分析和解决人工智能问题的能力，包括如何定义问题、选择合适的技术路线、设计并实施解决方案。
5. 伦理与社会责任：讨论人工智能技术的伦理和社会影响，理解隐私保护、数据安全、算法偏见等议题，培养负责任的AI开发与应用意识。
6. 创新与批判性思维：鼓励学生批判性地评估现有的AI技术，激发创新思维，探索AI在新领域的应用可能。
7. 沟通与团队合作：通过团队项目，提升与他人合作解决复杂问题的能力，以及有效沟通研究成果和想法的能力。
8. 持续学习能力：鉴于AI领域的快速变化，课程应培养学生自主学习的习惯，跟踪技术进展，适应未来可能出现的新技术、新理论。
这些目标旨在为学生构建一个全面的人工智能知识框架，不仅关注技术细节，也重视理论与实践的结合，以及技术的社会影响和伦理考量，为学生将来在AI 领域的深入研究或职业发展打下坚实的基础。
2024年《人工智能》详细教学大纲
结合语音识别和自然语言处理技术，对语音中的情感进行 分析和识别，是实现智能语音交互的重要研究方向。
18
05 计算机视觉技术与应用
2024/2/29
19
图像处理和计算机视觉基础概念
1 2
图像处理基础
像素、分辨率、色彩空间、图像变换等基本概念 。
计算机视觉概述
视觉感知、视觉计算模型、视觉任务分类等。
能力目标
能够运用所学知识分析和 解决人工智能领域的实际 问题，具备一定的实践能 力和创新能力。
素质目标
培养学生的创新思维、团 队协作和终身学习能力， 提高学生的综合素质和职 业素养。
5
课程安排与时间表
课程安排
本课程共分为理论授课、实验操作和课程设计三个环节，其中理论授课主要讲解 人工智能的基本原理和方法，实验操作帮助学生掌握相关技术和工具的使用，课 程设计则要求学生综合运用所学知识完成一个实际项目。
分割（如FCN、U-Net）等。
2024/2/29
03
实例分割与语义分割
Mask R-CNN、PANet等实例分割方法；DeepLab、PSPNet等语义分
割方法。
21
三维重建、视频理解等前沿技术介绍
三维重建技术
基于多视图的三维重建、基于深度学习的三维重建（如体素网格 、点云处理）等。
视频理解技术
马尔科夫决策过程在强化学习中的应用
03
将强化学习问题建模为马尔科夫决策过程，利用求解方法求解
最优策略。
25
智能推荐系统、游戏AI等应用场景分析
智能推荐系统
利用强化学习技术，根据用户历史行为和环境反馈，学习推荐策略，实现个性化推荐。例 如，电商平台的商品推荐、音乐平台的歌曲推荐等。
第3章 图搜索与问题求解-人工智能导论-廉师友-清华大学出版社
『导语』
搜索是人工智能技术中进行问题求解的基本技术，不管是符号智 能还是计算智能以及统计智能和交互智能，不管是解决具体应用问题， 还是智能行为本身，最终往往都归结为某种搜索，都要用某种搜索算 法来实现。
符号智能中的搜索是运用领域知识，以符号推演的方式，顺序地 在问题空间中进行的，其中的问题空间又可表示为某种状态图（空间） 或者与或图的形式。所以，这种搜索也称为图搜索技术。
(1) 把初始节点So放入CLOSED表中。 (2) 令N＝So。 (3) 若N是目标节点,则搜索成功,结束。 (4) 若N不可扩展,则搜索失败,退出。 (5) 扩展N,选取其一个未在CLOSED表中出现过的子节 点N1放入CLOSED表中, 令N＝N1, 转步(3)。
第 3 章 图搜ห้องสมุดไป่ตู้与问题求解
树式搜索算法：
(1) 把初始节点So放入OPEN表中。 (2) 若OPEN表为空, 则搜索失败, 退出。 (3) 移出OPEN表中第一个节点N放入CLOSED表中, 并冠 以顺序编号n。 (4) 若目标节点Sg=N, 则搜索成功, 结束。 (5)若N不可扩展, 则转步(2)。 (6) 扩展N, 生成一组子节点, 对这组子节点做如下处理：
④对其余子节点配上指向N的返回指针后放入OPEN表中 某处, 或对OPEN表进行重新排序, 转步(2)。
第 3 章 图搜索与问题求解
第 3 章 图搜索与问题求解
说明：
(1) 这里的返回指针也就是父节点在CLOSED表中的编 号。
(2) 步6中修改返回指针的原因是, 因为这些节点又被第 二次生成, 所以它们返回初始节点的路径已有两条, 但这两 条路径的“长度”可能不同。 那么, 当新路短时自然要走 新路。
《人工智能导论》课程教学大纲
90%
离散型 Hopfield 网 络 、 连 续 型
Hopfield 网络、卷积运算、池化、卷
积网络的手写体数字识别。
人脑视觉机理、深度学习的基本思
40% 50% 40%
10%
想、人工智能的概念、人工智能研宄的
基本内容、神经元数学模型
合计
100% 100% 100%
100%
各考核方式占总成绩权重（自行賦值）
掌握连续 Hopfield 神经网络 用于优化计算的
一般步骤。
掌握连续 Hopfield 神经网络的
结构和运行机制，理 解连续 Hopfield 神经 网络用于优化计算
的基本原理。能够针
对创新点开展切实 有效的理论和应用 研究
目标 5.1
注：1.此表可用于课内实践教学环节或某门综合实践课程
2.实验类型：选填”验证性/综合性/设计性”；实习类型：选填“认识实习/生产实习/毕业实习”
对人工智能课程
与模拟，并能够理解其局限 工程实际中遇到的技术难题，
的各个章节产生
性。
兴趣，从而促进
具有扎实的理论基础、宽阔的
支撑指标点：5.2 能够在物 学习热情，在之
专业视野，具有计算机软硬件 联网领域复杂工程问题的 后的理论教学中
相关产品分析、开发、测试和
能更好地理解技
维护能力，能够用系统的观点 建模、模拟或解决过程中， 术的先进性与实
实习项 号
目名称
教学内容
实验 学或实思政融 时 习 类 入点
型2
学生学习 预期成果
课程目标
做
实验要
参 考 A*
具有批
熟悉和掌握启
A* 算 法 算 法 核 心 代
2024版《人工智能》课程教学大纲
计算机体系结构
理解计算机硬件组成、操 作系统及基本工作原理。
数据结构与算法
掌握基本数据结构（如数 组、链表、栈、队列等） 和常用算法（如排序、查 找等）。
计算机网络
了解网络协议、网络架构 及网络安全等基础知识。
数学基础
线性代数
掌握向量、矩阵、线性方程组等基本概念和运算。
概率论与数理统计
理解概率分布、随机变量、数理统计等基本概念 和方法。
介绍神经网络优化的一些常用方 法，如梯度下降、动量法、
Adam等优化算法的原理和应用。
卷积神经网络（CNN）
卷积层
池化层
讲解卷积层的工作原理和实 现方法，包括卷积核、步长、 填充等概念。
介绍池化层的作用和实现方 法，包括最大池化、平均池 化等。
CNN模型
介绍一些经典的CNN模型， 如LeNet-5、AlexNet、 VGGNet、GoogLeNet、 ResNet等，并分析其网络结 构和特点。
无监督学习
K-均值聚类
层次聚类
将数据划分为K个簇，使得同一簇内的数据尽 可能相似，不同簇间的数据尽可能不同。
通过不断将数据点或已有簇合并成新的簇， 直到满足某种停止条件。
主成分分析（PCA）
自编码器
通过线性变换将原始数据变换为一组各维度 线性无关的表示，可用于高维数据的降维。
一种神经网络结构，通过编码器和解码器对 输入数据进行压缩和重构，实现特征提取和 降维。
句ห้องสมุดไป่ตู้分析技术
短语结构分析
识别句子中的短语结构，如名词短语、动词短语等。
依存关系分析
分析句子中单词之间的依存关系，如主谓关系、动宾关系等。
句法树构建
根据短语结构和依存关系构建句子的句法树，表示句子的结构信 息。
第19章 智能计算机与智能化网络-人工智能导论-廉师友-清华大学出版社
19.2.3 网络的智能化管理与控制 1. 在管理功能中引入智能技术
• 配置管理中，可以用人工智能中自动规划与配置技术实 现优化配置，提高网络资源利用率。 • 故障管理中，可建立故障诊断专家系统。 • 性能管理中，性能分析可以采用知识库和专家系统技术 提高其水平和速度。 • 安全管理中，入侵检测中可使用多种智能技术。
图19-10 搜索引擎的基本结构与工作原理示意
2. 智能搜索引擎 智能搜索引擎的主要有以下研究课题： (1) 信息搜集方面主要是智能搜索算法，如启发式搜索。 (2) 信息组织方面，又可分为以下几种：
① 信息分类技术 ② 基于内容的自动索引技术 ③ 理解式自动文摘技术 (3) 信息检索方面有模糊检索、概念检索、自然语言检 索等。
19.1.4 神经网络计算机，类脑芯片 神经网络计算机也称神经计算机，是指由大量类似神经 元的基本处理单元相互连接所构成，具有分布存储和并 行处理能力及自组织方式，能模拟人脑神经信息处理功 能的计算机系统。
人工神经网络计算机又可分为三种类型，即基于超大规 模集成电路的神经网络计算机、基于光处理器的神经网 络计算机和基于分子处理器的神经网络计算机。但受当 前物质条件和技术水平的限制，神经计算机分全硬件和 软件模拟两条途径来实现。
第19章 智能计算机与智能化网络
19.1 智能计算机 19.2 智能化网络
19.1 智能计算机
19.1.1 智能硬件平台和智能操作系统 • 智能硬件平台：指直接支持智能系统开发和运行的智能
硬件设备。如已研制过的LISP机、PROLOG机等。现 在，又推出了适于机器学习的人工智能专用芯片，同时 又在开发、研制神经网络计算机和其他新型智能计算机。 • 智能操作系统：指以智能计算机硬件为基础，能实现计 算机硬软件资源的智能管理与调度，具有智能接口，并 能支撑外层的智能应用程序的新一代操作系统。智能操 作系统主要有三大特点：并行性、分布性和智能性。
人工智能导论 廉师友章节内容
人工智能导论廉师友章节内容一、章节内容的初印象廉师友老师编写的人工智能导论章节内容肯定超有趣。
人工智能可是个超级酷的领域呢，感觉就像是探索一个充满无限可能的未来世界。
这一章节就像是一把钥匙，打开了人工智能这个神秘宝藏的大门。
二、可能涵盖的知识领域1. 人工智能的基本概念这部分肯定会用特别通俗易懂的方式来解释啥是人工智能。
也许会说，就像是给机器装上一个超级聪明的大脑，让它能像人一样思考、做事。
比如说那些能自己下棋的机器人，就是人工智能的一种体现。
这里可能还会提到人工智能的起源，是不是从那些科学家的奇思妙想开始的呢？就像古代人想象鸟儿一样在天空飞，现在有了飞机；以前幻想有个聪明的助手，现在就有了人工智能。
2. 人工智能的发展历程这一块就像是在讲述一个传奇故事。
从最开始简单的算法，到现在超级复杂的神经网络。
也许会提到那些在人工智能发展道路上的里程碑事件，像某个超级厉害的算法诞生，或者是某个智能机器做出了惊人之举。
就像深蓝战胜国际象棋大师，这可是人工智能发展史上的大事件呢。
而且可能还会讲到不同阶段人工智能的特点，早期的可能比较简单、单一功能，现在的就可以同时处理好多事情啦。
3. 人工智能的应用场景哇哦，这可就太多啦。
在医疗领域，人工智能可以帮助医生诊断疾病，比人眼更精准地发现病症。
在交通方面，智能交通系统可以让道路更畅通，减少堵车。
还有在娱乐行业，像那些能根据我们喜好推荐电影、音乐的系统也是人工智能的功劳。
这章节说不定还会讲一些未来可能的应用场景呢，比如人工智能帮我们管理家务，机器人陪我们聊天逛街啥的。
三、对学习这章节内容的期待学习这个章节肯定会特别兴奋。
感觉就像是在跟未来对话一样。
而且这能让我们更好地了解周围的科技世界，说不定还能激发我们自己的创造力，去创造出更多有趣的人工智能产品或者应用。
也许学完之后，我们看那些智能设备的眼光都会不一样了，不再只是觉得它们很酷，而是能明白背后的原理和技术。
这就像是打开了一个新的知识宝库，里面充满了新奇的想法和无限的可能。
《人工智能导论》教学教案
《导论》教学教案第一章：概述1.1 教学目标让学生了解的定义、发展历程和应用领域。
让学生理解的基本原理和技术。
1.2 教学内容的定义和发展历程。
的应用领域和挑战。
的基本原理和技术。
1.3 教学方法采用讲授法，讲解的定义和发展历程。
采用案例分析法，分析的应用领域和挑战。
采用讨论法，探讨的基本原理和技术。
1.4 教学评估课堂讨论，了解学生对的理解程度。
第二章：机器学习2.1 教学目标让学生了解机器学习的定义、分类和应用。
让学生理解监督学习和无监督学习的基本原理。
2.2 教学内容机器学习的定义和分类。
监督学习和无监督学习的基本原理。
机器学习应用案例。
2.3 教学方法采用讲授法，讲解机器学习的定义和分类。
采用案例分析法，分析监督学习和无监督学习的基本原理。
采用实践操作法，让学生动手实践机器学习算法。
2.4 教学评估课堂讨论，了解学生对机器学习的理解程度。
课后作业，让学生完成一个简单的机器学习项目。
第三章：深度学习3.1 教学目标让学生了解深度学习的定义、原理和应用。
让学生理解神经网络和卷积神经网络的基本概念。
3.2 教学内容深度学习的定义和原理。
神经网络和卷积神经网络的基本概念。
深度学习应用案例。
3.3 教学方法采用讲授法，讲解深度学习的定义和原理。
采用案例分析法，分析神经网络和卷积神经网络的基本概念。
采用实践操作法，让学生动手实践深度学习算法。
3.4 教学评估课堂讨论，了解学生对深度学习的理解程度。
课后作业，让学生完成一个简单的深度学习项目。
第四章：自然语言处理4.1 教学目标让学生了解自然语言处理的定义、原理和应用。
让学生理解词性标注、句法分析和机器翻译的基本概念。
4.2 教学内容自然语言处理的定义和原理。
词性标注、句法分析和机器翻译的基本概念。
自然语言处理应用案例。
4.3 教学方法采用讲授法，讲解自然语言处理的定义和原理。
采用案例分析法，分析词性标注、句法分析和机器翻译的基本概念。
采用实践操作法，让学生动手实践自然语言处理算法。
AI概论电子教案-人工智能概论(通识课版)-廉师友-清华大学出版社
人工智能概论课程教案（参考）廉师友编写清华大学出版社（2020）说明为了方便各位任课老师的教学，本书作者将自己曾经给计算机专业讲授人工智能课程的教案（稍有删节）提供给大家以作参考。
由于该《人工智能概论》是一部新教材和新课程，所以此教案仅有参考价值。
其实，即就是完全按照这本新教材所写的教案，也只能作为参考而并非能适合每位老师的教学实际。
事实上，不同的院校对同一门课程往往有不同的内容要求和课时设置，不同的老师对同一门课程也都有自己不同的教学思路和教学风格，如果统一为一种模式，则就限制了老师的发挥和创新。
希望这份资料对各位任课老师的教学能有所帮助！当然，若发现其中有不妥或错误之处也请指正！作者2020年3月教案首页院(系)：计算机学院教研室(系)：计算机工程章节备课学时：2学时：4学时：6学时：2学时：10学时：6学时：4章节备课学时：2学时：2第 1 次课 2学时第2 次课2学时课时备课第 3 次课 2学时第 4 次课2学时第 5 次课 2学时第 6 次课 2学时第 7 次课 2学时课时备课第 8 次课 2学时课时备课第 9 次课 2学时课时备课第 10 次课 2学时课时备课第 11 次课 2学时课时备课第 12 次课 2学时第 13 次课 2学时第 14 次课 2学时第 15 次课 2学时第 16 次课 2学时第 17 次课 2学时第 18 次课 2学时第 19 次课 2学时第 20 次课 2学时第 21 次课 2学时第 22 次课 2学时第 23 次课 2学时。
(2024年)人工智能教学大纲
02
讨论如何保障人工智能系统中的数据安全，包括数据加密、访
问控制等。
数据泄露与应对
03
分析数据泄露的原因、后果及应对措施，以及如何在人工智能
系统中预防数据泄露。
28
算法偏见与歧视问题
2024/3/26
算法偏见
探讨算法偏见产生的原因、表现形式以及对社会的影响。
歧视性算法
分析歧视性算法的危害，以及如何避免在人工智能系统中出现歧 视性算法。
门控循环单元（GRU）
熟悉GRU的原理和实现细节， 了解其与LSTM的异同点以及 在特定任务中的表现。
循环神经网络的训练与调 优
掌握循环神经网络的训练方法 和调优技巧，如梯度爆炸/消失 问题的解决方法、序列数据的 预处理等。
2024/3/26
18
05 自然语言处理
2024/3/26
19
词法分析
词汇识别
公平性与透明度
讨论如何在人工智能系统中实现算法公平性和透明度，以及如何 评估算法的公平性和透明度。
29
人工智能的法律责任与监管
法律责任
探讨人工智能系统在不同应用场景下的法律责任归属问题，包括民 事责任、刑事责任等。
监管政策
分析国内外对人工智能的监管政策及其发展趋势，以及如何在合规 的前提下推动人工智能的发展。
介绍情感分析的基本原理和 方法，包括如何识别和分析 文本中的情感倾向和情感表 达。
2024/3/26
22
06 计算机视觉
2024/3/26
23
图像分类与目标检测
01 02
图像分类
学习如何使用深度学习算法对图像进行分类，包括卷积神经网络（ CNN）的基本原理、常见网络结构（如VGG、ResNet等）以及训练和 优化技巧。
清华大学《人工智能导论》课程电子教案(一)
45
一些深入的问题
失败原因分析、多步回溯
Q Q
46
一些深入问题（续）
回溯搜索中知识的利用 基本思想(以皇后问题为例)： 尽可能选取划去对角线上位置数最少的。
Q Q Q
Q
3
2
2
3
47
2.2 图搜索策略
问题的引出
– 回溯搜索：只保留从初始状态到当前状态的
一条路径。 – 图搜索：保留所有已经搜索过的路径。
THEN THEN THEN THEN THEN
(w, y, z, 0, 0) (z, y, z, 0, 0) (x, y, x, 1, 0) (x, y, x, 0, 0) (x, x, x, 1, 1)
其中x, y, z, w为变量
18
1.4 产生式系统的特点
数据驱动 知识的无序性 控制系统与问题无关 数据、知识和控制相互独立
（控制策略） （推理引擎）
2
规则的一般形式
IF <前提> THEN <结论> IF <条件> THEN <行动> 或者简写为： <前提> －> <结论> <条件> －> <行动>
3
1.2 产生式系统的基本过程
过程PRODUCTION 1，DATA←初始数据库 2，until DATA满足结束条件，do 3，{ 4， 在规则集中选择一条可应用于DATA 的规则R 5， DATA ←R应用到DATA得到的结果 6，}
A，B，C，D，G，E，F
1，IF A∧B THEN C 3，IF B∧C THEN G 5，IF D THEN E 2，IF A∧C THEN D 4，IF B∧E THEN F
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
人工智能导论课程教学大纲廉师友编写清华大学出版社（2020）说明为了方便各位任课老师的教学，本书作者结合自己多年来给计算机专业讲授人工智能课程的教学大纲和这部《人工智能导论》新教材的内容以及该课程的基本要求，制定了这一新的教学大纲，供各位老师参考。
从内容来看，这个大纲与这部新教材是一致的，其课时应该说已达到这门课程的上限。
各位老师可根据各自院校的实际情况对该大纲的教学内容进行取舍，并确定相应的课时，以制定适合各自教学任务的教学大纲。
希望这份资料对各位任课老师的教学能有所裨益和帮助！当然，若发现其中有不妥或错误之处也请指正！作者2020年3月《人工智能导论》课程教学大纲课程编号：英文课名：Introduction to Artificial Intelligence适用专业：人工智能、计算机、自动化和电子信息类专业（考试）学时：90 学分：课程类别：专业课课程性质：必修课/必选课一、课程性质和目的《人工智能导论》为人工智能、计算机、自动化和电子信息类专业的一门必修或必选课程，其目的是使学生理解人工智能的基本原理，初步学习和掌握人工智能的基本技术，为进一步学习人工智能后续专业课程或从事人工智能的研发奠定基础，指引方向。
二、课程内容第1章人工智能概述基本内容和要求：1．理解人工智能的概念、目标和研究策略；2．理解人工智能的研究内容与方法；3．了解人工智能的分支领域；4．了解人工智能的应用与发展概况。
第2章人工智能程序设计语言基本内容和要求：1．了解人工智能程序设计语言的特点、分类和发展概况；2．理解PROLOG语言的语句特点、程序结构和运行机理，能读懂和编写简单的PROLOG 程序；3．了解Python语言的特点和使用方法，能读懂和编写简单的Python程序。
教学重点：1．PROLOG语言；2．Python语言。
教学难点：1．PROLOG语言的匹配合一和回溯控制；2．Python语言的程序结构和资源库的使用。
第3章图搜索与问题求解基本内容和要求：1．理解状态图的基本概念，初步掌握状态图搜索基本技术和状态图问题求解的一般方法，包括穷举式搜索、启发式搜索、加权状态图搜索基本算法和A算法、A*算法以及博弈树搜索技术等；2．理解与或图的基本概念，初步掌握与或图搜索基本技术和或图问题求解的基本算法；3．理解并初步掌握一些经典规划调度问题（如迷宫、八数码、梵塔、旅行商、八皇后等问题）的求解方法；教学重点：1．状态图搜索常用算法和问题的状态图表示；2．与或图搜索常用算法和问题的与或图表示。
教学难点：1．问题的状态图、与或图表示。
2．启发函数和估价函数设计。
第4章遗传算法基本内容和要求：1．理解遗传算法的基本概念和特点；2．理解基本遗传算法的原理和应用技术。
教学重点：选择-复制、交叉和变异等三种遗传操作。
教学难点：个体对象编码和适应函数设计。
第5章基于一阶谓词的机器推理基本内容和要求：1．掌握自然语言命题的谓词形式表示和基于谓词公式的形式演绎推理；2．理解命题逻辑中的归结原理，掌握相应的归结推理方法；3．理解谓词逻辑中的归结原理，掌握相应的归结推理方法；4．掌握应用归结原理求取问题答案的方法。
教学重点：命题逻辑中的归结原理和谓词逻辑中的归结原理。
教学难点：谓词逻辑中的归结原理及归结策略的运用。
第6章基于产生式规则的机器推理基本内容和要求：1．理解并掌握产生式规则的表示和相应的推理模式；2．理解产生式系统的结构和运行过程；3．理解并掌握产生式系统的控制策略和常用算法。
教学重点：1．产生式规则的表示；2．产生式系统的控制策略和推理算法。
教学难点：产生式系统的反向推理算法。
第7章几种结构化知识表示及其推理基本内容和要求：1．理解并初步掌握元组、框架、语义网、知识图谱、类与对象等的描述和推理方法；2．初步掌握这几种知识表示的语言实现。
教学重点：框架、语义网、知识图谱。
教学难点：语义网及其语言实现。
第8章不确定和不确切性知识的表示与推理基本内容和要求：1．理解不确定性信息和不确切性信息的特点和区别；2．初步掌握不确定性知识的表示及推理方法，了解几种经典的不确定性推理模型，初步掌握贝叶斯网络和相应的概率推理方法；3．理解并初步掌握不确切性知识的表示及推理方法。
教学重点：1．贝叶斯网络和相应的概率推理；2．软语言值及其数学模型，基于软语言规则的推理。
教学难点：1.贝叶斯网络及相应的概率推理。
2.基于软语言规则的推理方法。
第9章机器学习：符号学习与交互学习基本内容和要求：1．理解机器学习的基本原理和分类；2．理解典型的（符号）学习方法，包括记忆学习、示例学习、演绎学习、类比学习、解释学习、发现学习等；3．理解并掌握决策树学习的基本原理和算法；4. 理解强化学习的基本原理和值函数、Q函数及Q学习算法；5.了解强化学习的发展概况。
教学重点：决策树学习和强化学习。
教学难点：强化学习的Q学习算法。
第10章统计学习基本内容和要求：1．理解统计学习基本原理、方法和分类；2．理解回归问题的线性函数模型学习和梯度下降法、分类问题的线性判别函数模型学习和分类问题的Logistic回归模型学习，并掌握相应的学习算法；3．理解监督学习的主要工作及步骤、准则函数的演变、过拟合、欠拟合、正则化，以及模型与学习方法的分类；4. 理解支持向量机的数学原理及分类，包括最大间隔超平面、线性可分支持向量机、线性支持向量机和非线性支持向量机等。
教学重点：1．统计学习基本原理及分类；2．回归问题的线性函数模型学习和梯度下降法、分类问题的线性判别函数模型学习。
教学难点：支持向量机的数学原理。
第11章神经网络学习基本内容和要求：1．理解神经网络及其学习的基本原理，包括神经网络的拓扑结构与学习机理、神经网络模型及其分类等；2．理解感知器和BP网络的拓扑结构和学习原理，并初步掌握相应的学习算法；3．了解深度学习基本原理、突出特点和发展概况。
教学重点：1．神经网络及其学习的基本原理；2．BP网络和BP学习算法。
教学难点：深度学习的基本原理。
第12章数据挖掘与知识发现基本内容和要求：1．理解数据挖掘的基本原理，包括对象、任务和方法等；2．理解关联规则发现原理，初步掌握Apriori算法；3．理解并初步掌握k-均值聚类算法；4．了解大数据挖掘与分布式学习基本原理和方法。
教学重点：关联规则发现原理和Apriori算法及k-均值聚类算法。
教学难点：大数据挖掘与分布式学习。
第13章模式识别基本内容和要求：1．理解模式识别的基本原理和分类；2．理解统计模式识别的基本原理和方法，包括距离分类法、几何分类法和概率分类法等；3．理解并掌握朴素贝叶斯分类算法及其应用；4.理解概率密度函数估计基本原理，特别是最大似然估计。
教学重点：1．统计模式识别的基本原理和方法；2．朴素贝叶斯分类算法。
教学难点：最大似然估计。
第14章数-语互换基本内容和要求：1．理解并初步掌握数-语转换和语-数转换的基本原理和方法；2．理解带数-语互换接口的推理方法。
教学重点：数-语转换和语-数转换。
教学难点：语-数转换。
第15章自然语言处理基本内容和要求：1．了解自然语言处理的原理，包括途径、方法及发展概况；2．理解基于规则的自然语言理解，包括简单句的语法分析、语义分析和语用分析，复合句理解以及转换文法和转换网络；3．理解统计语言模型及其数学原理。
教学重点：基于规则的自然语言理解和统计语言模型。
教学难点：语义分析和统计语言模型。
第16章专家（知识）系统基本内容和要求：1．理解专家（知识）系统的基本原理，包括概念、类型和结构；2．理解专家系统的设计与实现技术；3．了解专家系统开发语言、工具与环境；4．了解专家系统的应用和发展概况。
教学重点：专家（知识）系统的基本原理和建造方法。
教学难点：专家系统的设计与实现。
第17章Agent系统基本内容和要求：1．理解Agent的概念、类型和结构；2．理解多Agent系统的原理、结构和学习；3．初步掌握Agent的实现技术；4．了解Agent的应用和发展概况。
教学重点：Agent的类型和结构。
教学难点：多Agent系统。
第18章智能机器人基本内容和要求：1．理解智能机器人的概念和基本原理，包括机器人感知、规划和控制；2．了解智能机器人的软件结构和程序语言；3．了解机器人的应用和发展概况。
教学重点：智能机器人基本原理。
教学难点：机器人学习。
第19章智能计算机与智能化网络基本内容和要求：1．了解智能计算机的特点和发展概况；2．了解智能网络和智能Web的概念和原理；3．理解网络的智能化管理与控制基本技术；4. 理解网上信息的智能化检索基本原理和方法；5. 理解推荐系统的基本原理和算法。
教学重点：1．网络的智能化管理与控制；2．智能Web；3. 网上信息的智能化检索及推荐系统。
教学难点：网上信息的智能化检索及推荐系统。
三、课程要求1．本课程的教学包括课堂讲授、课外作业、辅导答疑、上机实习和期末复习考试等教学环节。
2．课堂教学采用启发式教学方法，理例结合，多媒体并用，引导学生加深对课程内容的理解，提高学生的学习兴趣和效果。
3．理论联系实际，通过本课程的教学，力争使学生在理解和掌握大纲所要求的教学内容的基础上，能正确地运用这些知识解决有关实际问题。
四、学时分配五、教材与教参教材：《人工智能导论》，廉师友，清华大学出版社，2020。
教学参考书：。