《人工智能原理》教学大纲 课程名称（汉）：《人工智能原理》 课程名称（英）：Principles of Artificial Intelligence 课程代码：262102111 课程类型：专业教育平台专业核心课程模块 适用对象：人工智能专业本科大二 学时/学分：64学时（理论学时48，实验学时16）3.5学分 先修课程：《高等数学》，《线性代数》，《概率论与数理统计》，《Python程序设计》， 《Java面向对象程序设计》 方案版本：2021版 一、课程简介(150一200字) 本课程介绍人工智能的基本原理、方法与应用技术。主要内容包括：人工智 能的基本概念及发展状况、知识表示方法、推理方法、搜索策略、机器学习、自 然语言理解、专家系统、人工神经网络与遗传算法等，并对数据挖掘和Aget 技术等热点内容进行了介绍。 本课程是人工智能本科专业的专业核心课程。 本课程的教学目的是使学生理解机器学习的基本原理和基本方法，掌握它们 的应用方法，为学生今后从事相关工作奠定坚实的基础。 二、课程的教学目标 课程目标1：理解人工智能的基本原理与基本概念： 课程目标2：掌握知识表示方法、推理方法、搜索策略、机器学习的原理与 方法： 课程目标3：掌握自然语言理解、专家系统、人工神经网络与遗传算法的应 用方法： 课程目标4：了解数据挖掘和Agent技术： 课程目标5：能够实现人工智能基本方法与技术的JAVA或Python程序设 计。 三、课程目标对人工智能专业毕业要求的支撑关系 毕业要求指标点（非认证专业可以 毕业要求 课程目标 支撑 省略本项内容) 权重 问题分析 1,2,3 0.15 设计开发解决方案 2-5 0.02
《人工智能原理》教学大纲 课程名称（汉）：《人工智能原理》 课程名称（英）： Principles of Artificial Intelligence 课程代码：262102111 课程类型：专业教育平台专业核心课程模块 适用对象：人工智能专业本科大二 学时/学分：64 学时（理论学时 48，实验学时 16）/3.5 学分 先修课程：《高等数学》，《线性代数》，《概率论与数理统计》，《Python 程序设计》， 《Java 面向对象程序设计》 方案版本：2021 版 一、课程简介（150—200 字） 本课程介绍人工智能的基本原理、方法与应用技术。主要内容包括：人工智 能的基本概念及发展状况、知识表示方法、推理方法、搜索策略、机器学习、自 然语言理解、专家系统、人工神经网络与遗传算法等，并对数据挖掘和 Agent 技术等热点内容进行了介绍。 本课程是人工智能本科专业的专业核心课程。 本课程的教学目的是使学生理解机器学习的基本原理和基本方法，掌握它们 的应用方法，为学生今后从事相关工作奠定坚实的基础。 二、课程的教学目标 课程目标 1：理解人工智能的基本原理与基本概念； 课程目标 2：掌握知识表示方法、推理方法、搜索策略、机器学习的原理与 方法； 课程目标 3：掌握自然语言理解、专家系统、人工神经网络与遗传算法的应 用方法； 课程目标 4：了解数据挖掘和 Agent 技术； 课程目标 5：能够实现人工智能基本方法与技术的 JAVA 或 Python 程序设 计。 三、课程目标对人工智能专业毕业要求的支撑关系 毕业要求 毕业要求指标点（非认证专业可以 省略本项内容） 课程目标 支撑 权重 问题分析 1,2,3 0.15 设计/开发解决方案 2-5 0.02
毕业要求指标点（非认证专业可以 毕业要求 课程目标 支撑 省略本项内容) 权重 研究 2-5 0.04 四、教学内容及其基本要求 序号 教学内容 教学要求（包括重点难点、教学方法、学生掌握的程度等） 对应课程 目标 重点：人工智能基本概念、基本原理与研究方法 难点：人工智能基本原理 1 第1章绪论 教学方法：多媒体讲解 掌握程度：掌握人工智能基本概念与基本原理 重点：各种知识表示方法 第2章知识表示 难点：面向对象的表示法，状态空间表示法 2 2 方法 教学方法：多媒体讲解 掌握程度：掌握各种知识表示方法 重点：命题逻辑、谓词逻辑、自然演绎推理方法、 归结推理方法 第3章确定性推 难点：自然演绎推理方法、归结推理方法 理方法 教学方法：多媒体讲解、演示教学、实验教学 掌握程度：掌握命题逻辑、谓词逻辑、自然演绎推 理方法、归结推理方法 重点：可信度方法、主观Bayes方法、证据理论 难点：主观Bayes方法、证据理论、模糊推理 第4章不确定性 4 教学方法：多媒体讲解 2 推理方法 掌握程度：掌握可信度方法、主观Bayes方法、证 据理论 重点：启发式搜索策略、与/或树的有序搜索、博弈 树的启发式搜索 难点：启发式搜索策略、与/或树的有序搜索、博弈 5 第5章搜索策略 树的启发式搜索 教学方法：多媒体讲解 掌握程度：掌握启发式搜索策略、与或树的有序搜 索、博弈树的启发式搜索 重点：机器学习方法、D3判定树算法 6 难点：D3判定树算法、深度机器学习 第6章机器学习 2,5 教学方法：多媒体讲解、演示教学 掌握程度：掌握机器学习方法、ID3判定树算法 1 第7章自然语言 重点：词法分析、句法分析、语义分析、大规模文 3,5 理解 本处理、自然语言建模方法
毕业要求 毕业要求指标点（非认证专业可以 省略本项内容） 课程目标 支撑 权重 研究 2-5 0.04 四、教学内容及其基本要求 序号 教学内容 教学要求（包括重点难点、教学方法、学生掌握的程度等） 对应课程 目标 1 第 1 章 绪论 重点：人工智能基本概念、基本原理与研究方法 难点：人工智能基本原理 教学方法：多媒体讲解 掌握程度：掌握人工智能基本概念与基本原理 1 2 第 2 章 知识表示 方法 重点：各种知识表示方法 难点：面向对象的表示法，状态空间表示法 教学方法：多媒体讲解 掌握程度：掌握各种知识表示方法 2 3 第 3 章 确定性推 理方法 重点：命题逻辑、谓词逻辑、自然演绎推理方法、 归结推理方法 难点：自然演绎推理方法、归结推理方法 教学方法：多媒体讲解、演示教学、实验教学 掌握程度：掌握命题逻辑、谓词逻辑、自然演绎推 理方法、归结推理方法 2 4 第 4 章 不确定性 推理方法 重点：可信度方法、主观 Bayes 方法、证据理论 难点：主观 Bayes 方法、证据理论、模糊推理 教学方法：多媒体讲解 掌握程度：掌握可信度方法、主观 Bayes 方法、证 据理论 2 5 第 5 章 搜索策略 重点：启发式搜索策略、与/或树的有序搜索、博弈 树的启发式搜索 难点：启发式搜索策略、与/或树的有序搜索、博弈 树的启发式搜索 教学方法：多媒体讲解 掌握程度：掌握启发式搜索策略、与/或树的有序搜 索、博弈树的启发式搜索 2 6 第 6 章 机器学习 重点：机器学习方法、ID3 判定树算法 难点：ID3 判定树算法、深度机器学习 教学方法：多媒体讲解、演示教学 掌握程度：掌握机器学习方法、ID3 判定树算法 2,5 7 第 7 章 自然语言 理解 重点：词法分析、句法分析、语义分析、大规模文 本处理、自然语言建模方法 3,5
对应课程 序号 教学内容 教学要求（包括重点难点、教学方法、学生掌握的程度等） 目标 难点：大规模文本处理、自然语言建模方法 教学方法：多媒体讲解、实验教学 掌握程度：掌握词法分析、句法分析、语义分析、 大规模文本处理、自然语言建模方法 重点：知识获取、专家系统的设计建造与评价 难点：专家系统的设计建造与评价 8 第8章专家系统 教学方法：多媒体讲解 掌握程度：掌握知识获取、专家系统的设计建造与 评价 重点：神经网络的基本概念、反向传播网络、 Hopfield网络 9 第9章人工神经 难点：反向传播网络、Hopfield网络、遗传算法 3,5 网络与遗传算法 教学方法：多媒体讲解、实验教学 掌握程度：掌握神经网络的基本概念、反向传播网 络、Hopfield网络 重点：数据挖掘、主体技术 第10章数据挖掘 难点：数据挖掘、主体技术 10 4 与主体技术 教学方法：多媒体讲解 掌握程度：了解数据挖掘与主体技术 五、各教学环节及学时分配 教学环节及学时 知识模块 教学内容 习题 授 论课 实验（实践） 年 1.1人工智能的诞生及发展 1.2人工智能的定义 第1章绪论 2 2 1.3人工智能研究的方法及途径 1.4人工智能的研究及应用领域 2.1概述 2 2 2.2一阶谓词逻辑表示法 第2章知识 2.3产生式表示法 2.4语义网络表示法 表示方法 2.5框架表示法 2 2 2.6面向对象的表示法 2.7脚本表示法
序号 教学内容 教学要求（包括重点难点、教学方法、学生掌握的程度等） 对应课程 目标 难点：大规模文本处理、自然语言建模方法 教学方法：多媒体讲解、实验教学 掌握程度：掌握词法分析、句法分析、语义分析、 大规模文本处理、自然语言建模方法 8 第 8 章 专家系统 重点：知识获取、专家系统的设计建造与评价 难点：专家系统的设计建造与评价 教学方法：多媒体讲解 掌握程度：掌握知识获取、专家系统的设计建造与 评价 3 9 第 9 章 人工神经 网络与遗传算法 重点：神经网络的基本概念、反向传播网络、 Hopfield 网络 难点：反向传播网络、Hopfield 网络、遗传算法 教学方法：多媒体讲解、实验教学 掌握程度：掌握神经网络的基本概念、反向传播网 络、Hopfield 网络 3,5 10 第 10 章 数据挖掘 与主体技术 重点：数据挖掘、主体技术 难点：数据挖掘、主体技术 教学方法：多媒体讲解 掌握程度：了解数据挖掘与主体技术 4 五、各教学环节及学时分配 知识模块 教学内容 教学环节及学时 讲 授 课 习 题 课 讨 论 课 实 验 （ 实 践 ） 合 计 第 1 章 绪论 1.1 人工智能的诞生及发展 1.2 人工智能的定义 1.3 人工智能研究的方法及途径 1.4 人工智能的研究及应用领域 2 2 第 2 章 知识 表示方法 2.1 概述 2.2 一阶谓词逻辑表示法 2.3 产生式表示法 2.4 语义网络表示法 2 2 2.5 框架表示法 2.6 面向对象的表示法 2.7 脚本表示法 2 2
教学环节及学时 知识模块 教学内容 习 讨 课 课 豫 实验（实践） 合 2.8过程表示法 2 2 2.9状态空间表示法 2.10与/或树表示法 3.1推理概述 2 2 3.2命题逻辑 第3章确定 3.3谓词逻辑 性推理方法 3.4 自然演绎推理方法 2 2 3.5归结推理方法 3.6归结过程的控制策略 4.1不确定推理概述 2 2 第4章不确 4.2可信度方法 4.3主观Bayes方法 定推理方法 4.4证据理论 2 2 4.5模糊推理 5.1搜索的概念及种类 2 2 5.2盲目搜索策略 第5章搜索 5.3启发式搜索策略 策略 5.4与/或树的盲目搜索 2 5.5与/或树的有序搜索 5.6博弈树的启发式搜索 6.1概述 2 2 6.2机器学习系统的基本模型 6.3机械学习 6.4传授式学习 第6章机器 6.5类比学习 2 2 学习 6.6归纳学习 6.7基于解释的学习 6.8D3判定树算法 2 6 6.9深度机器学习 习题 2 2 7.1自然语言及其理解 2 7.2词法分析 第7章自然 7.3句法分析 语言理解 7.4语义分析 2 6 7.5大规模真实文本的处理 7.6基于语料库的自然语言建模方法
知识模块 教学内容 教学环节及学时 讲 授 课 习 题 课 讨 论 课 实 验 （ 实 践 ） 合 计 2.8 过程表示法 2.9 状态空间表示法 2.10 与/或树表示法 2 2 第 3 章 确定 性推理方法 3.1 推理概述 3.2 命题逻辑 3.3 谓词逻辑 2 2 3.4 自然演绎推理方法 3.5 归结推理方法 3.6 归结过程的控制策略 2 2 第 4 章 不确 定推理方法 4.1 不确定推理概述 4.2 可信度方法 4.3 主观 Bayes 方法 2 2 4.4 证据理论 4.5 模糊推理 2 2 第 5 章 搜索 策略 5.1 搜索的概念及种类 5.2 盲目搜索策略 5.3 启发式搜索策略 2 2 5.4 与/或树的盲目搜索 5.5 与/或树的有序搜索 5.6 博弈树的启发式搜索 2 2 第 6 章 机器 学习 6.1 概述 6.2 机器学习系统的基本模型 6.3 机械学习 6.4 传授式学习 2 2 6.5 类比学习 6.6 归纳学习 6.7 基于解释的学习 2 2 6.8 ID3 判定树算法 6.9 深度机器学习 2 4 6 习题 2 2 第 7 章 自然 语言理解 7.1 自然语言及其理解 7.2 词法分析 7.3 句法分析 2 2 7.4 语义分析 7.5 大规模真实文本的处理 7.6 基于语料库的自然语言建模方法 2 4 6
教学环节及学时 知识模块 教学内容 习 论 实验（实践） 课 课 计 8.1专家系统概述 2 8.2专家系统的基本结构 第8章专家 8.3知识获取 8.4专家系统的设计与建造 系统 8.5专家系统的评价 2 8.6专家系统开发工具 8.7新一代专家系统的发展 9.1神经网络的基本概念及组成特性 2 4 6 9.2感知器模型及其学习算法 第9章人工 9.3反向传播模型及其学习算法 9.4 Hopfield模型及其学习算法 2 4 6 神经网络与 9.5人工神经网络的应用 遗传算法 96遗传算法的概念与原理 2 2 9.7遗传算法的应用 习题 2 2 第10章数 2 据挖掘与主 10.1数据挖掘及其应用 10.2主体技术及其应用 体技术 总复习 2 2 合计 64 六、成绩考核及基本要求 考核 建议 对应课程 考核/评价细则 环节 分值 目标 平时成绩包括上课考勤、课后作业、课程实验。上课考勤 平时成绩 30 占10分，迟到1次扣1分，旷课1次扣2分：课后作业与 1,2,3,4,5 课程实验各占10分，按完成情况评分。 以教学要求的重点内容组卷考试，闭卷考试，按完成情况 课程考试 70 1,2,3,4,5 评分。 七、 教材与主要教学参考资源 教材： 《人工智能教程》，张仰森，高等教育出版社，2016年9月 主要教学参考资源
知识模块 教学内容 教学环节及学时 讲 授 课 习 题 课 讨 论 课 实 验 （ 实 践 ） 合 计 第 8 章 专家 系统 8.1 专家系统概述 8.2 专家系统的基本结构 8.3 知识获取 8.4 专家系统的设计与建造 2 2 8.5 专家系统的评价 8.6 专家系统开发工具 8.7 新一代专家系统的发展 2 2 第 9 章 人工 神经网络与 遗传算法 9.1 神经网络的基本概念及组成特性 9.2 感知器模型及其学习算法 9.3 反向传播模型及其学习算法 2 4 6 9.4 Hopfield 模型及其学习算法 9.5 人工神经网络的应用 2 4 6 9.6 遗传算法的概念与原理 9.7 遗传算法的应用 2 2 习题 2 2 第 10 章 数 据挖掘与主 体技术 10.1 数据挖掘及其应用 10.2 主体技术及其应用 2 2 总复习 2 2 合计 64 六、成绩考核及基本要求 考核 环节 建议 分值 考核/评价细则 对应课程 目标 平时成绩 30 平时成绩包括上课考勤、课后作业、课程实验。上课考勤 占 10 分，迟到 1 次扣 1 分，旷课 1 次扣 2 分；课后作业与 课程实验各占 10 分，按完成情况评分。 1,2,3,4,5 课程考试 70 以教学要求的重点内容组卷考试，闭卷考试，按完成情况 评分。 1,2,3,4,5 七、教材与主要教学参考资源 教材： 《人工智能教程》，张仰森，高等教育出版社，2016 年 9 月 主要教学参考资源
《人工智能教程学习指导与习题解析》，张仰森，高等教育出版社，2009年 4月 《人工智能及其应用》（第6版），蔡自兴，清华大学出版社，2021年07月 《人工智能教程》，王士同，电子工业出版社，2001年01月 编写者：宋召青 审核者：迟殿委 批准者：邓建球 编写时间：2021年6月
《人工智能教程学习指导与习题解析》，张仰森，高等教育出版社，2009 年 4 月 《人工智能及其应用》（第 6 版），蔡自兴，清华大学出版社，2021 年 07 月 《人工智能教程》，王士同，电子工业出版社，2001 年 01 月 编写者：宋召青 审核者：迟殿委 批准者：邓建球 编写时间：2021年6月
