人工智能
为积极响应国家低碳环保政策，2021年秋季学期开始，中国大学MOOC平台将取消纸质版的认证证书，仅提供电子版的认证证书服务，证书申请方式和流程不变。
电子版认证证书支持查询验证，可通过扫描证书上的二维码进行有效性查询，或者访问https://www.icourse163.org/verify，通过证书编号进行查询。学生可在“个人中心-证书-查看证书”页面自行下载、打印电子版认证证书。
完成课程教学内容学习和考核，成绩达到课程考核标准的学生（每门课程的考核标准不同，详见课程内的评分标准），具备申请认证证书资格，可在证书申请开放期间（以申请页面显示的时间为准），完成在线付费申请。
认证证书申请注意事项：
1. 根据国家相关法律法规要求，认证证书申请时要求进行实名认证，请保证所提交的实名认证信息真实完整有效。
2. 完成实名认证并支付后，系统将自动生成并发送电子版认证证书。电子版认证证书生成后不支持退费。
人工智能：模型与算法
人工智能(ArtificialIntelligence，简称AI)是以机器为载体所展示出来的人类智能，因此人工智能也被称为机器智能(MachineIntelligence)。对人类智能的模拟可通过以符号主义为核心的逻辑推理、以问题求解为核心的探询搜索、以数据驱动为核心的机器学习、以行为主义为核心的强化学习和以博弈对抗为核心的决策智能等方法来实现。
本课程成体系介绍人工智能的基本概念和基础算法，可帮助学习者掌握人工智能脉络体系，体会具能、使能和赋能，从算法层面对人工智能技术“知其意，悟其理，守其则，践其行”。课程内容包括如下：人工智能概述、搜索求解、逻辑与推理、监督学习、无监督学习、深度学习、强化学习、博弈对抗。
来而不可失者，时也；蹈而不可失者，机也。人工智能不单纯是一门课程、一手技术、一项产品或一个应用，而是理论博大深厚、技术生机勃勃、产品落地牵引、应用赋能社会的综合生态体(AIecosystem)。为了加强实训，课程中安排了以搜索求解为核心的黑白棋AI算法、以线性回归为核心的图像恢复、以深度学习为核心的垃圾分类等实训题目。
注：
1)课程相关资料可访问“智海（www.aiplusx.com.cn）”和“智海-Mo平台（momodel.cn）”。
2)本课程对应ppt可以如下免费下载
链接：https://pan.baidu.com/s/1gIweAOKUDAnON5SZat03Kg
提取码：ai22
[人工智能
作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing
本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119192509
目录第1个问题：学习材料采用视频？文字？代码？第2个问题：个人学习还是跟团学习？第3个问题：渐进式学习还是一次性精炼学习？第4个问题：是否需要先精通Python？第5个问题：是否需要先精通数学？第6个问题：学习理论与代码实现的关系？6.1学习理论与代码实现的关系有哪些？6.2不建议的学习方式：6.3个人建议：选用第3种方案的网络或下线课程第7问题：工具的选用？第8问题:GPU还是CPU？第9问题：人工智能的可预见的难点？第10个问题：学习“深度学习”的几个等级第1个问题：学习材料采用视频？文字？代码？（1）学习材料的多样性
理论学习以视频课程为主，字面课程为辅。
特别是对于人工智能小白，不建议一个人闭门造车，一个人死磕书本，一个人死磕书本，效率低，理论与实践脱落。视频的好处是：专业人士已经整理出人工智某一个领域的主体框架，跟着专业人士的课程，能够抓住主线，还能有受益于他人的总结和经验。
就课堂学习，有老师教和那一本数自学，学习效果是完全不同的。
（2）理论联系实际：
人工智能课程是一门实践性很强的课程，不建议死磕书本，要以视频课程为主线，配合文字课程，或书本，或网络文章，最重要的是：再结合实际的软件代码，包括某一个领域的演示或某一个实际的工程文件。
代码分为：
学习性、演示性代码工程性、项目性代码第2个问题：个人学习还是跟团学习？深度学习的框架、算法都是有一定的门槛，要想学好这些课程，不能单枪匹马，那样效率较低。
好的学习方式是如下几种手段的结合：
大课程老师授课，或网络视频授课；=》这一步的关键是好的老师。小组学习或具备相同技能的同事间讨论；=》这一步的关键是好的同事、同学。交流群老师的辅导；=》这一步的关键是好的辅导老师。个人专研=》这一部分的关键好的教材与个人的刻苦专研。只听课，不讨论，只能浮于表面，无法深入。
只有小组讨论，没有个人的专研，无法形成实质性突破。
只有一个人专研，没有老师授课，这种学习方式效率低下。
切记：切忌一个人闭门造车。
第3个问题：渐进式学习还是一次性精炼学习？人工智能是有一定的门槛很难度，特别是算法与模型，因此不建议一次性把每个涉及的环节搞得非常清楚。
建议采用迭代式、多次轮回的学习方法，逐渐精进。一点带面，一面带整体，经过多轮学习，完成深度学习的学习。
切忌：试图一个轮回把所有的知识点全部搞清楚，容易陷入得到某个难点无法自拔，最终放弃人工智能的学习。
第4个问题：是否需要先精通Python？个人的观察是如果能够精通Python，能够帮忙我们理解用Python写的代码。
但如果是人工智能的入门，没有精通Python语言的基础，也不需要预先研习Python。
也就是说，精通Python并不是学习人工智能的必要条件。
只需要掌握Python必要的基础知识和技能就可以看懂、编写深度学习的代码。
深度学习所涉及到的Python语言的语法技能不并多，主要包括两方面：
Python的语言基础数学库的使用，如矩阵、导数等，学习库的使用可以结合“相关数学理论”一起学习。第5个问题：是否需要先精通数学？个人的观察是，如果能够精通那是最好。如果没有这样的条件，也没有关系。
了解上述数学的一些基本概率即可，毕竟对于大多数学习者，是学习现有的原理、模型，框架。
主要是利用框架、使用现有的模型，而不是自己从头创建新的模型和算法。
数学的学习可以结合如下：
数学的概念：导数、矩阵、概率集合Python相干的数学库集合Jupter开发工具的使用通过上述方法，达到理论和实践相结合，熟悉Python的同时、熟悉所需要的数学知识、还同时熟悉了工具的使用。为进一步的“神经网络”的学习打下基础。
第6个问题：学习理论与代码实现的关系？6.1学习理论与代码实现的关系有哪些？深度学习，涉及到很多的理论：
数学理论：矩阵、导数、概率等深度学习的理论：反向传播、loss、强化学习等神经网络模型的理论：卷积网络、知识图谱等。Python语言的程序是实现这里理论的工程实践和代码实现。
（1）是学习完整套理论，然后上机实践呢？
（2）还是边学习理论，变上机实践呢？
（3）还是边学习理论、边结合代码讲解、再上机实践？
6.2不建议的学习方式：（1）学习完整套理论，然后上机实践。
在个人电脑如此普及的今天，这种学习方式是低效的，是传统的学校课堂式理论学习的主要形式，而不是技能型学习的方法。
（2）授课者只讲理论，学习者自己上机实践摸索：
这种方法的缺点是，需要学习者能够学习的理论快速的转换成代码，这对学习者提出了抬高的要求，对于人工智能的小白而言，对于大多数学习者而言，是很难实施的，即使实施了，效果也比较差。
（3）授课者不讲理论，直接讲代码，学习者重复代码。
这种方法，很多程序员喜欢，程序员对代码有天然的敏感性和亲切感。
但这种方法的最大的缺点就是：容易陷入到代码本身中，有一种只见树木不见森林的感觉。再说，没有理论指导，只关注代码实现，无法提升自己，把自己彻底归属在“码”工的层面，不管原因，只管砌墙。
6.3个人建议：选用第3种方案的网络或下线课程（1）讲课者：先讲理论
（2）讲课者：再讲代码框架与实现
（3）学习者：线下代码实践
上述过程，不断循环、迭代。
第7问题：工具的选用？（1）Anaconda命令行：用于专业性操作、程序的自动化。
（2）JupterNotebook：用于学习、演示。
（3）Pycharm：用于程序跟踪调试。
第8问题:GPU还是CPU？至于选择CPU还是GPU，取决于学习阶段：
（1）初学阶段：单机版、CPU版的“深度学习”的平台
其目的用于入门学习，该平台可以训练一些小型数据集和规模小的神经网络，这种笔记本电脑的价格在4000块左右。
（2）中级阶段：单机版、带GPU的“深度学习”的平台
其目的用于进阶学习，该平台可以训练一些中型数据集和规模中等的神经网络，这种笔记本电脑的价格在1万多。
（3）高级阶段：平台是服务器版或云服务器、带GPU的“深度学习”的平台
其目的用于高阶学习，该平台可以训练一些大型数据集和大规模的神经网络,可用于应用实际产品的模型训练，这种电脑的价格在3万以上。
第9问题：人工智能的可预见的难点？人工智能学习的难点：
不在深度学习的框架，如tensorflow还是PyTorch不在python的编程语言；不在复杂的数学公式（虽然这是设计新的深度学习模型的难点）而在于各种神经网络的工作原理，立即各种神经网络的工作原理，即算法，对于优化算法是高阶的能力。第10个问题：学习“深度学习”的几个等级（1）利用他人已经训练好的模型，解决某一个特定的应用问题。
（2）利用现有的训练好的模型，针对自身的数据集再进行一步的训练，解决某一个特定的应用问题。
（3）利用现有的模型，使用自己的数据集，进行重新训练，解决某一个特定的应用问题。
（4）利用现有的模型，进行调参，优化模型，使用自己的数据集，进行重新训练，解决某一个特定的应用问题。
（5）利用深度学习的框架，构建自己的模型，使用自己的数据集，进行重新训练，解决某一个特定的应用问题。
（6）利用深度学习的框架，构建自己的模型，优化模型，提升性能。
（7）编写深度学习框架
作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing
本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119192509
《人工智能概论》总结报告（有一部分内容摘抄自课本）
《人工智能概论》是我们计算机专业学生的专业课程。人工智能，英文缩写为AI，是一门综合了计算机科学、生理学、哲学的交叉学科。人工智能的研究课题涵盖面很广，从机器视觉到专家系统，包括了许多不同的领域。其中共同的基本特点是让机器学会“思考”。人工智能始终处于计算机发展的最前沿。搞基计算机语言、计算机界面及文字处理器的存在或多或少都得归功于人工智能的研究。人工智能研究带来的理论和洞察力指引了计算机技术发展的未来方向。人工智能对我们的生活意义非常重大。对于我来说，人工智能是一门极富挑战性的科学，想学好的话必须得懂得计算机知识，懂一点心理学和哲学。人工智能是包扩十分广泛的科学，它由不同的领域组成。我希望自己能够理解老师课堂上所讲的内容，并且能够将其掌握，了解人工智能的形成于发展以及人工智能未来的发展趋势，同时，将各模块、章节之间的联系，掌握人工智能主要的研究方法，如果能够通过人工智能知识来解决实际问题，那肯定是更理想的。也希望自己通过《人工智能》这门课，提高自己的专业素养，具备将其与信心科学的其他课程整合的基本能力，开拓自己的视野，了解更多领域。
《人工智能概论》是一门灵活性比较大的学科，课本教程是英文版的，整本书的教学内容都是纯英文，专业术语又多得数不胜数，对知识的掌握有一定的难度，同时也提高对人工智能的本质与内涵理解的难度，所以对我来说，挑战性还是比较大的。但我们终究还是得掌握人工智能的基本理论和原理。在这学期学习《人工智能概论》的过程当中，得多亏老师在放英文版教程PPT的同时，用中文给我们上课。个人认为老师上课讲的挺好的，我很喜欢听老师的课，而且老师讲的内容让人简洁易懂，比如讲人工智能的研究意义、目标和目标的时候，还有讲专家系统的时候。让我了解到专家系统是目前人工智能中最活跃、最有成效的一个研究领域，它是一种具有特定领域内大量知识与经验的程序系统。近年来，在“专家系统”和“知识工程”的研究中已出现了成功和有效应用人工智能技术的趋势。有一些语言逻辑还是相当有趣的，比如通过几个因素，算明天下雨的概率。
人工智能的发展趋势。技术的发展总是超乎人们的想象，要准确地预测人工智能的未来是不可能的。但是，从目前的一些前瞻性研究可以看出，未来人工智能可能会向以下几个方面发展:模糊处理、并行化、神经网络和机器情感。人工智能的发展潜力巨大。人工智能作为一个整体的研究才刚刚开始,离我们的目标还很遥远，但人工智能在某些方面将会有大的突破。自动推理是人工智能最经典的研究分支,其基本理论是人工智能其它分支的共同基础。一直以来自动推理都是人工智能研究的最热门内容之一,其中知识系统的动态演化特征及可行性推理的研究是最新的热点,很有可能取得大的突破。机器学习的研究取得长足的发展。许多新的学习方法相继问世并获得了成功的应用,如增强学习算法、reinforcementlearning等。也应看到,现有的方法处理在线学习方面尚不够有效,寻求一种新的方法,以解决移动机器人、自主agent、智能信息存取等研究中的在线学习问题是研究人员共同关心的问题,相信不久会在这些方面取得突破。自然语言处理是AI技术应用于实际领域的典型范例,经过AI研究人员的艰苦努力,这一领域已获得了大量令人瞩目的理论与应用成果。许多产品已经进入了众多领域。智能信息检索技术在Internet技术的影响下,近年来迅猛发展,已经成为了AI的一个独立研究分支。由于信息获取与精化技术已成为当代计算机科学与技术研究中迫切需要研究的课题,将AI技术应用于这一领域的研究是人工智能走向应用的契机与突破口。从近年的人工智能发展来看,这方面的研究已取得了可喜的进展。
通过这学期的学习，我对人工智能有了一定的感性认识。虽然在学习上会遇到一些困难，但通过与同学们的相互学习帮助，自我思考，积极请教，很多问题都迎刃而解。每当问题解决的时候，就会充满无比的欣慰和满足。人工智能是一门丰富多彩，作为一个科技前沿的学科，我相信会有越来越多的人对它感兴趣。很感谢老师在这一学期当中对我们的耐心与培育。让我们在这一学期的学习当中收获很多，受益匪浅。不过要是老师能在课上给我们展示人工智能的科技产品以及带领同学们做一两个有趣的与人工智能有关的东西或许会让学生们对人工智能有一个印象更深的理解。祝老师在接来来的工作当中，做得越来越出色，越来越好。
人工智能导论课程论文：人工智能及其发展趋势
摘要：人工智能，又简称AI，它是当今最火的一门科学，是研究使计算机来完能表现出人类智能的任务的学科。主要包括计算机实现智能的原理，制造类似于人脑的智能计算机，以及使计算机更巧妙些实现高层次的应用。人工智能科学，它起源于近代，在电气时代随着计算机科学的发展，以及生物学，脑科学等相关科学的发展，极大地推动了人工智能的发展。人工智能还涉及信息论、控制论、自动化、仿生学、生物学，数理逻辑、语言学、心理学等多门学科。导致其非常复杂，所以其研究领域也分成许多方面，从最开始的博弈论，专家系统，模式识别，神经网络，机器学习到现在大热的深度学习。其应用领域，也非常之多，比如机器翻译，语音交互，ORC，图像识别，智能驾驶等等。自从谷歌的阿尔法狗在围棋打败了人类棋手，人工智能也进入了一个新的发展阶段，如今各国，各大公司都在大力发展人工智能技术，争取在新时代把握先机，把握未来。人工智能即将在无人驾驶，机器翻译，语言交互等应用领域取得巨大成功。即使如此，人工智能现在还是处于弱人工智能阶段，人工智能还面临着许多问题和挑战。向强人工智能发展的道路上，仍然充满巨大的困难。
关键词：人工智能