《人工智能》教学大纲
2020-03-03 19:21:55 来源：范文大全收藏下载本文
人工智能原理及其应用
一、说明
（一）课程性质
随着信息社会和知识经济时代的来临，信息和知识已成为人们的一个热门话题。然而，在这个话题的背后还蕴含着另外一个更深层的问题——智能。一般来说，信息是由数据来表达的客观事物，知识是信息经过智能性加工后的产物，智能是用来对信息和知识进行加工的加工器。在信息社会，人类面对的信息将非常庞大，仅靠人脑表现出来的自然智能是远远不够的，必须开发那种由机器实现的人工智能。
《人工智能导论》是计算机科学与技术专业本科生的一门限选课程。
（二）教学目的
使学生掌握人工智能的基本原理、方法及研究应用领域。了解人工智能中常用的知识表示技术，启发式搜索策略，了解原理以及非确定性推理技术。通过对典型专家系统的分析、解剖、进一步深入掌握人工智能的主要技术，去解决人工智能的一些实际问题。增强学生的逻辑思维与实验能力，为人今后处理各门学科的智能奠定基础。
（三）教学内容
人工智能的基本原理和方法，人工智能的三个重要研究领域（机器学习、神经网络学习和自然语言理解），人工智能的两个重要应用领域（专家系统和智能决策支持系统）。
（四）教学时数
36学时
（五）教学方式
课堂讲授和上机实验相结合。
二、本文
第1章 人工智能概述
教学要点
讨论人工智能的定义、形成过程、研究内容、研究方法、技术特点、应用领域、学派之争及发展趋势。 教学时数
3学时 教学内容
1.1 人工智能及其研究目标 （0.5学时）
了解人工智能的定义及其研究目标。
1.2 人工智能的产生与发展 （0.5学时）
了解人工智能产生与发展的四个阶段。
1.3 人工智能研究的基本内容及其特点 （0.5学时）
了解人工智能研究的基本内容及特点。
1.4 人工智能的研究和应用领域 （0.5学时）
了解人工智能研究和应用领域。
1.5 人工智能研究的不同学派及其争论 （0.5学时）
了解三大学派及其理论的争论和研究方法的争论。 1.6 人工智能的近期发展分析
（0.5学时）
了解更新的理论框架研究，更好的技术集成研究，更成熟的应用方法研究。（0.5学时） 考核要求
了解人工智能研究的基本内容和应用领域。
第2章
知识表示
教学要点
知识表示的基本概念和各种确定性知识表示方法。 教学时数
6学时 教学内容
2.1 知识与知识表示概念
（0.5学时）
了解知识表示的概念和表示形式； 理解知识的定义。
2.2 一阶谓词逻辑表示法
（0.5学时）
理解一阶谓词逻辑表示的逻辑基础； 掌握谓词逻辑表示方法及其应用。 2.3 产生式表示法 （0.5学时）
了解产生式系统的基本过程、控制策略及其类型和特点； 掌握产生式表示的基本方法、基本结构。 2.4 语义网络表示法 （1学时）
理解语义网络的基本概念；
会应用语义网络表示事实和进行推理。 2.5 框架表示法 （2学时）
了解框架系统的问题求解过程和框架表示法的特点； 掌握框架结构和实例框架； 理解框架理论。 2.6 脚本表示法
掌握脚本的结构及其推理。 （0.5学时） 2.7 过程表示法 （0.5学时）
了解过程表示的特性；
掌握过程表示的问题求解过程； 理解表示知识的方法。
2.8 面向对象表示法
（0.5学时）
了解面向对象的特征；
理解面向对象的基本概念； 掌握知识的面向对象表示。 考核要求
掌握逻辑词谓表示法及其应用，会用框架去描述一些具体问题，能用脚本来描述特定范围内的一些事件的发生顺序。
第3章 确定性推理
教学要点
推理的基本概念及归结、演绎等确定性推理方法。 教学时数
5学时 教学内容
3.1 推理的基本概念 （0.5学时）
了解正向推理、逆向推理、混合推理及其推理的冲突消解策略； 掌握推理的方法、推理的控制策略； 理解推理的概念。
3.2 推理的逻辑基础 （1学时）
掌握谓词公式的各种特性和置换与合一的过程。 3.3 自然演绎推理 （0.5学时）
了解自然演绎推理的概念及其三段论推理规则。 3.4 归结演绎推理 （2学时）
掌握子句集及其化简，鲁宾逊归结原理；
会应用谓词逻辑归结证明问题，会用归结演绎推理的归结策略证明问题，会用归结反演求取问题的答案。
3.5 基于规则的演绎推理 （1学时）
会应用规则正向演绎推理和规则逆向演绎推理。 3.6 规则演绎推理的剪枝策略 （0.5学时）
了解剪枝策略的基本思想。 考核要求
理解确定性推理的思维过程，会应用谓词逻辑归结去求证问题，会应用规则正向演绎推理和规则逆向演绎推理。
第4章 不确定与非单调推理
教学要点
不确定性推理的有关概念及各种不确定性的表示和推理方法。 教学时数
4学时 教学内容
4.1 不确定性推理的基本概念 （0.5学时）
了解不确定推理的基本问题； 理解不确定推理的含义。
4.2 不确定性推理的概率论基础 （0.5学时）
了解全概率公式与Bayes公式；
理解样本空间与随机事件，事件的概率。
4.3 确定性理论 （0.5学时）
理解可信度的概念，C-F模型； 掌握带加权因子的可信度推理。
4.4 主观Bayes方法 （0.5学时）
了解组合不确定性计算；
掌握知识不确定性表示，证据不确定性表示，结论不确定性的合成。 4.5 证据理论 （1学时）
掌握D-S理论的形式描述，证据理论的推理模型，推理实例。 4.6 可能性理论和模糊推理 （0.5学时） 掌握模糊知识表示，模糊概念的匹配，模糊推理。 4.7 非单调推理 （0.5学时）
了解非单调推理的概念及起具有代表性的理论。 考核要求
理解不确定性推理的含义、非单调推理的概念、确定性理论，掌握主观Bayes方法，能用D-S理论从不同角度刻划命题的不确定性，能在模糊集的基础上，实现对模糊命题和模糊知识的表示。
第5章 搜索策略
教学要点
搜索的基本概念和状态空间、与或树的各种搜索算法。 教学时数
6学时 教学内容
5.1 搜索的基本概念 （1学时）
了解搜索的含义；
掌握状态空间法，问题归约。
5.2 状态空间的盲目搜索 （2学时）
了解一般图搜索过程；
掌握广度优先搜索，深度优先搜索，代价树搜索。 5.3 状态空间的启发式搜索 （0.5学时）
了解A算法；
理解启发性信息和估价函数。
5.4 与/或树的盲目搜索 （0.5学时）
了解与/或树的一般搜索；
掌握与/或树的的广度优先搜索，与/或树的深度优先搜索。 5.5 与/或树的启发式搜索 （0.5学时）
了解与/或树的启发式搜索过程； 理解解树的代价与希望。
5.6 博弈树的启发式搜索 （0.5学时）
了解极大极小过程，α-β剪枝。 考核要求
了解搜索概念，博弈树的启发式搜索；掌握状态空间的盲目搜索和与/或树的盲目搜索。
第6章 机器学习
教学要点
机器学习的基本概念和各种符号学习方法。 教学时数
4学时 教学内容
6.1 机器学习的基本概念 （0.5学时）
了解机器学习的发展过程，学习系统，机器学习的分类； 理解学习和机器学习的概念。
6.2 机械式学习（0.5学时）
了解机械学习的过程及其设计要考虑的三个问题。 6.3 指导式学习（0.5学时）
了解指导式学习的学习过程。
6.4 归纳学习（0.5学时）
了解归纳学习的类型。
6.5 基于类比的学习（0.5学时）
了解属性类比学习、转换类比学习； 理解类比学习的概念。
6.6 基于解释的学习（0.5学时）
了解解释学习的空间描述及学习模型； 理解解释学习的概念；
掌握解释学习的基本原理及基本过程。 考核要求
了解机器学习的概念，机械式学习，指导式学习，归纳学习；掌握基于解释学习的基本原理及其基本过程。
第7章 神经网络及连接学习
教学要点
人工神经网络的概念和各种连接学习方法。 教学时数
2学时 教学内容
7.1 人工神经网络概述 （0.5学时）
了解人工神经元及人工神经网络人工神经网络的发展过程，人工神经网络的局限性； 理解生物神经元及脑神经系统的结构及特征。
7.2 人工神经网络的互连结构及其学习机理 （0.5学时）
了解人工神经网络学习和记忆的心理学基础； 理解人工神经网络的互连结构； 掌握人工神经网络的学习算法。
7.3 感知器模型及其学习（0.5学时）
了解有关感知器XOR问题求解的讨论； 理解感知器模型，感知器学习。
7.4 误差反向传播网络及其学习（0.25学时）
理解B-P网络结构；
掌握B-P网络学习的传播公式，B-P网络的学习算法。 7.5 Hopfield网络及其学习
（0.25学时）
了解Hopfield模型的稳定性
理解Hopfield网络的结构； 掌握Hopfield网络的学习算法。 考核要求
了解人工神经网络及其结构和学习机理；理解感知器、B-P网络、Hopfield网络及其B-P网络；掌握Hopfield网络的算法。
第8章 自然语言理解
教学要点
自然语言理解的基本概念和分析方法。 教学时数
2学时 教学内容
8.1 语言及其理解的基本概念 （0.25学时）
了解自然语言与自然语言理解，自然语言理解的研究任务，自然语言理解的发展，自然语言理解的层次。
8.2 语法规则的表示方法 （0.25学时）
掌握句子结构的表示，上下文无关文法，变换文法。 8.3 语法分析 （0.5学时）
掌握自顶向下与自底向上分析； 理解扩充转移网络分析。
8.4 语义的分析 （0.5学时）
理解语义文法； 掌握格文法。
8.5 自然语言的生成 （0.25学时）
了解自然语言生成的概念及生成步骤。
8.6 自然语言理解系统的层次模型 （0.25学时）
了解语言理解的层次模型。 考核要求
了解自然语言理解的概念，会用语法分析和语义的分析，了解自然语言理解系统的层次模型。
第9章 专家系统
教学要点
专家系统是人工智能的一个重要应用领域,它目前正在从集中、封闭模式向分布、开放模式发展。 教学时数
3学时 教学内容
9.1 专家系统的基本概念 （0.5学时）
了解专家系统的概念、分类及特点。
9.2 专家系统的基本结构 （0.5学时）
了解用户界面；
理解知识库、数据库、推理机、解释机构、知识获取机构。 9.3 知识获取 （0.5学时）
了解知识获取方法的分类； 理解知识获取的任务；
掌握非自动知识获取，自动知识获取。
9.4 专家系统的开发与评价 （0.5学时）
了解专家系统的开发条件，生命期概念，专家系统开发过程的各个阶段。 9.5 专家系统开发工具与环境 （0.5学时）
了解程专家系统的开发工具与开发环境。 9.6 专家系统的进一步发展
（0.5学时）
了解新一代专家系统。 考核要求
了解专家系统的概念、基本结构及其开发工具与环境；掌握非自动知识获取和自动知识获取。
第10章 智能决策支持系统
教学要点
智能决策支持系统是人工智能的另一重要应用领域,它是目前迅速兴起的网络商务中的一项重要技术,有着广阔的应用前景 教学时数
2学时 教学内容
10.1 智能决策支持系统的基本概念 （0.5学时）
了解智能决策支持系统；
理解决策与决策过程，决策支持系统。
10.2 决策支持新技术 （1学时）
理解数据仓库、数据开发及其它们的结合。
10.3 智能决策支持系统的基本结构
（0.5学时）
掌握智能决策支持系统的基本结构。 考核要求
了解智能决策支持系统及其新技术，知道智能决策支持系统的结构及新结构体系；理解决策与决策过程，决策支持系统；智能决策支持系统的基本结构。
三、参考书目
1、王万森，《人工智能原理及其应用》，电子工业出版社，2000年9月第一版。
2、林尧瑞、马少平，《人工智能导论》，清华大学出版社，1989年5月第一版。
3、陈世福、陈兆乾等编，《人工智能与知识工程》，南大出版社，1997年12月第一版。
4、何华灿，《人工智能导论》，西北工业大学出版社，1988。
5、陈汝铃，《人工智能》，科学出版社，1989。
人人范文网 m.inrrp.com.cn 手机版