《人工智能与机器学习》教学大纲
《人工智能》详细教学大纲.doc
《人工智能》教学大纲 课程名称：人工智能 英语名称：Artificial Intelligence 课程代码：130234 课程性质：专业必修 学分学时数： 5/80 适用专业：计算机应用技术 修（制）订人： 修（制）订日期：2009年2月 审核人： 审核日期： 审定人： 审定日期： 一、课程的性质和目的 （一）课程性质 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。
（二）课程目的 1、基本理论要求： 课程介绍人工智能的主要思想和基本技术、方法以及有关问题的入门知识。
要求学生了解人工智能的主要思想和方法。
2、基本技能要求： 学生在较坚实打好的人工智能数学基础（数理逻辑、概率论、模糊理论、数值分析）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；在理解Herbrand 域概念和Horn 子句的基础上，应用Robinson 归结原理进行定理证明；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。
3、职业素质要求：结合实战，初步理解和掌握人工智能的相关技术。
二、教学内容、重（难）点、教学要求及学时分配 第一章：人工智能概述（2学时）……………………………………………………………………装……订……线…………………………………………………………………………………………………………… …………………………1、讲授内容：（1）人工智能的概念（2）人工智能的研究途径和方法（3）人工智能的分之领域（4）人工智能的基本技术（5）人工智能的发展概况2、教学要求：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。
人工智能与机器学习教案
人工智能与机器学习教案1. 引言人工智能（Artificial Intelligence, AI）和机器学习（Machine Learning, ML）是当今科技领域炙手可热的研究方向。
随着技术的不断进步和应用场景的扩展，人工智能和机器学习正日益赋予机器“智能”的能力，广泛应用于各个行业领域。
本教案将重点介绍人工智能与机器学习的基本理论、关键技术和应用案例，旨在培养学生对人工智能和机器学习的认识和理解，并通过实践项目提升学生的实际操作能力。
2. 教学目标2.1 知识目标- 掌握人工智能和机器学习的基本概念和原理；- 了解机器学习的不同算法及其应用场景；- 熟悉人工智能和机器学习在各行业中的应用案例。
2.2 能力目标- 能够利用机器学习算法解决实际问题；- 具备独立学习和探究的能力，能够跟随技术发展并灵活应用；- 具备团队合作和沟通能力，能够参与人工智能项目。
2.3 情感目标- 培养学生对人工智能和机器学习的兴趣和热爱；- 培养学生的创新思维和问题解决能力；- 培养学生的实践能力和工程思维。
3. 教学内容3.1 人工智能基础知识- 人工智能的定义和历史发展；- 人工智能的分类和应用领域；- 人工智能的关键技术和挑战。
3.2 机器学习基本理论- 机器学习的定义和基本概念；- 机器学习的分类和算法原理；- 监督学习、无监督学习、强化学习的区别和应用。
3.3 机器学习算法与应用- 线性回归、逻辑回归、决策树、支持向量机等算法原理和实现；- 机器学习在图像识别、自然语言处理、推荐系统等领域的应用。
3.4 实践项目设计与完成- 学生分组完成一个基于机器学习的项目设计与实现；- 项目涵盖数据收集、数据预处理、算法选择、模型训练和结果分析等环节；- 学生通过实践项目提升问题解决能力和团队合作能力。
4. 教学方法4.1 讲授与讨论相结合- 教师通过讲授基本理论并提供案例分析，引导学生理解和掌握概念和原理；- 学生按照教师的指导，参与问题讨论和解决方案的探讨。
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。
人工智能详细教学大纲
人工智能详细教学大纲第一章：导论1.1 人工智能的定义和基本概念- 人工智能的定义和起源- 人工智能的发展历程1.2 人工智能的应用领域- 人工智能在医疗领域的应用- 人工智能在金融领域的应用- 人工智能在交通领域的应用第二章：机器学习基础2.1 机器学习的概述- 监督学习、无监督学习、强化学习的基本原理和区别- 机器学习的应用场景2.2 数据预处理- 缺失值处理- 异常值检测与处理- 特征选择与降维2.3 常见的机器学习算法- 逻辑回归- 决策树- 支持向量机- 集成学习第三章：深度学习3.1 深度学习的原理与应用- 深度学习的发展历程- 神经网络的基本结构和工作原理3.2 常用的深度学习框架- TensorFlow- PyTorch- Keras3.3 深度学习的应用案例- 图像分类与识别- 自然语言处理- 人脸识别第四章：自然语言处理4.1 自然语言处理的基础知识- 词向量表示- 语法分析和语义分析4.2 文本分类与情感分析- 文本特征提取- 文本分类算法4.3 机器翻译与问答系统- 神经机器翻译- 阅读理解模型第五章：计算机视觉5.1 计算机视觉的基本概念- 图像处理与特征提取- 目标检测与图像分割5.2 图像识别与物体识别- 卷积神经网络（CNN）- 目标检测算法（如YOLO、Faster R-CNN）5.3 视觉生成与图像风格迁移- 生成对抗网络（GAN）- 图像风格迁移算法第六章：人工智能伦理与法律6.1 人工智能的伦理问题- 隐私与数据安全- 就业与职业变革- 人工智能的道德问题6.2 人工智能的法律问题- 数据保护法与隐私权- 人工智能专利与知识产权- 算法歧视与公平性第七章：人工智能未来发展趋势7.1 人工智能的挑战和机遇- 人工智能的挑战与限制- 人工智能带来的机遇与可能性7.2 人工智能与人类的关系- 人工智能助力人类创新与发展- 人工智能对就业和教育的影响总结与展望本教学大纲全面介绍了人工智能的基本概念、机器学习、深度学习、自然语言处理、计算机视觉等领域的基础知识与应用。
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。
机器学习与人工智能教学大纲
机器学习与人工智能教学大纲本课程主要介绍监督学习和无监督学习，以及机器学习在人工智能中的应用。
涵盖机器学习的基本概念和算法，帮助学习者了解和掌握人工智能在自然语言理解和视觉分析等方面的技术。
课程概述本课程主要讲授机器学习和人工智能的基本概念、方法和应用。
主要包括以下内容：1.机器学习概念和常用方法分类2.损失函数、优化方法3.机器学习基本算法，包括决策树、K近邻、支持向量机、线性回归、逻辑回归、感知器、深度学习、KMeans、EM算法4.机器学习合奏学习算法，包括Boosting、AdaBoost、GDB等5.机器学习理论和实验准则，模型复杂度和方差均衡策略，交叉验证方法课程大纲01机器学习简介课时1.1机器学习简介1.2 人工智能1.3 学习的类型1.4 R语言简介1.5 机器学习的类型02机器学习的评估方法课时2.1 监督学习的评价2.2 不均衡数据预测的评估方法03回归分析课时3.1线性回归3.2多项式回归3.3 样条回归3.4 局部回归3.5 广义加性模型04回归方法课时4.1逻辑斯蒂回归4.2判别分类4.3 K最近邻分类4.4 回归树4.5 分类树4.6 Bagging分类4.7 随机森林4.8 AdaBoost05支持向量机课时5.1 支持向量机15.2 支持向量机206决策树课时6.1 数据的表示6.2 决策树6.3 过拟合6.4 决策树模型实例演示07合奏学习课时7.1 合奏学习原理7.2 装袋算法7.3 Boosting的基本原理7.4 Boosting算法7.5 Boosting算法的应用7.6 R语言训练合奏学习模型08正则化方法课时8.1 正则化方法原理8.2 正则化方法09人工神经网络课时9.1 神经网络简介与神经元9.2 感知器9.3 神经网络模型9.4 激活函数和代价函数9.5 梯度下降法和反向传播算法10深度学习课时10.1 深度神经网络10.2 卷积神经网络11聚类分析课时11.1 无监督学习原理11.2 K均值聚类算法11.3 K均值算法的问题11.4 基于混合模型的聚类11.5 EM算法理论11.6 用R语言做聚类分析。
人工智能与机器学习课教案人工智能与机器学习的基本概念与应用
人工智能与机器学习课教案人工智能与机器学习的基本概念与应用课程名称：人工智能与机器学习教案主题：人工智能与机器学习的基本概念与应用教学目标：1. 了解人工智能和机器学习的基本概念与原理；2. 理解人工智能和机器学习在实际应用中的意义和价值；3. 掌握机器学习的基本算法和流程；4. 能够运用机器学习算法解决实际问题。
教学重点：1. 人工智能和机器学习的基本概念和原理；2. 机器学习算法的基本原理和应用。
教学难点：1. 如何理解人工智能和机器学习的概念和关系；2. 如何理解和掌握机器学习算法的基本原理和应用。
教学准备：1. 教学PPT；2. 电脑、投影仪；3. 笔记本、笔。
教学过程：一、引入（400字）在当今科技快速发展的时代，人工智能和机器学习成为热门话题。
人工智能技术的广泛应用已经渗透到各个领域中，广泛影响着我们的生活。
那么，什么是人工智能？什么是机器学习？它们如何应用于我们的生活中呢？本节课，我们将一起来探讨人工智能和机器学习的基本概念与应用。
二、人工智能的基本概念与原理（600字）人工智能（Artificial Intelligence，简称AI）是一门研究如何使计算机具有智能的学科。
通过对人类智能的模拟和拓展，使得计算机能够像人类一样感知、思考、决策和学习。
人工智能的基本原理包括感知、推理和学习。
感知是指通过传感器获取外部环境的信息；推理是指利用规则和知识对获取的信息进行加工和处理，从而得出结论；学习是指通过不断积累经验和知识，提高计算机的性能和智能。
三、机器学习的基本概念与应用（600字）机器学习（Machine Learning）是一种人工智能的分支学科，通过让计算机具备自动学习的能力，使其能够从数据中发现模式和规律，并利用这些模式和规律进行预测和决策。
机器学习的基本原理包括数据准备、特征工程、模型选择和模型评估等步骤。
数据准备是指对原始数据进行清洗和预处理；特征工程是指从原始数据中提取和选择适合于模型训练的特征；模型选择是指根据问题的性质和数据的特点选择适合的机器学习算法；模型评估是指对训练得到的模型进行评价和验证。
《人工智能》教学大纲
附件1广东财经大学华商学院课程教学大纲模板人工智能》课程教学大纲一、课程简介人工智能是计算机与自动化学科的一门分支学科。
它研究如何用机器来模仿人脑所从事的推理、证明、识别、理解、学习、规划、诊断等智能活动。
人工智能是当前科学技术中正在迅速发展，新思想、新观点、新技术不断涌现的一个学科，也是一门涉及数学、计算机科学、控制论、信息论、心理学、哲学等学科的交叉和边缘学科。
人工智能原理是计算机科学技术类专业的应用学科。
前修课程包括：离散数学、数据结构、算法分析与设计等，后续课程：专家系统，知识工程。
二、教学目标(1)熟练掌握图搜索策略，熟练掌握回溯策略、图搜索策略的过程以及算法(BACKTRACK 以及AI算法)，掌握一些典型问题的启发式函数；(2)掌握用命题逻辑、一阶逻辑表示知识的方法，并在此基础上进行推理，熟练掌握归结方法以及归结反驳过程，熟练掌握利用归结反驳方法进行推理。
(3)掌握基于贝叶斯规则的不确定性推理，掌握条件概率、独立、条件独立及贝叶斯公式；掌握利用贝叶斯定理检测垃圾邮件的基本方法。
三、主要教学模式和教学手段1．本课程的教学包括课堂讲授、课外作业、辅导答疑、上机实验和期末考试等教学环节。
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知识内容的基础上，能正确地运用这些知识解决有关实际问题。
四、教学内容（要求编写所有章节的主要内容）第一章人工智能概述基本内容和要求：1．人工智能的概念与目标；2．人工智能的研究内容与方法；3．人工智能的分支领域；4．人工智能的发展概况。
第二章逻辑程序设计语言Prolog基本内容和要求：1.掌握Prolog语言的语句特点、程序结构和运行机理；2.能编写简单的Prolog程序，能读懂一般的Prolog程序。
教学重点：Prolog程序设计。
人工智能课程教学大纲
人工智能课程教学大纲课程名称：人工智能教学大纲课程目标：本课程旨在帮助学生了解人工智能的基本概念、原理和技术，并培养学生在人工智能领域的批判性思维和问题解决能力。
通过学习本课程，学生将能够理解人工智能的背景、应用和发展趋势，并能够独立设计和实现简单的人工智能系统。
课程内容：1. 人工智能概述- 人工智能的定义与应用领域- 人工智能的历史与发展- 人工智能与机器学习的关系2. 机器学习基础- 监督学习、无监督学习和强化学习的基本概念- 常用机器学习算法及其原理- 机器学习的评估方法和误差分析3. 深度学习- 神经网络的基本原理与结构- 卷积神经网络与循环神经网络的应用- 深度学习的训练与优化方法4. 自然语言处理- 语言的表示与处理方法- 文本分类、语义分析和机器翻译的基本原理- 自然语言生成与对话系统的应用5. 计算机视觉- 图像处理与特征提取- 目标检测、图像分类和图像生成的基本原理- 视觉感知与智能交互的应用6. 人工智能伦理与社会影响- 人工智能的道德与伦理问题- 人工智能在社会中的挑战与机遇- 人工智能的未来发展趋势课程教学方法：本课程采用讲授、案例分析和实践项目结合的教学方法。
通过理论讲解、实例分析和实践操作，帮助学生理解和应用人工智能的基本原理和技术。
学生将完成实践项目，设计和实现一个简单的人工智能系统，并对其性能进行评估和优化。
课程评估方式：- 平时作业和课堂表现：占总成绩的30%- 实践项目报告：占总成绩的40%- 期末考试：占总成绩的30%参考教材：- Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning [M]. MIT Press, 2016.- Sebastian Raschka, Vahid Mirjalili. Python Machine Learning [M]. Packt Publishing, 2017.- Dan Jurafsky, James H. Martin. Speech and Language Processing [M]. Pearson, 2019.备注：该人工智能课程教学大纲仅作参考，实际课程内容和安排可能会根据教师和学校要求进行调整。
人工智能课程教学大纲
人工智能课程教学大纲大纲：人工智能课程教学1. 简介- 介绍人工智能课程的重要性和普及程度- 解释人工智能的定义和应用领域2. 目标- 培养学生对人工智能的基本了解和认识- 培养学生分析和解决实际问题的能力- 引导学生思考人工智能对社会的影响3. 课程设计- 课程时长和学时安排- 教学方法和教学资源- 课程内容和模块划分4. 课程内容- 人工智能的历史和发展- 人工智能的基本概念和原理- 机器学习和深度学习算法- 自然语言处理和计算机视觉- 人工智能在各行业的应用案例5. 教学方式- 理论教学：通过讲解基本概念和原理，使学生理解人工智能的基本知识。
- 实践项目：组织学生参与实际项目，加深对人工智能算法和技术的理解和应用能力。
- 讨论和案例分析：通过讨论和分析真实案例，引导学生思考人工智能对社会的影响和伦理问题。
6. 评估方式- 考试：通过笔试和编程作业考察学生对人工智能基本概念和算法的掌握程度。
- 项目评估：评估学生在实践项目中的表现和能力发展情况。
- 讨论参与度：评估学生在课堂讨论和案例分析中的积极参与程度。
7. 教学资源- 教材：建议使用经典的人工智能教材，如《人工智能：一种现代的方法》。
- 在线资源：推荐学生使用在线资源，如人工智能开放平台、论坛和课程网站。
8. 参考文献- 列举相关的研究论文、教材和在线资源，供学生进一步学习和深入研究。
9. 结语- 强调人工智能课程的重要性和发展前景- 鼓励学生积极参与课程学习和实践项目以上是《人工智能课程教学大纲》的内容，通过系统的课程设计和教学方法，旨在培养学生对人工智能的基本了解和应用能力。
教学大纲涵盖了人工智能的基本概念、算法和应用案例，并通过理论教学、实践项目和讨论分析等方式，引导学生思考人工智能对社会的影响和伦理问题。
希望学生能够通过这门课程，掌握人工智能的基本知识，培养解决实际问题的能力，并为未来的发展和创新做出贡献。
《人工智能》教学大纲
《人工智能》教学大纲第一篇：《人工智能》教学大纲人工智能原理及其应用一、说明（一）课程性质随着信息社会和知识经济时代的来临，信息和知识已成为人们的一个热门话题。
然而，在这个话题的背后还蕴含着另外一个更深层的问题——智能。
一般来说，信息是由数据来表达的客观事物，知识是信息经过智能性加工后的产物，智能是用来对信息和知识进行加工的加工器。
在信息社会，人类面对的信息将非常庞大，仅靠人脑表现出来的自然智能是远远不够的，必须开发那种由机器实现的人工智能。
《人工智能导论》是计算机科学与技术专业本科生的一门限选课程。
（二）教学目的使学生掌握人工智能的基本原理、方法及研究应用领域。
了解人工智能中常用的知识表示技术，启发式搜索策略，了解原理以及非确定性推理技术。
通过对典型专家系统的分析、解剖、进一步深入掌握人工智能的主要技术，去解决人工智能的一些实际问题。
增强学生的逻辑思维与实验能力，为人今后处理各门学科的智能奠定基础。
（三）教学内容人工智能的基本原理和方法，人工智能的三个重要研究领域（机器学习、神经网络学习和自然语言理解），人工智能的两个重要应用领域（专家系统和智能决策支持系统）。
（四）教学时数36学时（五）教学方式课堂讲授和上机实验相结合。
二、本文第1章人工智能概述教学要点讨论人工智能的定义、形成过程、研究内容、研究方法、技术特点、应用领域、学派之争及发展趋势。
教学时数3学时教学内容1.1 人工智能及其研究目标（0.5学时）了解人工智能的定义及其研究目标。
1.2 人工智能的产生与发展（0.5学时）了解人工智能产生与发展的四个阶段。
1.3 人工智能研究的基本内容及其特点（0.5学时）了解人工智能研究的基本内容及特点。
1.4 人工智能的研究和应用领域（0.5学时）了解人工智能研究和应用领域。
1.5 人工智能研究的不同学派及其争论（0.5学时）了解三大学派及其理论的争论和研究方法的争论。
1.6 人工智能的近期发展分析（0.5学时）了解更新的理论框架研究，更好的技术集成研究，更成熟的应用方法研究。
《人工智能与机器学习》教学大纲精选全文完整版
可编辑修改精选全文完整版（一）教学内容结构关系图（二）具体教学内容（2）教学要求了解人工智能的研究方法、发展简史。
理解人工智能的基本概念、基本技术。
掌握人工智能研究的基本内容和应用领域。
（3）重点人工智能概念（4）难点人工智能的研究方法（5）对毕业要求的支撑本知识点的讲授和学习，可以支撑“毕业要求5 能够针对本学科领域复杂问题，开发、选择与使用恰当的技术、方法、现代工程工具和信息技术工具，包括对本学科领域问题的预测与模拟，并能够理解其局限性。
”中的“指标点5.2掌握管理学理论与研究的前沿知识，培养具有持续适应社会和能力和及时了解新准则、新法规的能力。
”2.知识工程（1）教学内容知识工程概述、谓词逻辑表示法、产生式表示法、层次结构表示法、网络结构表示法、知识获取与管理、基于知识的系统（2）教学要求了解基于知识的系统、知识获取与管理。
理解知识工程的概念。
掌握逻辑谓词表示法及其应用，会用框架去描述一些具体问题，能用脚本来描述特定范围内的一些事件的发生顺序。
（3）重点经典谓词逻辑表示法、产生式表示法、层次结构表示法、网络结构表示法。
（4）难点层次结构表示法、网络结构表示法（5）对毕业要求的支撑本知识点的讲授和学习，可以支撑“毕业要求5 能够针对本学科领域复杂问题，开发、选择与使用恰当的技术、方法、现代工程工具和信息技术工具，包括对本学科领域问题的预测与模拟，并能够理解其局限性。
”中的“指标点5.2掌握管理学理论与研究的前沿知识，培养具有持续适应社会和能力和及时了解新准则、新法规的能力。
”3.确定性推理（1）教学内容推理的基本概念及归结、演绎等确定性推理方法。
推理的基本概念，了解正向推理、逆向推理、混合推理及其推理的冲突消解策略、推理的逻辑基础、自然演绎推理、归结演绎推理、基于规则的演绎推理、规则演绎推理的剪枝策略。
（2）教学要求理解推理的概念，了解正向推理、逆向推理、混合推理及其推理的冲突消解策略，了解自然演绎推理的概念以及三段论推理规则。
人工智能课程教学大纲-2024鲜版
卷积神经网络在图像处理中的应用
2024/3/27
卷积层与池化层
解释卷积层如何通过卷积核提取图像特征，池化层如何降低数据 维度，减少计算量。
经典卷积神经网络结构
介绍LeNet-5、AlexNet、VGGNet等经典卷积神经网络的结构和 特点。
图像分类与目标检测
阐述卷积神经网络在图像分类和目标检测任务中的应用，包括数据 集、评估指标等。
目标检测
讲解目标检测的任务和方法，包括基于滑动窗口的目标检测、基于区域提议的目标检测等 ，以及常见的目标检测算法，如R-CNN、Fast R-CNN、Faster R-CNN等。
图像分割
介绍图像分割的概念和方法，包括基于阈值的分割、基于边缘的分割、基于区域的分割等 ，以及常见的图像分割算法，如K-means聚类、水平集方法等。
人工智能课程教学大纲
2024/3/27
1
目录
2024/3/27
• 课程介绍与目标 • 基础知识与技能 • 机器学习原理及方法 • 深度学习原理及应用 • 自然语言处理技术 • 计算机视觉技术 • 人工智能伦理、法律和社会影响
2
01
课程介绍与目标
Chapter
2024/3/27
3
人工智能定义及应用领域
图像描述生成
讲解图像描述生成的基本方法和模型，包括基于卷积神经 网络和循环神经网络的方法，介绍图像描述生成的评估指 标和优化方法。
23
06
计算机视觉技术
Chapter
2024/3/27
24
图像识别、目标检测等基础知识
2024/3/27
图像识别
介绍图像识别的基本原理，包括特征提取、分类器设计等，以及常见的图像识别算法，如 卷积神经网络（CNN）。
《机器学习》课程教学大纲
《机器学习》课程教学大纲课程名称机器学习Machine Learning授课教师谢娟英课程类别专业必修课先修课程人工智能、统计学习理论、模式识别、工程优化适用学科范围计算机科学与技术开课形式讲授+项目实践开课学期第2学期学时40 学分 2一课程目的和基本要求机器学习研究计算机程序如何随着经验积累自动提高性能，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，目前在很多领域得到成功应用，包括：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用等等。
机器学习课程的授课对象是计算机科学与技术等相关专业的研究生。
授课目标是使学生掌握机器学习中的核心算法与理论，并能使之应用于不同的领域，解决不同的实际问题，同时促进该领域的理论研究。
课程的基本要求包括：了解机器学习的基本概念与理论，掌握基本的机器学习算法等。
学习结束学生能根据自己的研究方向提交一份机器学习算法在其研究领域应用现状的研究进展报告。
机器学习课程需要有“人工智能”、“概率论”、“统计学”、“算法设计与分析”等课程作为器前驱课程。
二课程主要内容机器学习课程的主要内容包括：1. 机器学习介绍2. 归纳学习3. 决策树学习4. 集成学习5. 学习算法的实验评价6. 计算学习理论7. 规则学习与归纳逻辑程序设计8. 神经网络9. 支持向量机210. 贝叶斯学习11. 基于实例的学习12. 分本分类13. 聚类与无监督学习14. 自然语言学习三主要教材和参考书目[1]Tom Mitchell, Machine Learning McGraw Hill, 1997. （中译本：机器学习, Tom Mitchell著, 曾华军，张银奎等译, 机械工业出版社，2006.）[2]An Introduction of Support V ector Machines and other kernel_based learning methods.Cristianini N and Shawa-Taylor J. 机械工业出版社2005年影印（中译本：李国正等译. 支持向量机导论. 北京：电子工业出版社，2004.）四主要参考文献[1]The Nature of Statistical Learning Theory. V apnik V N. Springer- V erlag, New Y ork, 2000.（中译本：张学工译. 统计学习理论的本质. 北京：清华大学出版社，2000.）[2]Flach Peter A, Logical approaches to Machine Learning --- anoverview.[3]Quinlan JR. Induction of decision trees, Machine Learning, 19861, 81--106.[4]Mjolsness E, DeCoste D, Machine learning for science: State of the art and future prospects.Science, 2001, 293(5537): 2051-2055.[5]Ryszard Michalski S, Jaime Carbonell G, MitchellM Tom, Machine learning an artificialintelligence approach volume II, Morgan Kaufmann Publishers Inc. 1986[6]Machine Learning(journal)[7]Journal of Machine Learning Research (journal)[8]Neural Computation (journal)[9]Journal of Intelligent Systems(journal)[10]International Conference on Machine Learning (ICML) (conference)[11]Neural Information Processing Systems (NIPS) (conference五考核方式考核方式为笔试50% + 项目实践50%。
《人工智能》课程教学大纲
《人工智能》课程教学大纲《人工智能》课程教学大纲一、课程基本信息开课单位课程名称开课对象学时/学分先修课程课程简介：人工智能是计算机科学的重要分支，是研究如何利用计算机来模拟人脑所从事的感知、XXX人工智能课程类别课程编码开课学期个性拓展GT第4或6学期网络工程专业、计算机科学与技术专业36学时/2学分（理论课：28学时/1.5学分；实验课：8学时/0.5学分）离散数学、数据结构、程序设计推理、研究、思考、规划等人类智能活动，来解决需要用人类智能才能解决的问题，以延伸人们智能的科学。
该课程主要讲述人工智能的基本概念及原理、知识与知识表示、机器推理、搜索策略、神经网络、机器研究、遗传算法等方面内容。
二、课程教学目标《人工智能》是计算机科学与技术专业的一门专业拓展课，通过本课程的研究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，掌握人工智能的基本概念、基本原理、知识的表示、推理机制和智能问题求解技术。
启发学生开发软件的思路，培养学生对相关的智能问题的分析能力，提高学生开发应用软件的能力和水平。
三、教学学时分配《人工智能》课程理论教学学时分派表章次第一章第二章第三章第四章第五章第六章首要内容人工智能概述智能程序设计言语图搜索技术基于谓词逻辑的机器推理呆板进修与专家系统智能计算与问题求解合计学时分配35464628教学方法或手段讲授法、多媒体讲授法、多媒体探究式、多媒体讲授法、多媒体概述法、多媒体开导式、多媒体《人工智能》课程实验内容设置与教学要求一览表实学尝试序项目号名称配1)了解PROLOG语言中常1) Prolog运转环境；量、变量的表示方法；实分支2)使用PROLOG举行事实验与循实库、规则库的编写；库、规则库的编写方法；环程3)分支程序设计；一序设4)循环程序设计；一计5)输入出程序设计。
5)掌握PROLOG输入输出程序设计；1）了解PROLOG中的谓词1)谓词asserta和递归实与表实处理验程序二设计4）掌握PROLOG表处理程4)综合应用程序设计。
《人工智能》教学大纲
《人工智能》教学大纲人工智能教学大纲一、引言人工智能（Artificial Intelligence, AI）是现代科技发展的热点领域，其在各个行业中的应用不断深入。
AI教育的重要性与日俱增，为了适应时代的发展潮流，我们设计了本教学大纲，旨在引导学生系统地学习人工智能的基本概念、原理和应用，培养学生的AI思维和技术能力。
二、课程目标本课程旨在使学生掌握以下知识和技能：1. 理解人工智能的基本概念和发展历程；2. 掌握人工智能的核心算法和模型，如机器学习、深度学习等；3. 理解人工智能在各个领域的应用，并能够灵活运用相关技术解决实际问题；4. 培养学生的创新思维和团队合作能力，在人工智能领域具备综合素质。
三、教学内容与进度安排1. 第一阶段：人工智能概述（2周）- 人工智能的定义与分类- 人工智能在社会与经济中的地位与作用- 人工智能的发展历程及国内外研究进展2. 第二阶段：机器学习基础（4周）- 机器学习的基本概念与算法- 监督学习、无监督学习和半监督学习- 常见机器学习算法的原理与应用- 机器学习在图像处理、自然语言处理等领域的应用案例3. 第三阶段：深度学习与神经网络（5周）- 深度学习的基本原理与核心概念- 深度神经网络的结构与训练方法- 常见深度学习网络，如卷积神经网络、循环神经网络等 - 深度学习在计算机视觉、语音识别等领域的应用案例4. 第四阶段：人工智能应用与伦理（3周）- 人工智能在医疗、金融、智能交通等领域的应用案例 - 人工智能伦理与社会影响的讨论- 人工智能发展趋势与未来展望5. 第五阶段：实践项目与实验（4周）- 结合实际问题，进行人工智能算法的实践应用- 利用开源框架进行人工智能模型的训练与调优- 团队合作，完成人工智能项目的设计与实施四、教学方法与评价方式1. 教学方法- 授课结合案例分析，通过实例让学生更好地理解与应用知识；- 布置作业与小组讨论，培养学生的独立思考和合作能力；- 项目实践与实验，提升学生的动手能力与创新思维。
(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。
人工智能教学大纲
人工智能教学大纲【引言】本教学大纲旨在为人工智能课程的教学提供一个全面而系统的指导框架。
人工智能是如今热门的领域之一，该领域的快速发展为学生提供了广阔的职业发展机会。
因此，设计一份科学合理的人工智能教学大纲对学生的学习效果至关重要。
【一、课程概述】1.1 课程名称：人工智能基础1.2 学时安排：40学时1.3 课程目标：通过本课程的学习，学生应该能够1.3.1 理解人工智能的基本概念及相关技术的发展历程；1.3.2 掌握人工智能的基本原理和常用算法，并能够应用于实际问题；1.3.3 培养学生的创新思维和解决问题的能力。
【二、教学内容与学时安排】2.1 人工智能概述（2学时）2.1.1 人工智能定义及相关概念介绍2.1.2 人工智能的发展历史及应用领域2.1.3 人工智能对社会与经济的影响2.2 人工智能基础知识（8学时）2.2.1 机器学习基础2.2.1.1 监督学习2.2.1.2 无监督学习2.2.2 深度学习2.2.2.1 神经网络原理2.2.2.2 卷积神经网络2.2.2.3 递归神经网络2.2.3 自然语言处理2.2.3.1 词向量表示2.2.3.2 语言模型与文本生成2.3 人工智能算法与应用（20学时）2.3.1 人工智能算法概述2.3.2 决策树算法及应用2.3.3 支持向量机算法及应用2.3.4 随机森林算法及应用2.3.5 深度学习算法应用案例2.3.6 人工智能在图像处理中的应用2.3.7 人工智能在自然语言处理中的应用2.4 人工智能伦理与社会影响（6学时）2.4.1 人工智能的道德问题2.4.2 人工智能对就业市场的影响2.4.3 人工智能的隐私与安全问题【三、教学方法与手段】3.1 授课方法3.1.1 讲授：通过理论讲解传授基本概念、原理和算法知识；3.1.2 实践：通过实验、案例分析和项目实践培养学生的动手能力和解决问题的能力；3.1.3 讨论：通过课堂讨论激发学生的思维，培养创新能力。
- 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)。
《人工智能与机器学习》教学大纲一、基本信息二课程性质、目的、任务性质：《人工智能与机器学习》是信息管理学中一个重要分支，是信息管理与信息系统专业的核心课程。
它是硏究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，是一门理论性和应用性均较强的课程。
目的：通过本课程的学习，使学生对人工智能的发展概况、基本原理与应用领域有初步了解，对主要技术及应用有一定掌握，启发学生对人工智能和机器学习的兴趣，培养知识创新与技术创新能力。
任务：使学生理解人工智能的定义、发展历程、硏究方法；了解人工智能经典的三大基本技术，包括知识表示技术、搜索技术、推理技术；在理解人工智能的典型应用领域机器学习、专家系统等基础上，能用相应的方法解决一定的实际问题；掌握典型的计算智能方法，包括神经计算、进化计算的基本原理及其应用领域等。
三、教学目标及其对毕业要求的支撑（一）教学目标《人工智能与机器学习》从讲授人工智能的定义、发展历程、硏究方法开始，以人工智能基本技术、应用领域与计算智能三大模块为主要内容，讲授经典的基本技术：知识表示技术、搜索技术、推理技术；典型应用领域机器学习、专家系统、支持向量机；典型的计算智能方法：神经计算、进化计算。
以及当前有关人工智能的争议与展望。
使学生掌握人工智能的基本原理、方法和应用技术。
强化学生的逻辑分析能力、创新设计能力。
初步具有利用人工智能方法解决实际问题的能力。
本课程以课堂讲授为主，通过课堂教学，使学生掌握知识表示技术、搜索技术、推理技术、机器学习、神经计算、进化计算的原理和方法，了解人工智能的定义、发展历程、学派之争及其发展趋势等。
培养学生利用人工智能的具体方法解释现实生活中的人工智能实例，对现实生活中的某些问题可以通过人工智能与机器学习的思想提出解决方案。
教学目标具体要求如下教学目标1:要求学生了解人工智能的定义、发展、硏究方法及其应用领域；教学目标2:要求学生掌握知识表示方法、搜索推理技术，了解不确定性推理方法；教学目标3:要求学生掌握机器学习方法的工作原理，能用神经网络解决一定的实际问题；教学目标4:要求学生熟悉经典的计算智能方法。
（二）教学目标及其对毕业要求的支撑四、教学内容(一)教学内容结构关系图知识T堆lillb?-!■flu1：(二)1.绪论(1)教学内容什么是人工智能、人工智能的发展简史、人工智能硏究方法、人工智能硏究及应用领域(2)教学要求了解人工智能的硏究方法、发展简史。
理解人工智能的基本概念、基本技术。
掌握人工智能硏究的基本内容和应用领域。
(3)重点人工智能概念(4)难点人工智能的硏究方法(5)对毕业要求的支撑本知识点的讲授和学习，可以支撑“毕业要求5能够针对本学科领域复杂问题，开发、选择与使用恰当的技术、方法、现代工程工具和信息技术工具，包括对本学科领域问题的预测与模拟，并能够理解其局限性。
”中的“指标点5.2掌握管理学理论与硏究的前沿知识，培养具有持续适应社会和能力和及时了解新准则、新法规的能力。
”2.知识工程(1)教学内容知识工程概述、谓词逻辑表示法、产生式表示法、层次结构表示法、网络结构表示法、知识获取与管理、基于知识的系统(2)教学要求了解基于知识的系统、知识获取与管理。
理解知识工程的概念。
掌握逻辑谓词表示法及其应用，会用框架去描述一些具体问题，能用脚本来描述特定范围内的一些事件的发生顺序。
(3)重点经典谓词逻辑表示法、产生式表示法、层次结构表示法、网络结构表示法。
(4)难点层次结构表示法、网络结构表示法(5)对毕业要求的支撑本知识点的讲授和学习，可以支撑“毕业要求5能够针对本学科领域复杂问题，开发、选择与使用恰当的技术、方法、现代工程工具和信息技术工具，包括对本学科领域问题的预测与模拟，并能够理解其局限性。
”中的“指标点5.2掌握管理学理论与硏究的前沿知识，培养具有持续适应社会和能力和及时了解新准则、新法规的能力。
”3.确定性推理(1)教学内容推理的基本概念及归结、演绎等确定性推理方法。
推理的基本概念，了解正向推理、逆向推理、混合推理及其推理的冲突消解策略、推理的逻辑基础、自然演绎推理、归结演绎推理、基于规则的演绎推理、规则演绎推理的剪枝策略。
(2)教学要求理解推理的概念，了解正向推理、逆向推理、混合推理及其推理的冲突消解策略，了解自然演绎推理的概念以及三段论推理规则。
了解规则演绎推理的剪枝策略。
掌握子句集及其化简，鲁滨逊归结原理，会应用规则正向演绎推理和规则逆向演绎推理。
(3)重点自然演绎推理、归结演绎推理、基于规则的演绎推理、规则演绎推理的剪枝策略。
(4)难点自然演绎推理、归结演绎推理、基于规则的演绎推理、规则演绎推理的剪枝策略。
(5)对毕业要求的支撑本知识点的讲授和学习，可以支撑“毕业要求5能够针对本学科领域复杂问题，开发、选择与使用恰当的技术、方法、现代工程工具和信息技术工具，包括对本学科领域问题的预测与模拟，并能够理解其局限性。
”中的“指标点5.2掌握管理学理论与硏究的前沿知识，培养具有持续适应社会和能力和及时了解新准则、新法规的能力。
”4.不确定性推理(1)教学内容不确定性及其类型、不确定性推理的一般模式、证据理论、模糊推理(2)教学要求了解不确定性推理方法的概述、理解论证理论和模糊推理，掌握论证理论(3)重点论证理论、模糊推理(4)难点证据理论(D-Stheory)(5)对毕业要求的支撑本知识点的讲授和学习，可以支撑“毕业要求5能够针对本学科领域复杂问题，开发、选择与使用恰当的技术、方法、现代工程工具和信息技术工具，包括对本学科领域问题的预测与模拟，并能够理解其局限性。
”中的“指标点5.2掌握管理学理论与硏究的前沿知识，培养具有持续适应社会和能力和及时了解新准则、新法规的能力。
”5.搜索策略(1)教学内容搜索的基本概念、状态空间的盲目搜索、状态空间的启发式搜索、与或树的盲目搜索、与或树的启发式搜索、博弈树的启发式搜索(2)教学要求理解启发性信息和估价函数。
了解搜索的含义、一般图搜索过程。
了解A*算法、与或树的一般搜索、与或树的启发式搜索过程。
了解极大极小过程，戸剪枝。
掌握广度优先搜索、深度优先搜索、代价树搜索。
(3)重点与或树的启发式搜索(4)难点与或树的盲目搜索、与或树的启发式搜索(5)对毕业要求的支撑本知识点的讲授和学习，可以支撑“毕业要求5能够针对本学科领域复杂问题，开发、选择与使用恰当的技术、方法、现代工程工具和信息技术工具，包括对本学科领域问题的预测与模拟，并能够理解其局限性。
”中的“指标点5.2掌握管理学理论与硏究的前沿知识，培养具有持续适应社会和能力和及时了解新准则、新法规的能力。
”6.机器学习(1)教学内容机器学习概述、决策树学习、贝叶斯学习、统计学习、进化智能、聚类、特征选择与提取、其他学习方法(2)教学要求了解机器学习的概念、机器学习方法的分类、基本问题及其评估。
理解三大机器学习方法决策树学习、贝叶斯学习和统计学习，会用其中一种算法完成垃圾分类实例。
了解现代进化智能中的方法。
熟悉聚类方法的运用原理，能用聚类方法进行股票信息的聚类联系。
理解特征选择与提取的概念，熟悉常用的特征函数，掌握主成分分析方法的计算步骤。
了解其他的机器学习方法。
(3)重点机器学习的概念、学习方法的分类(4)难点决策树学习、贝叶斯学习、统计学习、进化智能(5)对毕业要求的支撑本知识点的讲授和学习，可以支撑“毕业要求5能够针对本学科领域复杂问题，开发、选择与使用恰当的技术、方法、现代工程工具和信息技术工具，包括对本学科领域问题的预测与模拟，并能够理解其局限性。
”中的“指标点5.2掌握管理学理论与硏究的前沿知识，培养具有持续适应社会和能力和及时了解新准则、新法规的能力。
”7.人工神经网络(1)教学内容人工神经网络概述包括人工神经网络的硏究内容与特点、基本形态、感知机、前馈神经网络、反馈神经网络、随机神经网络、自组织神经网络(2)教学要求理解人工神经网络的基本形态、特点。
了解人工神经网络的几种不同网络结构。
掌握感知机工作原理，会用感知机模型计算输出。
掌握BP网络的算法原理，会用BP算法求解单隐层网络的输出结果。
(3)重点人工神经网络的基本形态、不同的网络结构(4)难点感知机工作原理与计算、BP算法过程推导(5)对毕业要去的支撑本知识点的讲授和学习，可以支撑“毕业要求5能够针对本学科领域复杂问题，开发、选择与使用恰当的技术、方法、现代工程工具和信息技术工具，包括对本学科领域问题的预测与模拟，并能够理解其局限性。
”中的“指标点5.2掌握管理学理论与硏究的前沿知识，培养具有持续适应社会和能力和及时了解新准则、新法规的能力。
”8.人工智能的其他领域(1)教学内容模式识别、自然语言处理、智能体(2)教学要求熟悉了解模式识别、自然语言处理、智能体的相关概念、基本问题及应用。
(3)重点模式识别、自然语言处理、智能体的相关概念、基本问题及应用(4)难点模式识别、自然语言处理、智能体的相关概念、基本问题(5)对毕业要求的支撑本知识点的讲授和学习，可以支撑“毕业要求5能够针对本学科领域复杂问题，开发、选择与使用恰当的技术、方法、现代工程工具和信息技术工具，包括对本学科领域问题的预测与模拟，并能够理解其局限性。
”中的“指标点5.2掌握管理学理论与硏究的前沿知识，培养具有持续适应社会和能力和及时了解新准则、新法规的能力。
”(三)学时分配表五、教学方法1•课堂讲授(1床用启发式教学，激发学生主动学习的兴趣，咅养学生独立思考、分析问题和解决问题的能力，引导学生主动通过实践和自学获得自己想学到的知识。
(2)采用电子教案，多媒体教学与传统板书教学相结合，提高课堂教学信息量，增强教学的直观性。
(3)采用案例教学。
理论教学与工程实践相结合，引导学生应用基本理论知识对产品进行精度设计。
(4)采用互动式教学。
课内讨论和课外答疑相结合。
2•大作业围绕各章教学重点内容，余布置一定数量的课后作业外,布置大作业。
针对复杂程度适中的人工智能问题，要求学生给出解决方案，并说明理由。
通过动手实践，计算解决方案结果。
通过问题分析与问题求解，提高学生利用所学知识解决工程实践问题的能力，以及表达能力，清晰陈述观点，回答问题和团队合作能力。
组织形式及要求如下：(1)学生可选择教师给定的题目，或自主选题，以小组为单位，明确每个人分工与责任；(2)通过分析给定实例的工作原理，角定技术实现需要的人工智能方法及机器学习算法，合出合理的原理解释；这一部分由小组共同讨论完成。
(3)分配每人完成指定问题的算法实现及结果展示。
(4)提交成果，答辩。
组内派出代表陈述，然后教师提问，指定学生回答。
六、本课程与其他课程的联系本课程在学习之前，学生应修完高等数学、概率论、线性代数、数据结构、C 语言程序设计。