人工智能教学大纲.docx

人工智能教学大纲
一、课程概况所属专业：计算机科学与技术开课单位：数学计算机科学学院
课程类型：院系选修课程课程代码：07492160学分:

学分:
开课学期:
学时:
课堂讲授24+实验16
核心课程:

拟使用教材:
高济.人工智能基础（第2版）.
高等教育出版社.2008

国内（外）现有教材：
[1]陆汝铃.人工智能（上下册）.北京：科学出版社.1989
[2]蔡自兴，徐光祐.人工智能及其应用（第4版）.北京：清华大学出版社, 2010
[3]林莞瑞，马少平.人工智能导论.北京：清华大学出版社.1998学习参考资料
[1]何新贵.知识处理与专家系统.北京：国防工业出版社.1990
⑵史忠植.知识工程.北京：清华大学出版社.1988
[3]殷勤业，杨宗凯等编译.模式识别与神经网络.北京：机械工业出版社.1992
[4]周明，孙树栋.遗传算法原理及应用.北京：国防工业出版社.1999二、课程描述
人工智能是计算机科学研究和开展的一个重点，其终极目标就是让计算机具 有象人一样的能力。这门课程主要讲述知识与知识表示、确定性推理、不确定性 推理、搜索策略、神经网络、机器学习、遗传算法等方面内容。使本科生对人工 智能的基本内容、基本原理和基本方法有一个比拟初步的认识。
三、课程目标
作为本科生一个学期的课程，重点掌握人工智能的基础知识和基本技能，以 及人工智能的一般应用.完成如下教学目标：
(1) 了解人工智能的概念和人工智能的开展，了解国际人工智能的主要流 派和路线，了解国内人工智能研究的基本情况，熟悉人工智能的研究领域。
(2)较详细地论述知识表示的各种主要方法。重点掌握状态空间法、问题 归约法和谓词逻辑法，熟悉语义网络法，了解知识表示的其他方法，如框架法、 剧本法、过程法等。
(3)掌握盲目搜索和启发式搜索的基本原理和算法，特别是宽度优先搜索、 深度优先搜索、等代价搜索、启发式搜索、有序搜索、A*算法等.了解博弈树 搜索、遗传算法和模拟退火算法的基本方法。
(4)掌握消解原理、规那么演绎系统和产生式系统的技术、了解不确定性推 理、非单调推理的概念。
(5)概括性地介绍人工智能的主要应用领域，如专家系统、机器学习、规 划系统、自然语言理解和智能控制等。
(6)简介人工智能程序设计的语言和工具。
(7)掌握VisualProlog编程环境，会使用Prolog语言编写简单的智能程序。
四、教学要求
通过课堂教学，要求学生了解人工智能的开展状况与研究内容，掌握基本概 念、基本原理方法和重要算法，掌握人工智能的一些主要思想和方法，熟悉典型 的人工智能系统——产生式系统和简单的模糊推理方法，学会用启发式搜索求解 问题，学会基本的神经网络方法，学会简单的机器学习方法，初步具备用经典的 人工智能方法解决一些简单实际问题的能力。
五、考核方式及要求
为实现课程教学目标，本门课程考核方式及要求为：出勤率占10%,点到不 少于3次，其中缺席2次，按无成绩计算；随堂测验1次，测验成绩按20%折算 后计入总成绩；课程作业1次，按批改成绩20%折算后计入总成绩；教师随堂检 查学生课堂笔记记录情况并打分，按10%计入总成绩；期末考试分卷面考试与实 践操作两局部，分别占总成绩的20%o六、课程内容
第一单元：人工智能研究的开展和基本原那么
（授课时间：第五学期第一周）
教学目标：了解人工智能的开展历程、相关研究及应用，人工智能的研究成果， 人工智能研究的基本原那么，存在的问题和开展前景。
教学重点：了解人工智能的开展历程、相关研究及应用，人工智能研究的基本原 那么，存在的问题和开展前景。
教学难点：人工智能研究的基本原那么，存在的问题和开展前景等。
学 时：课堂教学2学时，课外自主学习时间不少于2学时教学方法：讲授法、演示法
主要内容：（1）人工智能的研究和应用（2）人工智能研究的开展
（3）人工智能研究的成果（4）人工智能研究的基本原那么
（5）存在的问题和开展前景学习方法：小组讨论、实验操作
课后作业：完本钱章总结报告，下周课前提交第二单元：问题求解的基本方法
（授课时间：第五学期第二至四周）
教学目标：了解逻辑语言Prolog,理解状态空间及其搜索的表示、实现启发式搜 索的关键因素、问题归约的描述、与或图搜索、演绎推理的应用讨论, 掌握一般图搜索策略、启发式搜索算法A、回溯策略和爬山法、与或 图的启发式搜索、谓词演算、归结原理、归结反演、基于规那么的正向 演绎推理、基于规那么的逆向演绎推理。
教学重点：一般图搜索策略、启发式搜索算法A、回溯策略和爬山法、与或图的 启发式搜索、谓词演算、归结原理、归结反演、基于规那么的正向演绎 推理、基于规那么的逆向演绎推理。
教学难点：在一般图搜索算法中，应按三种不同类型，标记和修改子节点到父节 点的指针；运用评价函数作为标记和修改子节点到父节点指针的依 据；AO*算法中解图代价的精化和精化的传递；理解子句集在H域 上的永假性，和通过建立封闭语义树来证明子句集在H域上的永假 性；从以自然语言表示的事实集证明目标公式（定理），并提取回答 的综合题；用规那么变换与或图、置换复合、建立一致性解图。
学 时：课堂教学5学时，课外自主学习时间不少于5学时教学方法：讲授法、演示法
主要内容：（1） 一般图搜索（2）问题归约
（3）基于归结的演绎推理（4）基于规那么的演绎推理
学习方法：小组讨论、实验操作课后作业：完本钱章总结报告，下周课前提交
第三单元：知识表示（授课时间：第五学期第四至六周）
教学目标：了解知识表示的功能和性能、基本的知识表示方式、面向对象的表示 法、程序性和陈述性知识，理解知识原那么、知识表示的作用、控制策 略、产生式系统的分类，掌握产生式系统、语义网络、框架表示法。
教学重点：理解知识原那么、知识表示的作用、控制策略、产生式系统的分类，掌 握产生式系统、语义网络、框架表示法。
教学难点：理解符号结构的二个主要特性和在构建KB系统中的作用；将自然 语言描述表示为语义网络；综合应用包括缺省值、If-Needed和 If-Added侧面的特性继承、相容匹配方法。
学 时：课堂教学4学时，课外自主学习时间不少于4学时教学方法：讲授法、演示法
主要内容：（1）知识和知识表示(2)产生式系统
(3)结构化表示(4)知识表示的实用化问题
学习方法：小组讨论、实验操作课后作业：完本钱章总结报告，下周课前提交
第四单元：基于知识的系统(授课时间：第五学期第六至八周)
教学目标：了解KB系统的一般概念、KB系统的开发过程、KB系统的开发工 具和环境、Xps性能改进、开发工具OPS5、系统服务设施、开发工 具EMYCIN、结构化组织的需求，理解应用例-家族树、知识库的构 造、推理机的设计、事务表、黑板法，掌握Xps总体设计、Xps的实 现。
教学重点：理解应用例-家族树、知识库的构造、推理机的设计、事务表、黑板 法，掌握Xps总体设计、Xps的实现。
教学难点：时间标签的应用和新近性冲突解法。
学 时：课堂教学4学时，课外自主学习时间不少于4学时教学方法：讲授法、演示法
主要内容：(1) KB系统的开发(2)设计基于产生式表示的KB系统开发工具
(3)专家系统实例--MYCIN(4)问题求解的结构化组织
学习方法：小组讨论、实验操作课后作业：完本钱章总结报告，下周课前提交
第五单元：自动规划和配置
(授课时间：第五学期第八至十周)
教学目标：了解经典规划技术的开展、早期的自动规划技术、配置的一般概念， 理解规划的基本概念、STRIPS,掌握局部排序规划技术、自动配置 的建模。
教学重点：理解规划的基本概念、STRIPS,掌握局部排序规划技术、自动配置 的建模。
教学难点：Green方法中归结演绎的应用、操作规那么和框架公理的使用；目标回 归规划技术，包括操作选择、操作的合法性检查、回归到的上一状态 的建立、不合法状态的检查和修剪；HOAH的系统最少承当规划策 略，以及冲突审计和互惠审计在层次规划过程中的应用；自动配置的 建模和渐增性决策制定过程。
学 时：课堂教学4学时，课外自主学习时间不少于4学时教学方法：讲授法、演示法
主要内容：(1)经典规划技术(2)自动规划技术的新进展
(3)自动配置学习方法：小组讨论、实验操作
课后作业：完本钱章总结报告，下周课前提交第六单元：机器学习
(授课时间：第五学期第十至十二周)
教学目标：了解机器学习的基本概念、机器学习的开展历史、机器学习的分类、 基于解释学习的假设干基本问题、有关加强学习的进一步讨论、应用实 例：智能饲料配方系统ICMIX、数据库及网络中的知识发现，理解构 造决策树法、基于解释的泛化、分类系统、加强学习的基本方法、Q学 习、基于范例推理的过程、定律发现、数据挖掘，掌握例如学习的基 本策略、简单遗传算法。
教学重点：理解构造决策树法、基于解释的泛化、分类系统、加强学习的基本方 法、Q学习、基于范例推理的过程、定律发现、数据挖掘，掌握例如 学习的基本策略、简单遗传算法。
教学难点：例如学习的双向学习策略；遗传算法的全局优化特性；分类系统的Bucket Brigade算法；Q学习方法机理；定律发现机理。
学 时：课堂教学5学时，课外自主学习时间不少于5学时教学方法：讲授法、演示法
主要内容：(1)机器学习概论(2)例如学习
(3)基于解释的学习(4)遗传算法
(5)加强学习(6)基于范例的学习
(7)知识发现与数据挖掘学习方法：小组讨论、实验操作
课后作业：完本钱章总结报告，下周课前提交
1、增加启发式搜索与A*算法实验。
2、增加神经网络实验。