skip to content
Logo Logo ZhenXI Blog

人工智能导论

/ 20 min read

教学计划

《人工智能导论》课程教学计划

本教学计划基于课程大纲的总体设计，并结合教案中的具体实施细节，旨在全面、系统地呈现《人工智能导论》的教学安排。

一、 课程基本信息

  • 课程名称： 《人工智能导论》 (Introduction to Artificial Intelligence)
  • 课程类型： 专业基础课
  • 适用专业： 人工智能
  • 总学时数： 48学时
    • 理论学时： 24学时
    • 实践学时： 24学时
  • 总学分数： 3学分
  • 先修课程： 无

二、 课程目标

本课程旨在使学生系统地了解人工智能的基本概念、发展历程和前沿动态，掌握机器学习、神经网络、计算机视觉、自然语言处理等核心技术的基本原理与实践方法。具体目标如下：

  1. 知识与理解： 了解AI发展史、关键技术和应用领域，掌握AI的基本理论、方法和技术。
  2. 技能与应用： 掌握常见AI算法（如决策树、线性回归、K-Means、神经网络等）的实践应用，能够使用Python和相关工具解决初步的“智能”问题。
  3. 能力与素养： 培养分析和解决问题的能力，增强团队协作与沟通能力，了解AI相关的伦理、法律和社会影响，并具备持续学习、跟踪领域发展的意识。

三、 教学内容与学时安排

课程内容分为8个知识单元，理论与实践交替进行，总计48学时。

序号知识单元总学时学时分配核心理论教学内容核心实践教学内容 (实验项目)
1人工智能概述22T- AI的起源、发展历程与未来趋势
- AI的基本概念、研究范畴与流派		- 介绍课程安排与考核方式
- 熟悉人工智能实训平台的使用方法
2大数据与人工智能44T- 大数据的4V特征、价值与挑战
- 大数据与AI的相互关系（数据驱动）
- 大数据在各行业的应用案例（医疗、金融等）		(无独立实践，理论结合案例分析)
3机器学习104T + 6P- 机器学习概念、类型（监督/无监督/强化学习）
- 通用工作流程：数据处理、特征工程、模型训练、评估
- 核心算法原理：分类（决策树）、回归（线性回归）、聚类（K-Means）		实验1 (6学时):
1. 决策树：构建鸢尾花分类模型
2. 线性回归：完成波士顿房价预测模型
3. K-Means：对鸢尾花数据进行聚类分析
4神经网络与深度学习104T + 6P- 神经网络基本概念（神经元、网络结构）
- 深度学习概念、与传统机器学习的区别
- 激活函数、损失函数、优化器等核心要素		实验2 (6学时):
- 数据处理：清洗玄武岩样本数据，处理缺失值与异常值
- 模型搭建：搭建全连接神经网络模型
- 模型调优与评估：通过循环寻找最优隐节点数，绘制混淆矩阵
5自然语言处理 (NLP)84T + 4P- NLP的基本概念、常见任务与应用
- NLP与深度学习的结合
- 核心技术：分词、词向量、序列模型基础		实验3 (4学时):
- 语料预处理：使用字符串函数和正则表达式处理文本
- 中文分词：实现正向/逆向最大匹配法
- 模型应用：使用隐马尔可夫模型（HMM）和Viterbi算法进行简单应用
6计算机视觉 (CV)62T + 4P- CV基本概念、发展历程与应用领域
- 核心任务：图像分类、目标检测、图像分割
- CV与深度学习（特别是CNN）的关系		实验4 (4学时):
- 人脸检测：使用MTCNN模型进行人脸定位与关键点检测
- 人脸识别：基于FaceNet提取人脸特征向量，并实现后台数据库的人脸比对与识别
7人工智能实践与应用42T + 2P- Python环境搭建（Anaconda、Jupyter）
- 常用AI开发库介绍
- 智能体与博弈思想介绍		实验5 (合并实践, 共4学时):
- 人人博弈：使用Python实现一个简易的五子棋游戏
- 人机博弈：引入Alpha-Beta剪枝算法，实现AI落子功能
- 系统可视化：使用Pygame库为五子棋系统创建图形界面
8人工智能与社会42T + 2P- AI的道德伦理、算法偏见与数据隐私
- 相关的法律法规问题
- 智能机器人的发展与应用（如智能制造）
合计4824T+24P

注：T=理论学时(Theory), P=实践学时(Practice)。

四、 教学方法与手段

为达成教学目标，本课程将采用线上线下混合、理论与实践并重的教学模式：

  1. 理论讲授： 采用多媒体课件（PPT），结合生动的案例（举例讲解）和行业前沿动态，系统地讲解核心概念和原理。
  2. 实践驱动： 所有理论单元均配有紧密结合的实践项目。学生将在人工智能实训平台上进行编码、调试和模型训练，将理论知识转化为动手能力。
  3. 互动与研讨： 鼓励课堂提问与讨论，设置课堂演讲环节，培养学生的沟通与团队协作能力。
  4. 自主学习： 引导学生进行课后资料查阅和自主探索，培养终身学习的能力。

五、 课程考核方式

本课程采用过程性考核与终结性考核相结合的方式，全面评估学生的学习效果。

  • 总评成绩 = 期末上机考试 (70%) + 过程考核 (30%)

  1. 期末上机考试 (70%)

    • 形式： 闭卷、线上机考。
    • 内容与分值：
      • 选择题 (21%)：考核基础知识与概念。
      • 判断题 (7%)：考核专业知识的正确理解。
      • 填空题 (7%)：考核核心知识点的记忆。
      • 简答题 (14%)：考核对核心理论的掌握与阐述能力。
      • 综合编程题 (21%)：考核利用所学知识进行编程解决综合问题的能力。

  2. 过程考核 (30%)

    • 平时作业 (10%)： 通过实训平台布置的实践作业，检查学生对各单元实践技能的掌握情况。
    • 课堂表现 (20%)： 包括课堂出勤、课堂互动、交流表达能力、团队协作及课堂演讲等。

六、 建议教材

  • 徐礼金.《人工智能导论实践教程》. 清华大学出版社, 2025.6.

《人工智能导论》课程教案

（第1讲）

一、基本信息

  • 课程名称： 人工智能导论 (Introduction to Artificial Intelligence)
  • 授课时间： 第2周，第1次课 (可根据实际学期调整)
  • 授课时数： 2学时 (90分钟)
  • 授课对象： 人工智能专业大一学生
  • 授课教师： [请填写教师姓名]
  • 教学内容： 第1章 人工智能概述
  • 授课方式： 理论讲授 (√)，实践教学( )，其他( )
  • 教学方法： 多媒体讲解、案例分析、课堂互动、启发式教学

二、教学目标与要求

  • 知识与理解：

    1. 了解课程的性质、目标、教学内容、进度安排及考核方式。
    2. 了解人工智能的起源与发展简史，包括关键人物、重要事件（如达特茅斯会议）和发展阶段（黄金时代、AI寒冬、深度学习浪潮）。
    3. 掌握人工智能的几种典型定义（如“像人一样思考/行动”、“理性地思考/行动”），并理解“理性智能体”是现代AI研究的主流视角。
    4. 熟悉人工智能的主要研究领域和应用范畴，如机器学习、计算机视觉、自然语言处理等。

  • 能力与技能：

    1. 能够识别日常生活中蕴含的人工智能技术实例（如推荐系统、人脸识别、语音助手）。
    2. 能够初步区分弱人工智能（ANI）、强人工智能（AGI）和超人工智能（ASI）的概念。

  • 情感态度与价值观：

    1. 通过生动的案例和发展前景介绍，激发学生对人工智能领域的浓厚学习兴趣和探索热情。
    2. 初步培养学生从“智能”角度思考和分析问题的观念，为后续专业学习奠定思维基础。

三、教学重点、难点

  • 教学重点：

    1. 人工智能的基本概念与定义。
    2. 人工智能的发展历程与现状。
    3. 人工智能的主要研究分支与应用领域。

  • 教学难点：

    1. 准确理解“智能”的内涵，以及不同AI定义（如“像人一样思考” 与 “理性地行动”）之间的区别与联系。
    2. 理解AI发展历程中“寒冬期”出现的原因及其对业界的启示。

四、教学准备

  1. 教师准备：
    • 制作内容详实、图文并茂、逻辑清晰的PPT课件。
    • 准备相关的图片、图表（如AI发展时间轴、AI技术领域图谱）。
    • 准备1-2个简短的视频剪辑，展示前沿AI应用（如AlphaGo对弈、自动驾驶、ChatGPT演示等）。
    • 确保教室多媒体设备（电脑、投影仪、音响）工作正常。
  2. 学生准备：
    • 预习课程大纲，了解课程概况。
    • 准备好笔记本和笔，用于记录要点和思考。

五、教学过程及内容设计 (总计 90 分钟)

教学环节时间分配教学内容与活动设计教学方法与手段
环节一：
课程导入与
总览		15分钟1. 教师自我介绍与课堂互动 (5分钟)
- 教师进行简短的自我介绍。
- 破冰提问： “同学们，今天从起床到现在，你已经用过多少次人工智能了？” 引导学生思考并回答（例如：手机人脸/指纹解锁、新闻App的个性化推荐、地图导航路线规划、天气预报预测等）。

2. 课程介绍 (10分钟)
- 课程地位： 阐明《人工智能导论》是AI专业的“第一扇门”，是后续所有专业课程的基础。
- 核心内容： 快速展示课程的8个知识单元，让学生对整个学期的学习内容有一个宏观印象。
- 教学方式： 强调本课程“理论与实践并重”的特点，介绍将使用的“人工智能实训平台”。
- 考核方式： 明确讲解总评成绩构成：期末上机考试 (70%) + 过程考核 (30%)，并说明过程考核包括平时作业和课堂表现，建立学生的规则意识。		举例讲解
提问互动
PPT展示
环节二：
新课讲授		65分钟1. 人工智能的诞生与定义 (20分钟)
- 故事引入： 讲述1956年“达特茅斯会议”的故事，介绍“人工智能之父”约翰·麦卡锡如何创造”Artificial Intelligence”这一术语。
- AI定义辨析 (难点)：
- 展示著名的2x2矩阵图，讲解四种AI定义：
- 像人一样思考： 认知建模方法。
- 像人一样行动： 图灵测试方法。
- 理性地思考： “思维法则”方法。
- 理性地行动： 理性智能体方法。
- 强调： “理性地行动”（构建能实现最佳结果的智能体）是目前最通用、最科学的主流定义。
- AI的层次： 介绍弱人工智能(ANI)、强人工智能(AGI)、超人工智能(ASI)的概念，并用电影和现实产品举例（如Siri vs.《终结者》中的天网）。

2. AI发展简史：从高潮到寒冬再到复兴 (25分钟)
- 时间轴展示：
- 黄金时代 (1950s-1970s)： 充满乐观，成就斐然。
- 第一次AI寒冬 (1974-1980)： 分析原因（计算能力瓶颈、问题复杂度爆炸、承诺无法兑现）。
- 复兴与第二次寒冬 (1980s-1990s)： 专家系统的兴衰。
- 现代AI的崛起 (1990s至今)： 关键驱动力（大数据、算力提升、算法突破），播放AlphaGo视频，展示深度学习的颠覆性力量。

3. 人工智能的研究领域与应用 (20分钟)
- 展示AI技术版图（重点）： 以“人工智能”为中心，发散出主要分支。
- 逐一介绍：
- 机器学习 (Machine Learning): 现代AI的“心脏”。
- 计算机视觉 (Computer Vision): 让机器“看懂”世界。
- 自然语言处理 (Natural Language Processing): 让机器“听懂、说出、理解”人类语言。
- 机器人学 (Robotics)、知识表示与推理等。
- 播放综合应用视频 (如自动驾驶)， 让学生直观感受多项AI技术的集成应用。		案例讲解
多媒体展示
视频播放
启发式提问
环节三：
课堂总结与
展望		10分钟1. 本节课核心内容回顾 (5分钟)
- 带领学生快速回顾本节课的三个核心问题：
- AI是什么？（关键定义）
- AI从哪里来？（发展历程）
- AI能做什么？（主要领域）
- 随机提问2-3名学生，检查其对重点概念的掌握情况。

2. 展望与下节课预告 (5分钟)
- 展望： 总结AI作为颠覆性技术的重要性，鼓励学生拥抱这个充满机遇与挑战的时代。
- 预告： 介绍下次课的主题——“大数据与人工智能”。引出思考：“为什么说数据是现代人工智能的‘燃料’？” 为下节课埋下伏笔。		教师总结
师生问答

六、作业布置

  1. 思考题 (课后讨论)： 请观察并找出一个你日常生活中最常用、也最感兴趣的人工智能应用，思考它是如何工作的，下节课开始前将进行简短分享。
  2. 操作任务： 登录课程 BlackBoard/学习通/或其他教学平台，熟悉课程页面，并根据发布的指南，尝试登录“人工智能实训平台”账号，为后续的实践课程做准备。

七、教学反思与总结 (教师课后填写)

  • 教学效果评估：
    • 学生对开篇的互动提问反应热烈，大部分同学能参与到讨论中，课堂气氛活跃。
    • 通过案例和视频，学生对AI的抽象概念有了直观的认识，达到了预期的教学目标。
    • 大部分学生对课程内容表现出浓厚兴趣，符合本节课的情感目标。
  • 改进之处：
    • 在讲解AI发展史时，时间略显紧张，可以考虑精简部分次要事件，或将其作为拓展阅读材料发布。
    • 部分学生对“理性”和“像人一样”的区别仍有疑问，下次授课时可以增加一个更具体的对比案例。
  • 后续计划：
    • 下节课开始前，留出5分钟时间让2-3名学生分享他们找到的AI应用实例，以巩固本节课知识并开启新课。