《人工智能导论》教学大纲
注：课程类别是指公共基础课/学科基础课/专业课；课程性质是指必修/限选/任选。
一、课程地位与课程目标
（一）课程地位
本课程是测控技术与仪器专业本科生的一门基础理论课。通过这门课程的学习，学生初步掌握人工智能的基本理论和常用方法，掌握目前人工智能领域的主流研究方向，为学习专业理论课和扩大数学知识面奠定必要的工程应用数学基础。
（二）课程目标
本课程以培养计量行业工程人才为核心，激发学生对专业的认同感和爱国情怀；同时在工程问题的发现与解决过程中，理解人工智能对国民经济的重要意义，培养学生形成求真务实的科学思维，激发学生创新意识。具体课程目标如下：
1.掌握人工智能相关的数学方法和基础知识。
2. 培养学生利用数学知识解决工程问题的能力。
3. 强化学生通过自主学习掌握新方法的能力。
二、课程目标达成的途径与方法
以课堂教学为主，结合平时作业、课后答疑等。
课堂教学主要讲解人工智能、机器学习的基本概念，一些基本的机器学习和人工智能方法如线性回归、Logistics回归、聚类分析、神经网络、支持向量机、贝叶斯分类器、深度学习的基本方法如深度前馈网络、深度卷积网络等，通过演算和分析，使学生能够熟练应用相关的数学工具。课堂教学尽量引入互动环节，使同学们能更好地融入课堂教学，提高教学效果。
三、课程目标与相关毕业要求的对应关系
四、课程主要内容与基本要求
第一章概论
介绍人工智能的定义、人工智能的发展史和人工智能的研究内容。
第二章线性回归和Logistic回归
理解线性模型的基本形式，掌握最小二乘法的求解思路，掌握如何利用梯度下降法求解最小二乘问题。掌握如何利用Logistic回归进行分类。
第三章正则化
了解过拟合的概念，理解如何利用正则化方法改进回归和分类性能，了解正则化问题的求解方法。
第四章聚类分析
学习基本的聚类分析方法如k均值聚类、k最近邻算法等。
第五章贝叶斯分类器
掌握Naïve Bayesian分类器的思路，理解贝叶斯网络的基本结构。
第六章神经网络
理解神经网络的基本结构，掌握神经网络的参数优化方法，学会利用神经网络进行回归和分类任务。正则化最小二乘问题
第七章深度学习基础
理解整流线性单元的概念，了解深度学习的基本思路，掌握随机梯度下降法，掌握如何利用卷积神经网络进行图像识别。
五、课程学时安排
六、实践环节及基本要求
注：1.实验性质指演示性、验证性、设计性、综合性等；2.实验类别指必做、选做等。
七、考核方式及成绩评定
（一）考核方式与评价
（二）课程目标考核环节和达成标准
八、推荐教材与主要参考书
（一）推荐教材：
1. 《机器学习》，周志华主编，清华大学出版社，2016年。
2. 《深度学习》中文版，Ian Goodfellow, Yoshua Bengio, Aaron Courville主编，人民邮电出版社，2022年。
（二）主要参考书：
1. 《深度学习：入门与实践》，龙飞、王永兴编，清华大学出版社，2022年。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。