（理论+实验）
课程编号：Tz0039-01
课程英文名称：
课程类型：通识通选
适用年级专业（学科类）：非计算机类专业 二年级及以上
先修课程：大学计算机，Python语言程序设计/C语言程序设计
总学分：3
总学时：68（理论34+实验34）
课程简介：人工智能深刻改变着人类生产生活方式和思维模式，深刻影响着人类的经济社会发展。那么，到底什么是人工智能？人工智能在我们的工作与生活中会发挥怎样的作用？人工智能与大数据、互联网什么关系？人工智能能否助力我们的专业能力发展与综合素质提高？人工智能是我们的合作伙伴，还是竞争对手？我们应该如何看待人工智能？“人工智能技术及应用”课程或许会解答你关于人工智能的一些疑问，更或许让你发现你的专业与人工智能的紧密联系与融合潜力。“人工智能技术及应用”课程面向全校非计算机类专业本科学生开设，理论课教学内容主要包括人工智能的发展历程与发展现状，人工智能的主要应用领域，人工智能的主要技术方法，人工智能的发展趋势，人工智能带来的机遇与挑战等。结合应用案例讲授人工智能技术方法，针对所讲技术方法完成实验项目，以Python语言为主要编程语言。
教学目标：使学生了解人工智能的发展历程、应用领域与发展趋势，初步掌握人工智能的主要方法与应用技术，初步具备利用人工智能技术解决实际问题的能力，提高对人工智能的兴趣和关注度，了解人工智能与自己所学专业的联系与融合前景，毕业后能主动把人工智能技术引入自己的工作场景，推动人工智能在经济社会发展与日常工作生活中发挥更大作用。
课程教学包括课堂教学和实验项目。
在课堂教学中，讲解式教学、讨论式教学和问答式教学交替进行，并设计问题让学生思考、讨论，激发学生的学习兴趣，培养学生独立思考和分析问题的能力。通过完成实验项目，加深对理论知识和技术方法的理解，培养学生应用人工智能技术方法解决实际问题的能力。
结合学习内容，每个知识单元设计2-3个实验项目，每位同学选作至少一题，应用所学知识解决实际问题，实现理论与实践的有机结合。
根据教学大纲和教学参考书，利用多媒体课件，并根据内容需要结合传统板书、讨论、总结等多种手段，充分利用现代化教学手段开展教学，力求课堂教学形象、生动、有吸引力。
选用（条件允许时自建）优秀网络MOOC课程资源，构建SPOC课堂，同时对于部分知识点采用翻转课堂等混合式教学模式授课，为学生营造一个课上、课下均可学习和交互的良好的自主学习氛围。同时引导学生参与项目设计开发活动，调动学生的学习积极性，提高学生的参与度，激发学生的学习兴趣。
经典机器学习算法（k-近邻方法、决策树方法、贝叶斯方法、支持向量机方法；k-均值方法、k-中心点方法、密度聚类方法）；深度学习算法在图像（人脸）识别、语义分析、语音识别等领域的应用。
经典机器学习算法原理，结合实例的深度学习算法应用。
| 单元 | 内容概要 | 学时 |
|---|---|---|
| 1 | 人工智能概述 | |
| 1.1 | 人工智能的起源、定义与发展历程 | 1 |
| 1.2 | 人工智能的主要研究领域 | 2 |
| 1.3 | 人工智能应用案例 | 2 |
| 2 | 人工智能理论基础 | |
| 2.1 | 模型评估与选择 | 1 |
| 2.2 | 经典算法1（k-近邻方法、贝叶斯方法、决策树方法） | 6 |
| 2.3 | 经典算法2（k-均值方法、k-中心点方法、密度聚类方法） | 6 |
| 2.4 | 神经网络、支持向量机、深度学习、强化学习介绍 | 2 |
| 3 | 人工智能应用及实践（基于微软工具与认知服务） | |
| 3.1 | 软件部署：Visual Studio 及 Visual Studio Tools for AI | 2 |
| 3.2 | Python机器学习库简介及使用（Scikit-learn、CNTK、Tensorflow） | 2 |
| 3.3 | 图像处理及人脸识别应用案例 | 2 |
| 3.4 | 自然语言处理及语义分析应用案例 | 2 |
| 3.5 | 基于Azure的深度学习体验 | 4 |
| 4 | 人工智能伦理 | |
| 4.1 | 人工智能与智能机器人 | 1 |
| 4.2 | 人工智能与哲学、伦理学、法学的关系等 | 1 |
| 合计 | 34 |
| 序号 | 实验项目名称 | 实验类型 | 学时 |
|---|---|---|---|
| 1 | Python语言编程强化训练（VS Code） | 验证型 | 4 |
| 2 | Python机器学习库安装及验证 | 验证型 | 2 |
| 3 | k-近邻分类实验/贝叶斯分类实验/决策树分类实验 | 设计型 | 4 |
| 4 | k-均值聚类实验/k-中心点聚类实验/密度聚类实验 | 设计型 | 4 |
| 5 | Visual Studio/Visual Studio Tools for AI | 验证型 | 2 |
| 6 | sklearn分类/聚类基础、手写数字识别 | 验证及设计型 | 6 |
| 7 | 图像处理及人脸识别、自然语言处理及语义分析 | 综合型 | 6 |
| 8 | Microsoft Translator–微软人工智能机器翻译技术 | 验证型 | 2 |
| 9 | 基于Azure的深度学习体验 | 设计及验证型 | 4 |
| 合计 | 34 |
-
王万良. 人工智能导论（第4版）. 高等教育出版社, 2017.
-
李德毅, 于剑. 人工智能导论. 中国科学技术出版社, 2018.
-
（美）Stuart Russell. 人工智能: 一种现代的方法（第3版）.殷建平 等译. 清华大学出版社, 2013.
-
周志华. 机器学习. 清华大学出版社，2016.
-
（美）Sebastian Raschka. Python机器学习. 高明 等译. 机械工业出版社, 2017.
-
毛国君, 段立娟. 数据挖掘原理与算法（第3版）. 清华大学出版社, 2016.
-
李开复, 王咏刚. 人工智能. 文化发展出版社, 2017.
-
腾讯研究院. 人工智能. 中国人民大学出版社, 2017.
【考核类型】：考查
【考核方式】： 上机考试
【成绩评定】：理论课与实验课统一考核，总成绩（100%）=平时成绩（占60%）+期末成绩（占40%）