人工智能导论（教学大纲和教案）
基本内容和要求：
1．了解人工智能程序设计语言的特点、分类和发展概况；
2．理解PROLOG语言的语句特点、程序结构和运行机理，能读懂和编写简单的PROLOG程序；
3．了解Python语言的特点和使用方法，能读懂和编写简单的Python程序。
教学重点：
1．PROLOG语言；
2．Python语言。
教学难点：
1．PROLOG语言的匹配合一和回溯控制；
2．Python语言的程序结构和资源库的使用。
第3章图搜索与问题求解
基本内容和要求：
1．理解状态图的基本概念，初步掌握状态图搜索基本技术和状态图问题求解的一般方法，包括穷举式搜索、启发式搜索、加权状态图搜索基本算法和A算法、A*算法以及博弈树搜索技术等；
2．理解与或图的基本概念，初步掌握与或图搜索基本技术和或图问题求解的基本算法；
3．理解并初步掌握一些经典规划调度问题（如迷宫、八数码、梵塔、旅行商、八皇后等问题）的求解方法；
教学重点：
1．状态图搜索常用算法和问题的状态图表示；
2．与或图搜索常用算法和问题的与或图表示。
教学难点：
1．问题的状态图、与或图表示。
2．启发函数和估价函数设计。
第4章遗传算法
基本内容和要求：
1．理解遗传算法的基本概念和特点；
2．理解基本遗传算法的原理和应用技术。
教学重点：
选择-复制、交叉和变异等三种遗传操作。
教学难点：
个体对象编码和适应函数设计。
第5章基于一阶谓词的机器推理
基本内容和要求：
1．掌握自然语言命题的谓词形式表示和基于谓词公式的形式演绎推理；
2．理解命题逻辑中的归结原理，掌握相应的归结推理方法；
3．理解谓词逻辑中的归结原理，掌握相应的归结推理方法；
4．掌握应用归结原理求取问题答案的方法。
教学重点：
命题逻辑中的归结原理和谓词逻辑中的归结原理。
教学难点：
谓词逻辑中的归结原理及归结策略的运用。
第6章基于产生式规则的机器推理
基本内容和要求：
1．理解并掌握产生式规则的表示和相应的推理模式；
2．理解产生式系统的结构和运行过程；
3．理解并掌握产生式系统的控制策略和常用算法。
教学重点：
1．产生式规则的表示；
2．产生式系统的控制策略和推理算法。
教学难点：
产生式系统的反向推理算法。
第7章几种结构化知识表示及其推理
基本内容和要求：
1．理解并初步掌握元组、框架、语义网、知识图谱、类与对象等的描述和推理方法；
2．初步掌握这几种知识表示的语言实现。
教学重点：
框架、语义网、知识图谱。
教学难点：
语义网及其语言实现。
第8章不确定和不确切性知识的表示与推理
基本内容和要求：
1．理解不确定性信息和不确切性信息的特点和区别；
2．初步掌握不确定性知识的表示及推理方法，了解几种经典的不确定性推理模型，初步掌握贝叶斯网络和相应的概率推理方法；
3．理解并初步掌握不确切性知识的表示及推理方法。
教学重点：
1．贝叶斯网络和相应的概率推理；
2．软语言值及其数学模型，基于软语言规则的推理。
教学难点：
1.贝叶斯网络及相应的概率推理。
2.基于软语言规则的推理方法。
第9章机器学习：符号学习与交互学习
基本内容和要求：
1．理解机器学习的基本原理和分类；
2．理解典型的（符号）学习方法，包括记忆学习、示例学习、演绎学习、类比学习、解释学习、发现学习等；
3．理解并掌握决策树学习的基本原理和算法；
4.理解强化学习的基本原理和值函数、Q函数及Q学习算法；
5.了解强化学习的发展概况。
教学重点：
决策树学习和强化学习。
教学难点：
强化学习的Q学习算法。
第10章统计学习
基本内容和要求：
1．理解统计学习基本原理、方法和分类；
2．理解回归问题的线性函数模型学习和梯度下降法、分类问题的线性判别函数模型学习和分类问题的Logistic回归模型学习，并掌握相应的学习算法；
3．理解监督学习的主要工作及步骤、准则函数的演变、过拟合、欠拟合、正则化，以及模型与学习方法的分类；
4.理解支持向量机的数学原理及分类，包括最大间隔超平面、线性可分支持向量机、线性支持向量机和非线性支持向量机等。
教学重点：
1．统计学习基本原理及分类；
2．回归问题的线性函数模型学习和梯度下降法、分类问题的线性判别函数模型学习。
教学难点：
支持向量机的数学原理。
第11章神经网络学习
基本内容和要求：
1．理解神经网络及其学习的基本原理，包括神经网络的拓扑结构与学习机理、神经网络模型及其分类等；
2．理解感知器和BP网络的拓扑结构和学习原理，并初步掌握相应的学习算法；
3．了解深度学习基本原理、突出特点和发展概况
教学重点：
1．神经网络及其学习的基本原理；
2．BP网络和BP学习算法。
教学难点：
深度学习的基本原理。
第12章数据挖掘与知识发现
基本内容和要求：
1．理解数据挖掘的基本原理，包括对象、任务和方法等；
2．理解关联规则发现原理，初步掌握Apriori算法；
3．理解并初步掌握k-均值聚类算法；
4．了解大数据挖掘与分布式学习基本原理和方法。
教学重点：
关联规则发现原理和Apriori算法及k-均值聚类算法。
教学难点：
大数据挖掘与分布式学习。
第13章模式识别
基本内容和要求：
1．理解模式识别的基本原理和分类；
2．理解统计模式识别的基本原理和方法，包括距离分类法、几何分类法和概率分类法等；
3．理解并掌握朴素贝叶斯分类算法及其应用；
4.理解概率密度函数估计基本原理，特别是最大似然估计。
教学重点：
1．统计模式识别的基本原理和方法；
2．朴素贝叶斯分类算法。
教学难点：
最大似然估计
第14章数-语互换
基本内容和要求：
1．理解并初步掌握数-语转换和语-数转换的基本原理和方法；
2．理解带数-语互换接口的推理方法。
教学重点：
数-语转换和语-数转换。
教学难点：
语-数转换。
第15章自然语言处理
基本内容和要求：
1．了解自然语言处理的原理，包括途径、方法及发展概况；
2．理解基于规则的自然语言理解，包括简单句的语法分析、语义分析和语用分析，复合句理解以及转换文法和转换网络；
3．理解统计语言模型及其数学原理。
教学重点：
基于规则的自然语言理解和统计语言模型。
教学难点：
语义分析和统计语言模型。
第16章专家（知识）系统
基本内容和要求：
1．理解专家（知识）系统的基本原理，包括概念、类型和结构；
2．理解专家系统的设计与实现技术；
3．了解专家系统开发语言、工具与环境；
4．了解专家系统的应用和发展概况。
教学重点：
专家（知识）系统的基本原理和建造方法。
教学难点：
专家系统的设计与实现。
第17章Agent系统
基本内容和要求：
1．理解Agent的概念、类型和结构；
2．理解多Agent系统的原理、结构和学习；
3．初步掌握Agent的实现技术；
4．了解Agent的应用和发展概况。
教学重点：
Agent的类型和结构。
教学难点：
多Agent系统。
第18章智能机器人
基本内容和要求：
1．理解智能机器人的概念和基本原理，包括机器人感知、规划和控制；
2．了解智能机器人的软件结构和程序语言；
3．了解机器人的应用和发展概况。
教学重点：
智能机器人基本原理。
教学难点：
机器人学习。
第19章智能计算机与智能化网络
基本内容和要求：
1．了解智能计算机的特点和发展概况；
2．了解智能网络和智能Web的概念和原理；
3．理解网络的智能化管理与控制基本技术；
4.理解网上信息的智能化检索基本原理和方法；
5.理解推荐系统的基本原理和算法。
教学重点：
1．网络的智能化管理与控制；
2．智能Web；
3.网上信息的智能化检索及推荐系统。
教学难点：
网上信息的智能化检索及推荐系统。
三、课程要求
1．本课程的教学包括课堂讲授、课外作业、辅导答疑、上机实习和期末复习考试等教学环节。
2．课堂教学采用启发式教学方法，理例结合，多媒体并用，引导学生加深对课程内容的理解，提高学生的学习兴趣和效果。
3．理论联系实际，通过本课程的教学，力争使学生在理解和掌握大纲所要求的教学内容的基础上，能正确地运用这些知识解决有关实际问题。
四、学时分配
章次内容学时备注1人工智能概述32人工智能程序设计语言5含上机2学时3图搜索与问题求解8含上机2学时4基于遗传算法的随机优化搜索25基于一阶谓词的机器推理86基于产生式规则的机器推理27几种结构化知识表示及其推理28不确定和不确切性知识的表示与推理89机器学习：符号学习与交互学习610统计学习8含上机2学时11神经网络学习8含上机2学时12数据挖掘与知识发现413614数-语互换215自然语言处理416专家（知识）系统8含上机2学时17Agent系统218智能机器人219智能计算机与智能化网络2合计90含上机10学时五、教材与教参
五、教材
本书全面系统地阐述了人工智能的基本原理，勾画了人工智能理论和技术体系的基本框架，内容涵盖了人工智能各个分支领域的基本知识和主要内容，并体现了人工智能的最新进展。本书内容全面、基础、新颖、实用，为读者进一步学习和研发奠定了基础，指引了方向。全书共分为六篇，每篇为一个知识单元。本书结构风格独特，条理清楚，语言精练，图文并茂，理例结合，深入浅出，易读易懂，易教易学。本书适合于人工智能、数据科学、计算机、自动化、软件工程、网络工程、电子信息等专业使用，亦可供其他专业的师生和相关工程技术人员自学或参考。
扫描，限时优惠购书
本书配套部分资源：在公众号书圈后台回复【9787302556039】，自助下载配套资源
参考书返回搜狐，查看更多