《人工智能导论》期末复习二、三
《人工智能导论（第5版）》王万良
第二章 知识表示与知识图谱2.1 知识与知识表示的概念
一、什么是知识？有哪些特性？
1、知识：在长期的生活及社会实践中、在科学研究及实验中积累起来的对客观世界的认识与经验。人们把实践中获得的信息关联在一起，就形成了知识。知识反映了客观世界中事物之间的关系，不同事物或者相同事物间的不同关系形成了不同的知识。
2、特性：（1）相对正确性（2）不确定性（3）可表示性与可利用性
二、什么是知识表示？如何选择知识表示方法？
1、知识的表示：将人类知识形式化或者模型化。
2、知识表示方法的原则：
（1）充分表示领域知识。
（2）有利于对知识的利用。
（3）便于对知识的组织、维护与管理。
（4）便于理解与实现。
2.2 一阶谓词逻辑表示法
一、命题？
一个非真即假的陈述句
eg.“3
人工智能导论
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。
人工智能导论
《人工智能导论》教学大纲
课程编号：AI006003
课程名称：人工智能导论 英文名称：ArtificialIntelligence
学分/学时：1/16 课程性质：通识教育选修
适用专业：计算机科学与技术、智能科学与技术、电子信息工程等
建议开设学期：第一学年秋季
先修课程：高等数学 开课单位：人工智能学院
一、课程的教学目标与任务
《人工智能导论》是关于人工智能领域的引导性课程，介绍人工智能的历史、研究现状以及新技术，目的是使学生了解和认识人工智能的各个研究领域包括最新的研究进展，激发学生学习人工智能及今后的更高级课程的学习兴趣、为将来在人工智能领域的进一步研究工作和软件实践奠定良好的基础。
通过本课程的学习，使得学生了解人工智能的历史、各个不同分支以及应用领域的研究进展及其新突破，新成果，为人工智能在各领域的应用奠定基础，拓宽学生在计算机科学与技术领域的知识广度。
二、课程具体内容及基本要求
（一）概论(2学时)
主要内容：人工智能的概念、自然智能与人工职能、人工智能各学派的认知观、人工智能的研究与应用领域
1.基本要求
（1）了解人工智能的发展历史、研究现状及发展过程中的几个研究途径；
（2）掌握人类智能和人工智能的基本概念；
（3）理解自然智能与机器智能的联系与区别。
2.重点、难点
重点：人工智能概念
难点：人工智能各学派的认知观
3.作业及课外学习要求：
课外学习：查阅文献了解最新的人工智能发展成果
小论文题目：人工智能最新研究进展
要求：通过查阅相关文献，详细介绍人工智能领域的研究最新进展综述，或着重给出某一领域如进化计算、专家系统、机器学习、机器人、神经网络等的研究最新进展。
（二）知识表示与搜索(3学时)
主要内容：状态空间法及其搜索技术；问题归约法及其搜索技术
1.基本要求
（1）理解知识表示的概念；
（2）掌握状态空间法、问题归约法；
（3）掌握图搜索技术包括宽度、深度、启发式搜索方法；
（4）了解新型搜索技术。
2.重点、难点
重点：状态空间表示法及其盲目式搜索、问题归约表示法及其盲目式搜索、
难点：A*，博弈
3.作业及课外学习要求
课外学习：需查阅文献，在实际问题中找出四种不同搜索算法的应用实例
计算机仿真：实现四种搜索算法
要求：就八数码难题实现四种搜索算法包括深度、广度、有序搜索以及A*算法，给出搜索路径，并比较四种搜索算法的搜索效率，探讨不同算法在解决实际问题时各自的适用性，形成大报告并附仿真代码
（三）谓词逻辑与机器定理证明(2学时)
主要内容：命题逻辑、谓词逻辑、消解原理
1.基本要求
（1）理解命题逻辑、谓词逻辑
（2）掌握消解原理
（3）了解反演问题求解
2.重点、难点
重点：谓词逻辑及其简单推理
难点：消解推理过程
3.作业及课外学习要求
小论文题目：机器定理证明研究现状
要求：通过查阅相关文献，详细介绍机器定理证明的研究历史及最新进展
（四）智能计算基础(3学时)
主要内容：遗传算法的基本机理、遗传算法的求解步骤及其应用、遗传规划、粒子群算法原理
1.基本要求
（1）掌握遗传算法的基本机理以及算法的实现；
（2）理解基本粒子群算法
（3）了解遗传规划、蚁群以及其他新型的自然计算
2.重点、难点
重点：遗传算法原理及其实现
难点：遗传规划以及粒子群算法
3.作业及课外学习要求
作业：理解遗传算法的原理，在解决函数优化问题时考虑如何实现包括其编码、交叉、变异、选择，适应度选择等。
课外学习：查阅相关文献，进一步了解进化计算或软计算的研究新进展，进化计算不同分支的发展历史。
计算机仿真：实现简单遗传算法
要求：利用MATLAB或其他软件编程实现二维单目标优化问题的求解，会利用盒图，曲线图等分析实验结果。形成大报告并附仿真代码。
（五）人工神经网络(2学时)
主要内容：神经元的几种互连形态及其特点、人工神经网络的典型模型、基于神经网络的知识表示、神经网络的简单推理过程。
1.基本要求
（1）熟悉和掌握人工神经网络的基本概念；
（2）理解利用简单的人工神经网络进行学习和推理。
2.重点、难点
重点：人工神经网络的基本概念。
难点：深度神经网络
3.作业及课外学习要求
作业：掌握基于神经网络的知识表示、神经网络的简单推理过程，比较其与之前一章推理方法的机制。
课外学习：查阅文献，完成一个神经网络包括深度学习的研究现状的报告
（六）专家系统(2学时)
主要内容：专家系统的基础知识、专家系统的基本结构、专家系统的开发及应用实例、专家系统的新进展。
1.基本要求
（1）理解专家系统的基本概念和方法；
（2）了解专家系统的新进展。
2.重点、难点
重点：专家系统的基本概念和方法、专家系统的基本结构
难点：新一代专家系统的概念
3.作业及课外学习要求
作业：通过简单医学系统专家系统的整个过程，理解其基本结构，开发过程等。
课外学习：查阅文献，了解专家系统的发展历史以及最新研究现状
（七）机器学习（2学时）
主要内容：机器学习的概念及分类、学习系统的基本结构、几种机器学习方法，知识发现及其处理过程、知识发现的方法及应用、数据挖掘的基本概念、数据挖掘的方法及应用、数据挖掘和知识发现的关系等。
1.基本要求
（1）理解机器学习的基本概念和方法、学习系统的基本结构、数据挖掘的基本概念；
（2）熟悉机器学习的新进展。
2.重点、难点
重点：机器学习的基本概念、数据挖掘的相关知识。
难点：知识发现及其处理过程。
3.作业及课外学习要求
作业：掌握集中机器学习方法，理解知识发现以及数据挖掘的概念
课外学习：数据挖掘时人工智能的一个新兴领域，通过查阅文献，给出一个关于数据挖掘比较完整的发展历史以及最新的研究动态。
计算机仿真：实现遗传算法
要求：利用MATLAB或其他软件编程2种简单的数据聚类或分类算法，如K-means，FCM,KNN,SVM等，分析实验结果，形成大报告并附仿真代码
三、教学安排及方式
总学时16学时，其中：讲授16学时，实验学时，上机学时，实践学时，研讨学时，线上学时。
序号
课程内容
学时
教学方式
1
概论
2
讲授
2
知识表示与搜索
3
讲授
3
谓词逻辑与机器定理证明
2
讲授
4
智能计算基础
3
讲授
5
人工神经网络
2
讲授
6
专家系统
2
讲授
7
机器学习
2
讲授
注：教学方式包括面授和线上，其中面授包括：讲授、实验、上机、实践、研讨五种。
四、考核及成绩评定方式
最终成绩由平时作业成绩、期末成绩和小论文成绩等组合而成。各部分所占比例如下：
平时作业成绩：20%。主要考核对每堂课知识点的复习、理解和掌握程度。
课程论文成绩：30%。主要考核发现、分析和解决问题的能力，以及语言及文字表达能力。学生可自拟题目或根据任课教师提出的题目撰写课程学习小论文，并在一定形式下进行宣讲、答辩，最后评定课程论文成绩。
计算机仿真成绩：50%。主要考核计算机运用能力、获取整理信息的能力以及理论联系实际的能力，学生可根据教师提出的题目，通过自学使用Matlab、C等进行计算机仿真，给出一定形式的仿真结果及说明。
过程成绩提交时间和总评成绩计算说明表
序号
成绩提交时间
名称或说明
C1
第1次授课后、第2次授课前
小论文
C2
第6次授课后、第7次授课前
小论文
C3
第3次授课后、第4次授课前
计算机仿真报告
C4
第5次授课后、第6次授课前
计算机仿真报告
C5
每次课后
平时成绩
总评成绩＝C1*0.15+C2*0.15+C3*0.25+C4*0.25+C6*0.2
注：上表用于说明授课过程中分项成绩提交时间，教师应在规定的时间内提交对应成绩，提前或逾期无法提交，一旦提交无法修改。大纲可以根据需要自行定义提交成绩的次数、时间和名称或说明，总评成绩计算必须与考核和成绩评定方式中描述的一致。
五、教材及参考书目
1.蔡自兴，刘丽珏，蔡竞峰，陈白帆，人工智能及其应用（第5版）[M]，清华大学出版社，2016
2.George.F.Luger著，郭茂祖刘扬玄萍王春宇译，人工智能-复杂问题求解的结构和策略[M]，机械工业出版社，2017
3.SimonHaykin著，申富饶，徐烨，郑俊等译，神经网络与机器学习[M]，机械工业出版社，2017
4.王珏,周志华,周傲英.机器学习及其应用[M].清华大学出版社.2006
5.陈国良,王熙法,庄镇泉,王东生.遗传算法及其应用[M].北京:北京人民邮电出版社,1996
6.焦李成、赵进、杨淑媛、刘芳，深度学习、优化与识别[M]，清华大学出版社，2017
七、说明
（一）与相关课程的分工衔接
要求学生修过《高等数学》等基础课程。此外，课程中的相关内容，如机器学习等可作为学习后修课程《数据挖掘》、《模式识别》的基础。
（二）其他说明
（执笔人：刘若辰审核人：慕彩红）
2018年09月02日