课程概述
人工智能是研究智能信息处理技术,开发具有智能特性的各种应用系统的核心技术。 通过这门课程的学习,学生可以了解人工智能的基本概念和基本原理,掌握传统人工智能的知识表现方法和探索求解战略,掌握计算智能的基本知识和方法,包括人工智能神经网络,深度学习,遗传演进算法,群体智能算法等主要内容,掌握人工智能的确定推理技术和不确定性推理,掌握人工智能的基本知识。  
课程概述
01
人工智能概论
理解从智能机器,学科,能力三个方面来定义人工智能; 从人类的认知过程,图灵测试等方面熟悉人工智能与人类智能之间的关系。 了解人工智能的知识体系,了解研究范围和应用领域。 熟悉人工智能的起源,发展过程和未来趋势。  
时间
1.1什么是人工智能?
1.2人类的智能和人工智能
1.3人工智能研究与应用领域
1.4人工智能的发展阶段和未来
1.5总结
02
知识表达方法
掌握什么是知识,什么是知识表示。 在知识表现手法中,学习了状态空间法,问题归约法,谓语逻辑法,意思网络法这4种古典手法。 了解知识图像的应用。  
时间
2.1知识和知识展示
2.2状态空间法
2.3问题归结法
2.4谓语逻辑法
2.5语义网络法
2.6知识表现手法的应用:知识图像
2.7总结
03
搜索求解策略
掌握图探索战略的基本原理。 把握盲搜索(包括宽度优先搜索,深度优先搜索,有限深度优先搜索,等成本搜索)和启发式搜索(包括顺序搜索,A*算法)的各算法,可以具体实现这些算法并进行比较。  
时间
3.1概述
3.2图搜索策略
3.3盲目搜索
3.4启发式搜索
3.5总结
04
人工神经网络
了解生物学动机了解人工神经元模型及其特性的一些常见神经元模型。 掌握人工神经网络的结构,基本特性和类型,人工神经网络的学习算法。 熟悉常见的人工神经网络(BP神经网络,卷积神经网络等)。 了解神经网络的应用和研究。  
时间
4.1生物学动因
4.2神经元模型
4.3人工神经网络的结构
4.4一般人工神经网络
4.5神经网络的应用:人脸识别
4.6摘要
05
深度学习
了解什么是机器学习,学派,解决的问题是什么。 熟悉机器学习系统的基本结构掌握机器学习算法的分类,以及传统的机器学习算法,深度学习算法,进行强化学习。  
时间
5.1概述
5.2机器学习的基本概念
5.3机器学习系统的基本构成
5.4机器学习算法
5.5机器学习的应用
5.5摘要
06
遗传进化算法
熟悉遗传算法的基本思路,基本构成; 掌握遗传编码,解码,适应度函数的基本定义,三种遗传操作(选择,交叉,变异)。 把握简单的遗传算法,一般的遗传算法的解的顺序。 了解遗传算法在算法中如何设定集团,算法如何结束的应用。  
时间
6.1遗传算法的基本机制
6.2遗传算法求解步骤
6.3遗传算法的求解例
6.4摘要
07
群智能算法
理解生物智能的动作,理解与群智能算法的映射关系。 掌握经典群智能算法(包括粒子群优化算法,蚁群算法和人工鱼群算法)的思想,原理,算法的实现及其优劣特性分析。 了解集群智能算法的实际应用。  
时间
7.1概述
7.2粒子群优化算法
7.3菌落算法
7.4人工鱼群算法
7.5智能应用:无人值守系统
7.6摘要
08
决策推理技术
推理是什么,知识推理是什么,推理中包含的基本问题,推理的分类。 掌握包括消化原理和规则演绎系统在内的常用知识推理技术。 把握Robinson归结原理的基本思想,消除反演计算过程,求节集采取九步法,运用消化反演方法解决应用问题。 掌握规则向前演绎系统的求解过程,掌握规则反演系统的求解过程,运用规则演绎系统解决应用问题。 了解知识推论技术的实用化。  
时间
8.1知识推论技术的概要
8.2分解原理
8.3规则演绎系统
8.4知识推论技术的应用
8.5摘要
09
不确定性推论
把握决定性推理和不确定性推理的基本定义。 理解不确定性推论的原因和特征,不确定性分类,不确定性表示。 掌握经典推理方法(包括概率推理,主观贝叶斯方法,可靠性方法和证据理论)的思想原理; 了解古典推理方法的实际应用。  
时间
9.1概述
9.2概率推理
9.3主观Bayes方法
9.4可靠性方法
9.5证据理论
9.6摘要
预备知识
高等数学,数据结构,离散数学等
证书要求
1,总分设定:单体测试20%单体测试20%单体测试60%
2,成绩设定:合格证:60