《人工智能技術》課程教學大綱一、課程簡介課程中文名人工智能技術課程英文名ArtificialIntelligenceTechnology雙語授課□是R否課程代碼24112076課程學分2.5總學時數40課程類別□通識教育課程□公共基礎課程R專業教育課程□綜合實踐課程□教師教育課程課程性質R必修□選修□其他課程形態□線上R線下□線上線下混合式□社會實踐□虛擬仿真實驗教學考核方式R閉卷□開卷R課程論文□課程作品□匯報展示R報告R課堂表現□階段性測試R平時作業□其他（可多選）開課學院機器人工程學院開課系(教研室)機器人工程系面向專業智能制造工程機器人工程開課學期第5學期先修課程高等數學，計算機應用基礎，python程序設計后續課程人工智能綜合實驗選用教材1.宋永端.人工智能基礎及應用[M].北京:清華大學出版社,2021.說明：（1）面向新工科的電工電子信息基礎課程系列教材。（2）教育部高等學校電工電子基礎課程教學指導分委員會推薦教材。參考書目1.鄭敦莊、胡承志.TensorFlow+Keras深度學習算法原理與編程實踐.北京：電子工業出版設，2020.2.王萬良編著，人工智能導論（第4版），高等教育出版社，2017課程資源無課程簡介《人工智能技術》是一門面對智能制造工程和機器人工程的專業核心課程。課程的總體目標是旨在幫助學生掌握人工智能的基本原理和相關技術，拓展知識和技能范圍，為利用人工智能技術解決智能制造工程和機器人工程領域中的問題打好基礎，增強學生自主學習和終身學習的意識，增強其不斷學習和適應發展的能力。二、課程目標表1課程目標序號具體課程目標課程目標1使學生初步了解人工智能涉及的領域、研究現狀和發展趨勢，使學生能夠針對機器人復雜工程問題，開發、選擇與使用恰當人工智能的相應領域的技術、資源、現代工程工具和信息技術工具。課程目標2了解人工智能領域的各個前沿技術和產業趨勢研究方向，激發學生的專業興趣和意識，培養學生的工程意識、工程素質及工程能力，提高學生借助人工智能解決本專業復雜工程問題的能力。課程目標3明確人工智能是智能科學的統一，在智能體、專家系統及搜索、機器學習、神經網絡及深度學習、機器人學和AI倫理等各個學科等多學科背景下，使學生初步具有既能夠明確個體的承擔，又能發揮團隊中對應的角色，除此之外進行勞動價值引導和人類社會與人工智能倫理教育。表2-1機器人工程課程目標與畢業要求對應關系畢業要求指標點課程目標畢業要求3：設計/開發解決方案：能夠設計針對機器人工程領域復雜工程問題的解決方案，設計機器人硬件部件、軟件系統及智能算法或機器人系統生產工藝流程，并能夠在設計環節中體現創新意識，考慮社會、健康、安全、法律、文化以及環境等因素。【H】指標點3.2：能夠設計滿足特定需求的機器人硬件部件、軟件系統及智能算法或機器人系統生產工藝流程。課程目標1畢業要求5：使用現代工具：能夠針對機器人工程領域復雜工程問題，開發、選擇與使用恰當的技術、資源、現代工程工具和信息技術工具，包括對機器人工程領域復雜工程問題的預測與模擬，并能夠理解其局限性。【M】指標點5.3：能夠使用現代工程工具和信息技術工具預測與模擬復雜機器人工程問題，并能夠理解其局限性。課程目標1課程目標2課程目標3表2-2智能制造工程課程目標與畢業要求對應關系畢業要求指標點課程目標畢業要求3：設計/開發解決方案：能夠設計針對智能制造領域的復雜工程問題的解決方案，設計滿足特定需求的軟硬件系統、單元或智能制造工藝流程，并能夠在設計環節中體現創新意識，考慮社會、健康、安全、法律、文化以及環境等因素。【H】指標點3.2：能夠設計滿足特定需求的智能制造軟硬件系統或工藝流程。課程目標1畢業要求5：使用現代工具：能夠針對復雜智能制造工程問題，開發、選擇與使用恰當的技術、資源、現代工程工具和信息技術工具，實現對復雜工程問題的預測與模擬，并能夠理解其局限性。【M】指標點5.3：能夠針對具體的智能制造工程問題，通過組合、選配、改進、二次開發等方式創造性地使用現代工具進行模擬和預測，滿足特定需求，并能夠理解其局限性。課程目標1課程目標2課程目標3三、課程學習內容與方法（一）理論學習內容及要求表3課程目標、學習內容和教學方法對應關系序號課程模塊學習內容學習任務課程目標學習重點難點教學方法學時1人工智能概述1、人工智能的概念、學科與發展、研究及應用領域。1.拓展閱讀：閱讀參考讀物2.線上學習：觀看相關網上資源課堂3.個人作業：AI應用趨勢綜述課程目標1重點：1.人工智能的基本概念，主要研究領域及其前沿技術。2.理解人工智能概念，三個主流學派及其內涵。3.人工智能的學習方法講授法：通過介紹實際應用案例，初步了解人工智能的基本理論與方法，培養學生運用人工智能方法、技能解決本專業及相關領域實際問題的認識和能力。22、人工智能的研究途徑與方法。課程目標13、人工智能的基本技術，以及現階段的前沿技術。課程目標12神經元、腦與認知&智能體1、腦與認知1.拓展閱讀：閱讀參考讀物2.線上學習：觀看相關網上資源課堂課程目標1重點：1.神經元的模型，數學建模過程2.腦與認知3.智能體的定義及認識1.講授法：對腦與認知有清晰的認識，掌握前沿的人機交互的發展方向。2.專題研討：培養學生運用人工智能方法、技能解決本專業及相關領域實際問題的認識和能力。22、神經元、智能體課程目標33基于規則的專家系統1.狀態空間1.拓展閱讀：閱讀參考讀物2.線上學習：觀看相關網上資源課堂3.個人作業：專家系統案例課程目標1重點：1.目標樹與基于規則的專家系統2.基于目標樹的積分問題任務分解3.基于目標樹的抓物問題/移箱子問題4.后向鏈/演繹系統1.講授法：掌握基于目標樹的積分問題任務分解、基于目標樹的抓物問題/移箱子問題、梵塔問題、后向鏈/演繹系統2.專題研討：能夠促進學生案例對方法的應用-掌握基于規則的專家系統案例-動物識別62.問題規約課程目標13.目標樹和基于規則的專家系統課程目標24搜索和問題求解1、搜索的基本概念1.拓展閱讀：閱讀參考讀物2.線上學習：觀看相關網上資源課堂3.個人作業：搜索的程序運行課程目標1重點：狀態圖搜索的基本概念；理解盲目搜索、啟發式搜索的原理；啟發式搜索與其它搜索方法的關系。狀態圖搜索中Open表和Closed表的結構與實現；1.講授法：通過井字棋游戲實例，將搜索策略、博弈樹及剪枝方法進行融合。62、狀態空間的盲目搜索與啟發式搜索課程目標23、與/或圖的盲目搜索與啟發式搜索課程目標24、博弈樹的啟發式搜索課程目標25、極大極小算法、α-β剪枝算法課程目標25機器學習-支持向量機1、支持向量機的基本概念定義1.拓展閱讀：閱讀參考讀物2.線上學習：觀看相關網上資源課堂3.個人作業：完成程序編寫任務課程目標1重點1支持向量機的定義，線性可分和線性不可分的定義和區分；線性回歸定義。2凸優化定義，凸函數定義，以及判斷問題是否為凸優化問題的方法。3核函數定義、作用、用法。4對偶問題的定義，以及原函數和其對偶問題的相互轉化。5兵王問題的描述、建模、程序設計過程。1.講授法：培養學生掌握支持向量機算法的過程，以及訓練學生如何在現實問題中應用機器學習算法的能力。62、線性模型及凸優化問題的方法。課程目標23、svm解決非線性問題。課程目標24、svm對偶問題課程目標25、兵王問題課程目標36學習-神經網絡1、人工神經網絡概述1.拓展閱讀：閱讀參考讀物2.線上學習：觀看相關網上資源課堂3.個人作業：完成程序編寫任務課程目標1重點：神經網絡模型定義、輸入和輸出對應關系以及向量表示模式。感知器算法定義，在感知算法中尋找W和b兩個參數的方法、感知器算法中的收斂定理和意義。欠擬合與過擬合定義，以及在算法中如果避免此問題的方法。多層神經網絡結構定義和構建方法。梯度下降算法定義和數學描述。后向傳播算法的定義、構建、表達、求導法則、應用。1.講授法：促使學生對人工神經網絡的理解，以及根據實際問題建立神經網絡模型的能力。62、人工神經網絡的結構及其學習機理課程目標23、人工神經網絡的知識表示與推理課程目標24、感知器模型課程目標25、誤差反向傳播網絡課程目標27深度學習1、深度學習的概念1.拓展閱讀：閱讀參考讀物2.線上學習：觀看相關網上資源課堂3.個人作業：完成程序編寫任務課程目標1重點：自編碼器定義、分層初始化的思想、利用自編碼器進行神經網絡參數初始化的過程。卷積神經網絡定義，當前流行的模型講解。深度學習編程工具的下載、安裝、使用。圖像分類識別的定義。循環神經網絡定義，如何使用循環神經網絡解決實際問題。生成對抗網絡的定義、生成器和判別器區分、生成對抗網絡算法的具體優化、訓練、應用過程。1.講授法：掌握自編碼器、深度學習編程工具、卷積神經網絡、圖像分類識別，加深對循環神經網絡和生成對抗網絡的理解。2.專題研討：使學生掌握卷積神經網絡、循環神經網絡的理解和解決實際問題的能力。82、自編碼器課程目標23、卷積神經網絡課程目標34、循環神經網絡課程目標35、生成對抗網絡課程目標38AI的倫理及發展趨勢1、人工智能倫理1.拓展閱讀：閱讀參考讀物2.線上學習：觀看相關網上資源課堂課程目標3重點：人工智能所引發的一般性倫理與社會問題。人工智能的發展趨勢以及和社會的生產關系。1.專題研討：推動學生對人工智能倫理與社會問題的認識，掌握人工智能的發展脈絡。42、人工智能的發展趨勢課程目標3四、課程考核（一）考核內容與考核方式（考核內容含實驗要反映主要的課程目標；考核方式要適合課程性質，如：課堂表現、平時作業、階段性測試、調研報告、課程大論文、閉卷考試、開卷考試等。）表4-1課程目標、考核內容與考核方式對應關系課程目標考核內容所屬學習模塊/項目考核占比考核方式課程目標11.人工智能的發展歷程；人工智能概述40%課堂表現、平時作業、調研報告、課程論文、開卷考試2.“弱”人工智能和“強”人工智能；人工智能概述3.人工智能的發展趨勢；人工智能概述4.智能體與神經元腦與認知；腦與認知&智能體5.基于規則的專家系統；專家系統6.深度神經網絡；深度學習7.支持向量機；機器學習8.最優搜索方法；博弈理論9.機械運動建模、控制；機器人學10.物理模型建立及模式識別。機器學習課程目標21.物理穩定性與關系的推理；認知推理40%課堂表現、平時作業、調研報告、課程論文、開卷考試2.A*算法；最優搜索3.支持向量機；機器學習4.機器人設計、運動規劃；機器人學5.CNN\RNN；機器學習課程目標3AI倫理及發展趨勢；倫理及未來20%課堂表現、平時作業、調研報告、課程論文、開卷考試機器人與社會融合；博弈理論機器人任務規劃，逆向問題；機器人學系統性能分析及機器學習。機器學習評分依據：如果課程論文或作品設計是課程考核的唯一方式，必須明確課程論文或作品設計的內容與課程目標的達成度，寫明評分依據。表4-2課程目標與考核方式矩陣關系課程目標考核方式考核占比期末考試成績比例40%調研報告成績比例10%課程論文成績比例20%平時作業成績比例20%課堂參與成績比例10%課程目標140%40%40%40%40%40%課程目標240%40%40%40%40%40%課程目標320%20%20%20%20%20%備注：以上考核方式類型及占比均為示例，需確保每一列占比總和為100%。（二）成績評定1.平時成績評定（1）課堂表現（10%）：通過學生在課堂上的表現情況、發言與提問情況，來評價學生相關的能力。（2）作業完成情況（20%）：圍繞課程的學習目標進行作業的設計。如讓學生簡述對知識的認識，考核學生對于概念的理解情況，幫助學生將定義轉化為自己的理解。2.期末成績評定期末考試成績（40%）：占總分40分。主要考核所學6個課程模塊的基本概念、基本常識、基本要求、基本方法等機械工程的基礎知識，為后續課程奠定概念性基礎。建議采用100分制試卷，開卷測試。3.報告成績報告成績由課程論文和調研報告兩部分成績組成。（1）課程論文（20%）：學生收集資料能力，研究設計能力，解決實際問題能力和合作研究能力；（2）調研報告（10%）：如通過課堂教案設計、課堂片段展示與匯報，訓練學生的課堂實踐能力，使學生真正明確教學技能在實際教學中的應用，形成自己適合的教學風格。4.總成績評定總成績應由平時考核成績和期末考核成績構成，其構成比例應科學合理。書寫格式：總成績（100%）=平時成績（30%）+期末成績（40%）+報告成績（30%）（三）評分標準針對課程考核方式中的所有項目，均需制定相應的評分標準，明確具體評分細則。其中試卷考核項目以試卷參考答案及評分細則為準，非試卷考核項目可參照以下示例制定。表7評分標準（非試卷考核項目）考核項目評分標準優秀(100>x≥90)良好(90>x≥80)中等(80>x≥70)及格(70>x≥60)不及格(x<60)課程論文調研報告1）論文選題符合課程性質，選題范圍適中，具有較高的研究價值和意義，表現出很強的問題意識。（2）論證過程嚴謹，所使用的證據或材料充分，結論清晰，具有相當的說服力和解釋力。（3）文章結構合理，組織嚴密，連貫一致。（4）語言表達準確，敘述清楚，所使用的教育專業術語規范。（5）論文符合學術規范。1）論文選題恰當合理，具有較高的研究價值和意義，表現出較強的問題意識。（2）論證過程較為嚴謹，所使用的證據或材料較為充分，結論清