人工智能课程大纲(网络专业)
集美大学人工智能课程大纲（网络专业）课程性质：专业选修课
课程学时：32（理论）+16（实验）
适用专业：网络工程
GitHubRepo：https://github.com/happyfaye/AIforJmuNet
一、课程的性质和教学目标课程性质人工智能是计算机科学中的重要内容，已经成为计算机技术发展以及许多高新技术产品中的核心技术。由于人工智能是模拟人类智能解决问题，几乎在所有领域都具有非常广泛的应用。《人工智能导论》是网络工程专业本科生的一门专业选修课程。本课程主要介绍人工智能问题求解的一般性原理和基本思想以及一些前沿内容，为学生提供最基本的人工智能技术和有关问题的入门性知识，为进一步学习和研究人工智能理论与应用奠定基础。
教学目标了解人工智能的特点、主要研究领域、研究历史及未来发展动向。掌握人工智能的基本概念、基本原理和基本方法。了解应用人工智能技术解决实际问题的范例。该课程的目标是把握计算机科学与技术的发展趋势，熟悉本专业的前沿知识和研究热点。该课程讲述了人工智能的发展简史、人工智能研究的基本内容和主要研究领域、人工智能的研究热点包括遗传算法、人工神经网络及其应用，机器学习，深度学习等。要求学生掌握基本创新方法，能够针对创新点开展切实有效的理论和应用研究。学生通过该课程的学习能够了解基本的人工智能新技术和有关问题求解的创新方法；课程要求完成启发算法应用实验、遗传算法应用实验、基于人工智能应用的团队项目等自主型实验项目，学生通过实验，能够发挥主动性，研究探讨人工智能系统的运行和实现过程，提出思路并积极验证和探索自己的思路，从而更好的掌握知识，培养学生的理论联系实际能力和创新能力，逐步培养他们发现问题、提出问题、分析问题和解决问题的能力。
课程支撑的毕业要求及其指标点该课程支撑以下毕业要求和具体细分指标点：
毕业要求3设计/开发解决方案：能够设计针对复杂工程问题的解决方案，设计满足特定需求的系统、单元（部件）或工艺流程，并能够在设计环节中体现创新意识，考虑社会、健康、安全、法律、文化以及环境等因素。支撑指标点3-5：具备积极的创新思维和敏锐的创新意识，善于发现科学研究和工程应用中的创新点，掌握基本创新方法。
毕业要求5使用现代工具：能够针对复杂工程问题，开发、选择与使用恰当的技术、资源、现代工程工具和信息技术工具，包括对复杂工程问题的预测与模拟，并能够理解其局限性。支撑指标点5-4：能够掌握理论分析工具，从原理角度实现对工程问题的分析和预测，并在此过程中理解解决工程问题中的各种局限性。
二、课程教学方法设计本课程以课堂教学为主，结合课内实验与课外自学、课堂讨论、团队项目。
课堂教学主要讲解基本原理，结合人工智能最新前沿技术的相关介绍，辅助以最新的视频资料，使同学们对人工智能课程的各个章节产生兴趣，从而促进学习热情，在之后的理论教学中能更好地理解技术的先进性与实用性。要求学生在课内学习的基础上，自己完成网络资料与科技文献的检索工作，针对感兴趣的章节进行自主学习，加深加强课堂理论教学，并提高自身的自学能力。
团队项目要求学生能够运用课堂知识，在互相分工配合的基础上，进行适当的创新，运用人工智能的理论知识来解决一些实际的问题。团队项目内容一般以实际生产实践中所遇到的问题为主，通过该方式可有效的提升学生学以致用的能力。
三、课程教学内容及学时分配1．理论教学安排序号章节或知识模块教学内容学时分配能力培养要求素质培养要求学生任务（自学要求）学生任务（讨论）1绪论1．人工智能的概念;2．人工智能的发展简史;3．人工智能研究的基本内容;4．人工智能的主要研究领域2了解人工智能研究的特点、内容、发展历史及未来，增加对人工智能学科的认识。把握计算机科学与技术的发展趋势。了解人工智能研究的基本内容和主要研究领域，开阔学生思路，为以后学习和应用人工智能奠定基础。熟悉本专业的前沿知识和研究热点。课前完成预习，课后查阅最新人工智能研究点分组讨论人工智能主要研究领域2人工智能的应用场景1.人工智能的应用场景在哪？2.应用案例;3.应用场景概述2了解人工智能的应用场景，主要包括哪些方面了解人工智能的主要应用场景，为以后团队项目开发奠定基础课前完成预习，课后对实验进行理解完成AI入门实践——手写数字识别3搜索求解策略1.搜索的概念;2.状态空间的搜索策略;3.盲目的图搜索策略;4.启发式图搜索策略2搜索的基本概念、基本方法。能够针对创新点开展切实有效的理论和应用研究。掌握搜索方法的实现与基本软件设计。掌握基本创新方法。课前完成预习，课后对实验进行改进。完成启发算法求解井字棋实验4知识表示与知识图谱1．知识的特性、分类和表示；2．表示方法：一阶谓词逻辑、产生式、框架等；3.知识工程基本概念；4.知识图谱基本概念和应用2熟练掌握知识及知识表示的概念，了解知识的相对正确性、可表示性及可利用性等特性。了解知识图谱的应用。了解新技术的发展趋势。了解各种表示方法的具体表示形式、优缺点、适宜的应用对象。课前完成预习，课后对课堂内容进行复习分组讨论产生式方法的适用范围5智能计算及其应用1.遗传算法的产生与发展；2.基本遗传算法；3.基本遗传算法案例：拼图游戏；4.遗传算法的改进算法；5.粒子群算法；6.粒子群算法应用案例：音乐生成器4了解一些遗传算法的改进算法，了解遗传算法的应用实例。掌握遗传算法的基本概念和基本方法。课前完成预习，课后查阅GA的最新发展。完成遗传算法实现Hello实验6机器学习1.机器学习入门；2.机器学习主要算法；3.机器学习与数据挖掘；6掌握机器学习与数据挖掘的基本概念、主要算法、一般结构等基本内容。掌握机器学习的基本流程，了解机器学习的应用例子。课前完成预习，课后对课堂内容进行复习分组讨论团队开发选题和立项，扩展阅读（微软机器学习平台建设）7人工神经网络及其应用1.神经元与神经网络的基本概念；2.BP神经网络学习算法及其应用；3.Hopfield神经网络及其应用2了解BP神经网络学习算法及其在模式识别、软测量等工程中的应用；了解Hopfield神经网络的特性及其在联想记忆、优化等工程中的应用掌握人工神经网络的基本概念、常用人工神经网络模型。能够针对创新点开展切实有效的理论和应用研究。课前完成预习，课后对查阅最新的ANN相关技术发展。分组讨论BP-ANN在模式识别中的应用8深度学习1.深度学习入门；2.深度学习入门实践：手写数字识别；3.卷积神经网络；4.卷积神经网络实践：猫狗分类；5.深度学习进阶4了解深度学习的基本概念、应用实例；理解深度学习的主要算法掌握深度学习的基本概念和基本方法。课前完成预习，课后查阅深度学习的最新发展。分组讨论团队项目的人工智能实现原理9人工智能伦理道德与职业行为1.计算机协会道德与职业行为准则；2.电车难题；3.是否赞成：强人工智能优先弱人工智能？4.讨论：人工智能是否会替代人类2了解人工智能伦理与社会问题进一步思考人工智能与人类的关系课前完成预习，课后对课堂内容进行复习微软Github资源，北大MOOC视频10智能体与多智能体系统1.智能体与多智能体的概念与结构；2.多智能体系统的通信、协调、协作和协商2了解智能体与多智能体的概念与结构、多智能体系统的通信、协调、协作和协商等概念掌握智能体与多智能体的概念与结构、多智能体系统的通信、协调、协作和协商等概念课前完成预习，课后对查阅多智能体的最新技术资料。分组讨论最新的多智能体技术11自然语言处理及其应用1.自然语言理解的概念与发展；2.语音分析、词法分析、句法分析、语义分析基本概念与方法；3.基于语料库的大规模真实文本的处理方法、机器翻译、语音识别等应用。2了解自然语言理解的概念与发展历史。掌握大规模真实文本的处理方法、机器翻译、语音识别等应用的基本思路。掌握语音分析、词法分析、句法分析、语义分析等基本概念与思路课前完成预习，课后对查阅语音识别的最新技术资料。分组讨论最新的语音识别技术12人工智能在游戏设计中的应用1.智能游戏的概念与主要游戏智能技术；2.智能游戏设计技术；3.游戏开发工具及其应用2了解智能游戏的概念与基本原理。掌握角色的运动、追逐与躲避、路径搜索等基本设计方法掌握强化学习等在游戏中的程序设计方法。能够针对创新点开展切实有效的理论和应用研究。课前完成预习，课后对常见的游戏中人工智能技术进行总结。分组讨论常见游戏中的AI的使用点。2．课内实践教学安排序号项目名称学时类型每组人数能力培养教学要求素质培养教学要求学生任务1AI入门实践（手写数字识别）2验证1初步了解AI应用。熟悉本专业的前沿知识和研究热点。掌握手写数字识别系统的运行机制，以及基于图片识别数字的基本方法。实现基本的手写数字识别系统，并在此基础上扩展。2启发算法求解井字棋2验证1熟悉和掌握启发式搜索的定义、估价函数和算法过程。熟悉本专业的前沿知识和研究热点。能利用启发算法求解井字棋游戏，理解求解流程和搜索顺序。掌握启发式函数的编写以及各类启发式函数效果的比较。参考启发算法核心代码，以井字棋为例实现启发算法的求解程序3遗传算法求Hello2验证1熟悉和掌握遗传算法的原理、流程和编码策略。能够针对创新点开展切实有效的理论和应用研究。能利用遗传求解字符串显示问题。参考拼图游戏给出的遗传算法核心代码，用遗传算法求解字符串显示的优化问题，分析遗传算法求解不同规模字符串显示问题的算法性能4-1团队项目（确定选题）2综合4-6根据选定的题目，基于AI模型实现团队项目了解团队项目开发流程，能够给出时间进度安排，并按照进度完成自由组队，每组选定一个题目4-2团队项目（需求分析和原型设计）2综合4-6熟悉和掌握需求分析的基本要求掌握需求分析技术，搭建平台环境完成需求分析和原型设计，队员估计任务难度并学习必要的技术4-3团队项目（编码实现）2综合4-6理解团队项目所采用的人工智能模型和算法原理掌握编码规范，实现并测试系统基于人工智能模型构建系统，并对系统进行测试4-4团队项目（项目展示）2综合4-6团队项目展示团队项目展示各团队介绍项目背景及意义，实现原理，数据预处理（难点、实现方案），源码分析和项目效果展示4-5团队项目（项目改进）2综合4-6团队项目的二次迭代掌握事后分析方法对团队项目进行事后分析和总结，并思考项目的进一步改进四、考核方式及成绩评定方式课程考核强调平时成绩和最终成绩的综合方式。其中，课堂表现主要从学生是否缺勤，上课是否专心听讲、回答教师提问是否正确，课堂小测是否认真完成，以及分组讨论是否积极、正确、有独特见解等，以提高课堂教学效果，培养学生的对新技术的兴趣，并逐步培养其创新能力。作业和课内实践方面要重点培养学生的创新能力，并且提高其对新技术探索和自学习的兴趣。考核方式采用考查课形式。考核方式为项目综合实践+报告方式。要求平时作业成绩与课内讨论及课内实验（包括实验一、二、三）的最终考核占比50%，团队项目综合实践成绩的最终考核占比50%。
五、课程评价与改进对本课程的毕业要求达成度进行自我评价。主要依据学生的考核成绩和平时成绩，并保存各个成绩段的学生相关资料。教师根据评价结果，改进其教学方法和教学内容，以便更好支撑学生毕业要求的达成。
教材及参考资料教材：《人工智能导论》（第4版），王万良编著，高等教育出版社，2017
参考书：
《人工智能及其应用》（第3版），王万良编著，高等教育出版社，2016《人工智能》（第2版），史蒂芬、丹尼著，林赐译，人民邮电出版社，2018社区资源：https://github.com/Microsoft/ai-edu
人工智能交叉课程｜人工智能+药学
■表4.3.2人工智能药学工程博士专业学位研究生课程体系（电子信息类别）
02
人工智能+药学课程介绍
《药物信息学》
课程名称药物信息学英文名称PharmaceuticalInformatics学分2.0总学时32面向对象硕士及博士研究生课程简介
药物信息学是一门通过整合现代信息学、药物分析学及药理学等多个领域的方法和技术解析药物相关特性的药学学科，包括药物对基因表达谱的影响、体内过程、系统作用模式及质量评价等内容。药物分析信息学从大量化学、生物及生产数据中挖掘有用的信息，从信息与模拟的角度阐述药物特性，为指导临床的合理用药提供借鉴，为实现药物的安全可控设定合理的指标。通过本课程的学习，使学生能够了解药物分析信息学相关研究方法、技术及应用领域；掌握微阵列芯片（microarray）的相关知识及其在网络药理学中的应用；了解化学计量学相关方法、掌握指纹图谱技术及其应用范围；从化学结构出发理解药物计算ADMET的建模及预测的过程、优势及局限性；讨论药物信息学在医药领域的应用前景以及了解MOE计算软件的基本操作，通过对药物特性的分析信息学研究，揭示其内部潜在规律，为创新药物的设计与研发打好扎实的理论基础。
教学目标
通过本课程学习，学生应了解以下方面研究的最新进展并具备相关领域研究的基本能力：从大量化学、生物及生产数据中挖掘有用的信息，从信息与模拟的角度阐述药物特性，包括药物对基因表达谱的影响、体内过程及毒性、系统作用模式及质量评价。
教学安排
第一章绪论，主要介绍药物分析信息学的概念、发展史和药物分析信息学的基本任务与研究内容
第二章Microarray和MAQC，在介绍微阵列芯片和MAQC项目的基础上，重点阐述芯片技术的基础及技术特点
第三章化学计量学，重点介绍多种化学计量学的方法
第四章指纹图谱分析
第五章网络药理学研究
第六章ADMETinsilico
第七章药物信息学的工业应用
第八章药物信息学相关软件介绍
《生物大分子模拟》
课程名称生物大分子模拟英文名称MolecularModelingofBiologicalMacromolecules学分2.0总学时32面向对象硕士及博士研究生课程简介
主要讲授计算生物学的基本理论方法及应用，内容包括生物大分子三维结构的图形显示、分子力学、构象分析、分子动力学、定量构效关系（QSAR）、分子对接、数据库搜索等。课程交叉性比较强，主要课程主要包括以下内容：1、计算生物学和计算机辅助药物分子设计的基本概念，研究进展，及其在生物大分子研究和药物研发中的重要性。2、计算生物学的基本理论方法，课程涉及分子力学方法、构象分析、分子动力学方法、分子对接方法、定量构效关系方法、数据库搜索方法等。通过上机实习和课堂讨论，加深对计算生物学方法和相关重要软件的了解。3、通过对已上市的HIV-1蛋白酶抑制剂等经典案例的讲解、结合授课教师多年研究心得体会，让学生计算生物学如何指导药物的设计和研发有基本的了解。
教学目标
主要讲授计算生物学的基本理论方法及应用，每节授课都包含理论讲解和应用实例讲解，使学生在学习理论知识的基础上，能够亲身使用重要的计算生物学程序和软件。通过本课程的学习，力求使学生较系统地掌握必要的计算生物学及计算机辅助药物设计的基础理论、基本知识和技能，了解生物大分子模拟技术在药学中的地位和作用，并初步具备用计算生物学知识分析及解决实际问题的能力，能运用计算生物学和计算机辅助药物设计的方法到毕业课题设计中。
教学安排
第一章生物大分子结构显示和图形化（蛋白质结构综述、蛋白质结构文件格式以及分子图形软件介绍及使用）
第二章分子力场及分子力学（分子力学基本特征、分子模型、能量函数）
第三章构象分析（势能面、能量优化、构象分析）
第四章蛋白质结构预测（蛋白质结构特征、蛋白质结构预测方法）
第五章分子动力学模拟（分子动力学模拟方法、水溶液中模拟、轨迹分析）
第六章定量构效关系（构效关系基本原理、常用统计方法介绍、CoMFA方法、QSAR的应用）
第七章分子对接（分子对接基本原理、对接问题、打分方法）
第八章研究案例分享及讨论
人工智能交叉人才培养与课程体系
精彩回顾
浙江大学人工智能本科专业培养课程体系
人工智能交叉课程——人工智能+人文社科
下期预告
人工智能交叉课程——人工智能+药学
人工智能交叉课程——人工智能+金融学
人工智能交叉课程——人工智能+教育
✦
03
参考书籍
《人工智能交叉人才培养与课程体系》
ISBN：978-7-302-59233-4
作者：吴飞陈为
定价：89元
扫码优惠购书
04
精彩推荐
微信小程序游戏开发│猜数字小游戏（附源码+视频）
Flink编程基础│Scala编程初级实践
Flink编程基础│FlinkCEP编程实践
Flink编程基础│DataStreamAPI编程实践
Flink编程基础│DataSetAPI编程实践
数据分析实战│客户价值分析
数据分析实战│价格预测挑战
数据分析实战│时间序列预测
数据分析实战│KaggleTitanic生存预测
微信小程序游戏开发│猜数字小游戏（附源码+视频）
Flink编程基础│Scala编程初级实践
Flink编程基础│FlinkCEP编程实践
Flink编程基础│DataStreamAPI编程实践
Flink编程基础│DataSetAPI编程实践
数据分析实战│客户价值分析
数据分析实战│价格预测挑战
数据分析实战│时间序列预测
数据分析实战│KaggleTitanic生存预测返回搜狐，查看更多