《人工智能导论》课程大纲
1. 概述
2024 年 6 月，根据教学安排需要，天津大学对本科专业培养方案进行改革，自 2024 级起取消《大学计算机基础 1》课程（课号 2160279），开设通识必修课程《人工智能导论》课程（课号 2440170），旨在提高大学生人工智能整体素养，建强人工智能领域专业，并鼓励学生开展人工智能跨学科专业学习，以培养社会急需的拔尖创新人才。各专业(不含 智算学部相关专业、社会科学试验班）可根据实际情况调整培养方案，在第一学年第一学期或第二学期安排修读该课程。
重要提示：2024 级及以后年级本科新生在入学报到时不再需要参加《大学计算机基础 1》课程的机考。
2. 基本信息
- 课程代码：2740170
- 课程名称：人工智能导论
- 学时 / 学分：16 / 1
- 学时分配：
- 授课：16
- 上机：0
- 实验：0
- 实践：0
- 适用专业：所有专业
- 授课学院：智能与计算学部
3. 课程简介
人工智能通识课 是一门 面向 全校学生 的综合性课程。通过本课程学习，使学生对人工智能的发展概况、经典及实用的关键技术、以及人工智能近年来新发展的技术有初步了解，具体包括：生物智能、知识工程与知识图谱、机器学习、计算机视觉、计算机听觉、自然语言处理、智能机器人等，启发学生对人工智能的兴趣，培养知识创新和技术创新能力。
通过这门课程的学习，学生可以初步了解人工智能的基础知识和应用领域，为后续深层次的学习打下基础。
4. 课程目标
课程目标 1：人工智能概述
了解人工智能基本概念，包括人工智能历史、现状及发展趋势，了解人工智能的应用及今后发展方向，培养跨学科思维和创新意识。培养良好的工程领域行业职业道德和规范，具有较强的社会责任感和工程职业道德。
课程目标 2：生物智能
掌握脑与认知科学的基本概念和理论，应用脑与认知科学理论对人工智能领域的复杂问题进行分析，能够基于脑与认知科学理论，结合实际问题，尝试提出类脑智能系统的设计方案，并能在设计环节中体现创新意识。
课程目标 3：知识工程
掌握知识工程与知识图谱基本概念与方法，了解知识图谱相关关键技术，训练学生逻辑思维和创新能力，使学生获得运用知识工程与知识图谱方法与工具解决实际问题的技术手段。
课程目标 4：机器学习
熟练掌握经典机器学习、深度学习与大模型方法，区分监督学习和无监督学习，会使用Python等语言进行案例研究和一些实际应用。
课程目标 5：人工智能应用
了解人工智能在计算机视觉、计算机听觉、自然语言处理、智能机器人等不同领域的应用场景和前景。
5. 基本要求
本课程介绍生物智能、知识工程与知识图谱、机器学习、以及在计算机视觉、计算机听觉、自然语言处理、智能机器人等领域的应用。本课程可以启发学生对人工智能的兴趣，培养知识创新和技术创新能力。
在教学过程中要注意理论与实际案例的结合，在熟练掌握课程内容的情况下，能够综合利用所学方法和算法，对经典问题如人脸识别、声音识别、文字识别等问题，进行设计和实现。引导学生培养良好的职业道德修养，培养学生的创新意识、沟通能力以及自主学习能力。
6. 教学内容
教学模式：课前自学、课堂授课、课后复习及作业。
第一章 人工智能概述
- 目录
- 1.1 人工智能的基本概念
- 1.2 人工智能的发展简史
- 1.3 人工智能的发展趋势
- 1.4 人工智能的应用领域
- 本章重点：人工智能的概念和核心技术
- 知识点：人工智能概念，人工智能历史和未来，人工智能的应用领域
- 能力：能够掌握人工智能相关概念，了解人工智能的发展历史和发展趋势，认识到人工智能在很多应用领域的重要性，培养学生创新的能力、以及跨学科思维和创新意识。
第二章 人工智能与脑认知科学
- 目录
- 2.1 认知与智能的概念
- 2.2 认知科学与人工智能的关系
- 2.3 脑的结构与功能
- 2.4 感知觉的神经科学研究
- 2.5 高级认知的神经科学研究
- 2.6 脑启发的人工智能
- 2.7 脑机接口
- 2.8 脑机混合智能
- 本章重点：脑与认知科学的基本概念和理论
- 知识点：人类大脑感知、记忆、思维、决策等心理过程，大脑启发的计算模型
- 能力：掌握脑与认知科学的基本概念和理论，应用脑与认知科学理论对人工智能领域的复杂问题进行分析，能够基于脑与认知科学理论，结合实际问题，尝试提出类脑智能系统的设计方案，并能在设计环节中体现创新意识。
第三章 知识工程与知识图谱
- 目录
- 3.1 知识工程概述
- 3.2 知识图谱表示
- 3.3 知识图谱构建
- 3.4 知识图谱管理
- 3.5 知识图谱挖掘
- 3.6 专家系统与知识问答
- 本章重点：知识工程与知识图谱的基本方法与技术
- 知识点：知识工程与知识图谱的基本概念、知识图谱的符号表示方法和向量表示方法、实体识别、关系抽取、知识融合、知识存储、知识查询、知识图谱挖掘算法、知识图谱可视化、专家系统、知识图谱可视化方法等
- 能力：使学生掌握知识工程与知识图谱基本概念与方法，了解知识图谱相关关键技术，训练学生逻辑思维和创新能力，使学生获得运用知识工程与知识图谱方法与工具解决实际问题的技术手段。
第四章 机器学习
- 目录
- 4.1 机器学习概述
- 4.2 监督学习方法
- 4.3 无监督学习方法
- 4.4 深度学习
- 4.5 大模型
- 本章重点：机器学习的概念和常用方法
- 知识点：支持向量机、k近邻、决策树、k均值、层次聚类、线性回归、前馈神经网络、反馈神经网络、ChatGPT、大模型等
- 能力：熟练掌握常用的机器学习方法，可以使用Python等编程语言进行案例研究和一些实际应用。
第五章 计算机视觉
- 目录
- 5.1 图像处理和分析
- 5.2 图像识别和分类
- 5.3 目标检测和跟踪
- 5.4 三维重建和建模
- 5.5 行为分析和识别
- 5.6 视觉大模型
- 本章重点：图像识别与目标检测等方法
- 知识点：图像处理、特征提取、图像识别、目标跟踪、三维重建等
- 能力：熟练掌握计算机视觉数据处理和分析的基本过程和算法，并可以用来解决计算机视觉相关应用的问题等。
第六章 计算机听觉
- 目录
- 6.1 计算机听觉概述
- 6.2 语音产生与感知机理
- 6.3 语音特征分析
- 6.4 语音识别
- 6.5 语音合成
- 6.6 语音大模型
- 本章重点：语音特征分析、识别及合成方法
- 知识点：语音产生、语音感知、言语链、梅尔频率倒频谱分析、隐马尔可夫模型、声学模型、语言模型、统计参数语音合成、语音预训练大模型、语音生成大模型。
- 能力：使学生掌握计算机听觉的基本概念与方法，培养学生综合运用所学知识解决实际计算机听觉问题的能力，训练学生逻辑思维能力和想象力，探索应用领域的共性模式发现。
第七章 自然语言处理
- 目录
- 7.1 自然语言处理概述
- 7.2 语言理解
- 7.3 语言生成
- 7.4 信息检索
- 7.5 语言大模型
- 本章重点：自然语言的理解、生成、检索方法
- 知识点：文本表示、特征提取、语言理解、生成与检索
- 能力：使得学生了解自然语言处理的基本概念、难点、发展现状与趋势，掌握自然语言处理的基本方法，培养学生综合运用所学知识解决自然语言问题的能力
第八章 机器人
- 目录
- 8.1 机器人基本概念
- 8.2 机器人主要组成部分
- 8.3 机器人发展简史
- 8.4 机器人主要类型
- 8.5 机器人关键技术
- 本章重点：机器人的关键技术
- 知识点：机器人及机器人学定义，机器人感知与导航基本概念，机器人主要传感器、执行器、底盘和人机交互的种类及作用，串/并联机器人与服务机器人概念及主要组成等
- 能力：使得学生初步了解机器人的相关概念，理解机器人与人工智能的区别与联系，掌握机器人的关键技术，培养学生综合运用所学知识解决机器人问题的能力。
7. 学时分配
每章授课 2 个学时，总计 16 学时。
| 教学内容 | 授课 | 实验 | 自学 | 课程设计 | 大作业 | 其他 |
|---|---|---|---|---|---|---|
| 人工智能概述 | 2 | |||||
| 生物智能 | 2 | |||||
| 知识工程与知识图谱 | 2 | |||||
| 机器学习 | 2 | |||||
| 计算机视觉 | 2 | |||||
| 计算机听觉 | 2 | |||||
| 自然语言处理 | 2 | |||||
| 机器人 | 2 | |||||
| 总计 （单位：学时） |
16 | 0 | 0 | 0 | 0 | 0 |
注：该表格中比例为课程整体成绩比例。
8. 考核与评价方式及标准
8.1. 考核方式与结果说明
本课程采取 通过式 考核方式，评价结果分为 通过 与 未通过 两档。成绩录入教务管理系统时，通过记 100 分，未通过记 0 分。
8.2. 考核实施方式及成绩计算
课程期末总评成绩按如下方法计算：
期末总评成绩 = 期末成绩 X 70% + 平时成绩 X 30%其中：
期末成绩 = 机试成绩，采用人工智能考试系统完成考试及评分（百分制）平时成绩 = 平时表现 + 平时作业，按百分制计分
期末总评成绩 ≥ 60 为通过，否则为未通过。
注：
- 任课教师可以自主调整 平时表现 和 平时作业 的相对比例；
- 民族班学生、留学生的成绩计算按学校相关规定计算。
8.3. 课程目标达成考核与评价方式及成绩评定
| 课程目标 | 平时表现 | 课程表现 | 成绩比例（%） |
|---|---|---|---|
| 人工智能概述 （课程目标 1） |
3 | 7 | 10 |
| 生物智能 （课程目标 2） |
5 | 11 | 16 |
| 知识工程 （课程目标 3） |
5 | 11 | 16 |
| 机器学习 （课程目标 4） |
5 | 11 | 16 |
| 人工智能应用 （课程目标 5） |
12 | 30 | 42 |
| 合计 | 30 | 70 | 100 |
注：该表格中比例为课程整体成绩比例。
8.4. 考核与评价标准
(1) 平时表现考核与评价标准
| 项目 | 基本要求 | 优秀 | 良好 | 合格 | 不合格 | 成绩比例（%） |
|---|---|---|---|---|---|---|
| 出勤 | 1.无故不缺勤 2.无故不迟到早退 3.因故不能出勤能及时请假 |
完全达到要求 | 较好达到要求 | 基本达到要求 | 无故缺课达到三分之一以上 | 20 |
| 课堂表现 | 1.认真听课或做实验 2.积极参与课堂讨论 3.提问时回答正确率高 |
完全达到要求 | 较好达到要求 | 基本达到要求 | 因课堂表现不佳被点名 3 次以上 | 30 |
| 作业 | 1.提交按时率 2.完成率 3.正确率 |
三项均达到 90% 及以上 | 三项均达到 80% 及以上 | 三项均达到 60% 及以上 | 有一项低于 60% | 50 |
注：该表格中比例为平时成绩比例。
(2) 课程考试考核与评价标准
| 项目 | 基本要求 | 优秀 (90~100) |
良好 (70~89) |
合格 (60~69) |
不合格 (0~59) |
成绩比例（%） |
|---|---|---|---|---|---|---|
| 人工智能概述 (课程目标 1) |
理解人工智能的相关概念、历史、发展趋势、应用领域等基础知识 | 人工智能的相关概念、历史、发展趋势、应用领域领会正确，识记清楚，能够准确辨析 | 人工智能的相关概念、历史、发展趋势、应用领域领会比较正确，识记比较清楚，能够较好辨析 | 人工智能的相关概念、历史、发展趋势、应用领域领会基本正确，识记基本清楚，能够辨析 | 人工智能的相关概念、历史、发展趋势、应用领域领会正确，识记清楚，能够准确辨析 | 10 |
| 生物智能 (课程目标 2) |
理解生物智能的相关概念、关键技术等基础知识 | 生物智能的相关概念、关键技术领会正确，识记清楚，能够准确辨析 | 生物智能的相关概念、关键技术领会比较正确，识记比较清楚，能够较好辨析 | 生物智能的相关概念、关键技术领会基本正确，识记基本清楚，能够辨析 | 生物智能的相关概念、关键技术领会正确，识记清楚，能够准确辨析 | 16 |
| 知识工程 (课程目标 3) |
了解知识工程与知识图谱基本概念与方法 | 知识工程与知识图谱基本概念与方法领会正确，识记清楚，能够准确辨析 | 知识工程与知识图谱基本概念与方法领会比较正确，识记比较清楚，能够较好辨析 | 知识工程与知识图谱基本概念与方法领会基本正确，识记基本清楚，能够辨析 | 知识工程与知识图谱基本概念与方法领会正确，识记清楚，能够准确辨析 | 16 |
| 机器学习 (课程目标 4) |
了解机器学习基本概念与方法 | 机器学习基本概念与方法领会正确，识记清楚，能够准确辨析 | 机器学习基本概念与方法领会比较正确，识记比较清楚，能够较好辨析 | 机器学习基本概念与方法领会基本正确，识记基本清楚，能够辨析 | 机器学习基本概念与方法领会正确，识记清楚，能够准确辨析 | 16 |
| 人工智能应用 (课程目标 5) |
了解计算机视觉、计算机听觉、自然语言处理、智能机器人等不同领域的中的人工智能核心技术 | 计算机视觉、计算机听觉、自然语言处理、智能机器人等不同领域中的人工智能核心技术领会正确，识记清楚，能够准确辨析 | 计算机视觉、计算机听觉、自然语言处理、智能机器人等不同领域中的人工智能核心技术领会比较正确，识记比较清楚，能够较好辨析 | 计算机视觉、计算机听觉、自然语言处理、智能机器人等不同领域中的人工智能核心技术领会基本正确，识记基本清楚，能够辨析 | 计算机视觉、计算机听觉、自然语言处理、智能机器人等不同领域中的人工智能核心技术领会正确，识记清楚，能够准确辨析 | 42 |
注：
① 该表格中比例为期末考试试卷成绩比例；
② 本课程采用 通过式 考核方式，最终考核结果只有 通过（合格及以上）和 不通过（不合格）两档。上述表中给出四档评价标准仅用于评价教学质量和学习效果时的参考。
参考资料
- 《天津大学人工智能导论课程大纲》