IntroductionToAI
人工智能概论
2024-2025 学年第一学期
Introduction To Artificial Intelligence
课程简介
“人工智能概论”旨在向学生介绍人工智能的基本原理、方法和应用。通过本课程的学习使学生了解人工智能的提出、人工智能流派、重要研究领域，掌握人工智能求解方法的特点，掌握人工智能的基本概念、基本方法，会用知识表示方法、推理方法和机器学习等方法求解简单问题。了解人工智能研究与应用的最新进展和发展方向；开阔学生知识视野、提高解决问题的能力，为将来使用人工智能的相关方法和理论解决实际问题奠定初步基础。通过案例分析、实践项目和课堂讨论，学生将探讨机器学习、深度学习、自然语言处理和计算机视觉等领域的核心概念。我们将并探讨其带来的社会和伦理影响。
授课教师
万永权， 计算机科学与技术系，
email: wanyq@gench.edu.cn
答疑时间： 周三 5-8节, 信息学院222 / 微信群。
学习目标
成功完成本课程后，学生将能够：
- 解释和分析经典人工智能算法。
- 研究人工智能技术在专家系统、人工神经网络和其他机器学习模型中的应用。
- 通过组合解决具体计算问题的解决方案来设计和开发智能系统。
- 使用高级编程语言，例如Python, 实现机器学习方法。
- 对现代人工智能方法的可能性以及未来的可能性有充分的了解。
主要内容
- 知识表示和推理。
- 搜索：盲目式搜索、启发式搜索。
- 机器学习：监督学习、无监督学习、强化学习。
- 深度学习：人工神经网络、卷积神经网络。
- 人工智能伦理：法律、道德和伦理。
先修课程
唯一的先修课程是面向对象程序设计。但你应该了解以下知识，例如离散数学、数据结构、概率论、线性代数。 课程作业中包含使用Python编程的内容。
阅读材料
- 人工智能：一种现代的方法（第三版）》，Stuart J.Russell, Peter Norvig著，清华大学出版社， 2013年11月 pdf 提取码: 7222 。
- 人工智能简史（第二版）》, 尼克著，人民邮电出版社，2021年1月。
- Python程序设计案例教程（慕课版），明日科技著，人民邮电出版社，2022年11月。
- 简明Python教程 pdf
其他的材料，例如教材、视频和其他资料，可能以电子版提供。
考核方式
| 考核项 | 内容 | 占比 |
|---|---|---|
| x1 | 课程报告 | 40% |
| x2 | 单元测验 | 30% |
| x3 | 作业 | 15% |
| x4 | 自主学习+平时表现 | 15% |
课程进度计划
| 周次 | 主题 | 讲义 | 教材章节 | 作业发布 | 作业截止 |
|---|---|---|---|---|---|
| 1 | 绪论 + Python概述 | 课程概述；人工智能概述(pdf)；Python开发环境安装(pdf)； 人工智能免费在线学习资源 | ch1 | proj0 | |
| 2 | 知识表示+Python基础   |
谓词逻辑、产生式 pdf; Python语法、过程控制语句 pdf; 实战练习1：Python基础语法pdf | 2.1-2.3 | ||
| 3 | 状态空间法+python进阶  |
状态空间法pdf；序列数据类pdf; 实战练习2-序列类型pdf 序列数据练习pdf | 3.1 | proj0 | |
| 4 | 盲目式搜索+Python实现 | 盲目式搜索-BFS+Python实现pdf 函数pdf、面向对象编程pdf、八数码问题link 实战练习3-函数pdf | 3.2 | ||
| 5（国庆节调休） | 盲目式搜索+Python实现 | 盲目式搜索-DFS+Python实现 pdf ；numpy简介 pdf，pandas简介pdf | 3.2 | proj1 | |
| 6 | 启发式搜索+Python实现 | 启发式搜索[pdf]（https://github.com/wanyongquan/IntroductionToAI/blob/main/slides/lecture06/lecture06%20informed%20search.pdf) ；matplotlibpdf numpy_pandas_matplotlib [code] (https://github.com/wanyongquan/IntroductionToAI/tree/main/code/lec06)； | 3.3 | ||
| 7 | 机器学习 | 机器学习概述pdf； 期中测验； | 5.1-5.2 | proj1 | |
| 8 | 线性回归 + Python实现 | 线性回归的Python实现pdf;code scikit-learn pdf | 5.4.3 | proj2 | |
| 9 | KNN分类 + Python实现类 | KNN分类 pdf Python实现code; | 5.4.1 | ||
| 10 | 朴素贝叶斯分类+ Python实现 | 朴素贝叶斯分类pdf; Python实现 code | 5.4.1 | proj2 | |
| 11 | 决策树分类+ Python实现 | 决策树分类pdf | 5.4.1 | proj3 | |
| 12 | 聚类+ Python实现 | 5.4.2 | |||
| 13 | 深度学习 | 人工神经网络 | ch 6 | proj3 | |
| 14 | CNN | ch 7 | |||
| 15 | 人工智能中的伦理 | 伦理报告 | / | ||
| 16 | 大作业汇报 | / |
作业和实验
- 每项作业都包含书面和编程部分。
- 书面和编程作业都将以电子方式提交。提交说明将与每个作业一起发布在 云班课上。
- 编程作业要求使用 Python 编写。
提交说明
提交内容
对于书面答案，请提交PDF文件。请勿提交 Microsoft Word 或其他格式。
- 对于编程问题，请提供您的代码和所需的任何支持文件，以及一些代码运行示例。如果编译或执行代码需要任何特殊说明，请将其包含在 readme.txt 文件中。如果不清楚如何使代码工作，您可能无法获得全部得分！你的代码中应包含注释。运行测试用例的结果，请创建一个单独的pdf文件，包含在.zip文件中。如果对编程问题有任何书面回答，也请包含在该pdf文件中。
- 对于书面问题，请创建并提交一个pdf文件，其中包含你对每个问题的答案。如果你手写了答案，则将手写内容的图片包含在pdf文件中。
- 在您提交的所有文件中都包含您的姓名和学号。将其放在书面解决方案第一页的顶部以及您为代码提交的每个文件的注释中。
如何提交
- 每一项作业都必须通过云班课提交。
- 请在文件名中包含学号-姓名，例如“2300123-吴次仁-Homework1”。 如果小组作业，则文件中应包含 组长的学号和姓名，例如“2300123-吴次仁组-project1”。
- 如果作业包含多个文件，请将它们放在一个文件夹/目录中并压缩为.zip文件。 请不要使用其他压缩格式。
评分标准
A 93.3%–100% A- 90.0%–93.3% B+ 86.6%–90.0% B 83.3%–86.6% B- 80.0%–83.3% C+ 76.6%–80.0% C 73.3%–76.6% C- 70.0%–73.3% D+ 66.6%–70.0% D 63.3%–66.6% D- 60.0%–63.3% F 00.0%–60.0%
学术诚信
- 本课程对剽窃或其他形式的作弊采取零容忍态度。
- 你的作业必须是你自己完成的作品，任何外部的代码、想法或语言来源都必须注明出处，以表示对原作者的尊重。
延期提交
- 您可以在作业截止日期之前申请延期。延期的正当理由包括（但不一定限于）面试、出于研究或学术目的的旅行以及生病。
- 迟交的作业（未事先获得延期）每天将被扣 10%。截止日期后3天以上将不再接受提交作业。(Penalized score) = (Your raw score) * (1 - 0.1 * (# of days past deadline))