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：
人工智能ai正则化使用方法
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

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。