《人工智能导论课程标准》.docx
《《人工智能导论课程标准》.docx》由会员分享，可在线阅读，更多相关《《人工智能导论课程标准》.docx（21页珍藏版）》请在冰豆网上搜索。
《人工智能导论课程标准》
《人工智能导论》课程标准
课程名称
人工智能导论
课程编码
12563470
课程类型
任选课
适用专业
非计算机类专业
学时/学分
28/2
开设学期
第二学期
授课院部
信息工程学院
编写执笔人
审定负责人
编写日期
2021.10.24
审定（修订）日期
一、课程性质
该课程是全校学生的选修课，目的是让学生了解人工智能的发展及应用；理解人工智能的核心技术概念；学会使用AI开发工具及语言；为进一步学习人工智能相关领域知识打下坚实的基础。
二、课程设计思路
该课程从物联网发展趋势，深入了解行业发展趋势，调研目前人工智能领域相关专业学生就业所需知识，调研同类高职院校课程教学情况：
教学大纲、课时安排、教学模式、考核方式及成绩评价等方面。
综合分析调研结果，充分考虑高职学生特点和行业现状，制定满足企业需求和适合高职院校学生特点的课程标准。
为学生就业拓展了基础和领域。
三、课程目标
（一）总体目标
通过本课程的学习了解AI发展中的关键人物及其成果，了解AI的研究内容和应用领域；理解AI的核心概念解析；学会使用AI的开发工具VSCode、JupyterNotebook及Python语言；能够理解监督学习中的回归和分类算法，能够理解非监督学习中的聚类算法，会运行给定的程序代码并修改某些参数；会在微软机器学习工作室中搭建预测披萨饼价格的实验。
由此培养学生良好的分析问题和解决问题的能力，使学生具有良好的沟通能力与团队协作精神。
（二）具体目标
1．专业能力
（1）学会使用AI开发环境，VScode、JupyterNotebook；
（2）能够理解Python语言程序；
（3）能够理解监督学习中的线性回归和逻辑分类；
（4）能够理解非监督学习的聚类；
（5）了解numpy、matplotlib、pandas等数据科学分析库的使用方法。
2．方法能力
（1）培养良好的资料查阅能力；
（2）培养良好的分析问题、解决问题的能力；
（3）培养模块化思维能力；
（4）培养良好的学习和总结的能力。
3．社会能力
（1）培养良好的团队精神和协作能力；
（2）培养学生的创新能力。
四、课程内容组织与安排
本课程参照国内各高职院校的教学大纲，以实际应用为目标，设计了5个学习单元。
本课程充分考虑了人工智能导论是一门开设比较新的课程，考虑到学生的基础和接受能力，在课程内容的组织与安排上由浅入深、循序渐进。
通过本课程的学习，学生能够了解AI的发展、研究内容及应用领域，熟悉AI开发的工具和语言，熟悉一些常见的AI核心技术，了解AI的一些基本算法。
本课程的开设还为学习与人工智能领域相关的课程奠定基础。
教学内容组织与安排表1
序号
模块（项目/单元）名称
教学内容
教学方法
教学场所
参考学时
理论
实践
1
单元1人工智能概述
1-1AI的起源和发展
1-2AI的研究内容
1-3AI的应用
1-4AI的人才需求
讲授、分组讨论、案例教学、实操。
人工智能
实训室
2
2
2
单元2AI开发工具及语言
2-1开发环境搭建
2-2开发库的安装和配置
2-3可视化工具的安装和配置
2-4入门案例实践
讲授、演示、分组讨论、案例教学、实操。
人工智能实训室
2
2
3
单元3AI技术概述
3-1AI的知识结构和领域
3-2机器学习及算法
3-3深度学习及典型模型
3-4计算机视觉
3-5语音识别
3-6自然语言处理
3-7推荐系统
讲授、演示、分组讨论、案例教学、实操。
人工智能
实训室
6
2
4
单元4监督学习
4-1线性回归模型
4-2逻辑分类模型
4-3感知器模型
4-4支持向量机模型
4-5KNN模型
讲授、演示、分组讨论、案例教学、实操。
人工智能
实训室
2
6
5
单元5非监督学习
5-1非监督学习
5-2KMeans模型原理
5-3鸢尾花数据集
5-4KMeans的应用
讲授、演示、分组讨论、案例教学、实操。
人工智能
实训室
2
2
合计：
56学时（其中实践教学学时比例为50.0%）
14
14
五、课程内容与教学要求
表5-1
模块（项目/单元）1：
单元1AI概述
参考学时
理论
2
实践
2
学习目标
1、了解AI的发展历史；
2、理解第三次AI浪潮背后推手是大数据、算法和算力；
3、能够上网查找AI的实际应用；
4、学会使用一些AI小程序。
学习内容
1、AI的起源；
2、AI发展的三次浪潮；；
3、AI三巨头；
4、第三次AI浪潮背后的推手；
5、AI的定义和研究内容；
6、AI的应用领域；
7、AI的产业政策与人才需求。
重点：
1、AI的起源；
2、AI的三次浪潮；
3、AI的定义与研究内容。
难点：
1、第三次AI浪潮的背后推手：
大数据、算法和算力；
2、AI的实际应用场景。
教学方法与手段
讲授、演示、分组讨论、案例教学、实操。
教学活动设计
1、教师讲授，演示；
2、教师分析案例，学生分组讨论；
3、教师播放相关视频，学生分析视频内容；
4、教师总结所用到的知识点。
教学条件
1、师资条件：
主讲教师2人；
2、实验实训条件：
人工智能实训室；
3、相关教辅材料：
教材：
盛鸿宇，于京，詹晓东编著《人工智能应用基础》（Python版），高等教育出版社；
参考资料：
（1）王新强，盛鸿宇．人工智能应用基础（TensorFlow版）．北京：
高等教育出版社，2020.
（2）肖正兴，聂哲．人工智能应用基础．北京：
高等教育出版社，2019．
（3）聂明编著．人工智能技术应用导论．北京：
电子工业出版社，2020．
4、网络资源：
爱课程教学平台。
考核评价
方式
主要考核点
知识
1、AI第三次浪潮的推手：
大数据、算法和算力
2、AI的应用场景
理论+上机
技能
上网查阅AI的应用
权重
10%
态度
1、按时上课，积极发言；
2、课上积极参与实验；
3、认真完成老师布置的作业。
参考资料
及其他说明
学习强国中的人工智能导论课程视频
表5-2
模块（项目/单元）2：
单元2AI开发工具及语言
参考学时
理论
2
实践
2
学习目标
1、了解AI开发环境的安装与部署；
2、会使用VScode软件新建文件、编辑文件和运行文件；
3、会使用jupyternotebook新建文件、编辑文件和运行文件；
4、学会使用VScode单步调试程序。
学习内容
1、从官网上下载python3.6并进行安装；
2、从官网上下载VScode并进行安装；
3、安装第三方库numpy、pandas、scipy、matplotlib、scikit-learn；
4、在VScode上新建一个入门程序；
5、在VScode上编辑、调试、运行该入门程序；
7、在jupyternotebook上编辑、运行该入门程序。
重点：
1、VScode软件的使用；
2、jupyternotebook的使用。
难点：
1、在VScode上单步调试入门程序；
2、jupyternotebook的使用。
教学方法与手段
讲授、演示、分组讨论、案例教学、实操。
教学活动设计
1、教师讲授VScode、jupyternotebook的使用；
2、教师演示如何在VScode、jupyternotebook上新建文件、编辑文件、运行文件；
3、学生在计算机上练习VScode、jupyternotebook的使用；
4、教师和学生一起在VScode上单步调试入门程序。
教学条件
1、师资条件：
主讲教师2人；
2、实验实训条件：
人工智能实训室；
3、相关教辅材料：
教材：
盛鸿宇，于京，詹晓东编著《人工智能应用基础》（Python版），高等教育出版社；
参考资料：
（1）王新强，盛鸿宇．人工智能应用基础（TensorFlow版）．北京：
高等教育出版社，2020.
（2）肖正兴，聂哲．人工智能应用基础．北京：
高等教育出版社，2019．
（3）聂明编著．人工智能技术应用导论．北京：
电子工业出版社，2020．
4、网络资源：
爱课程教学平台。
考核评价
方式
主要考核点
知识
1、VScode的使用
2、jupyternotebook的使用
理论+上机
技能
上网查阅AI的应用
权重
10%
态度
1、按时上课，积极发言；
2、课上积极参与实验；
3、认真完成老师布置作业。
参考资料
及其他说明
学习强国中的人工智能导论课程视频课程
表5-3
模块（项目/单元）3：
单元3AI技术概述
参考学时
理论
6
实践
2
学习目标
1、了解AI知识结构和知识领域；
2、了解XXAI和微软AI的核心技术；
3、熟悉AI开发常用的算法和开发框架；
4、学会使用XXAI开放平台；
5、理解AI常用的核心技术和概念术语。
学习内容
1、AI的三大流派；
2、机器学习的概念及机器学习过程；
3、机器学习方法及任务分类；
4、机器学习的常用算法；
5、机器学习的关键问题：
欠拟合和过拟合；
6、机器学习数据集及其划分；
7、深度学习的概念及典型的深度学习模型CNN和RNN；
8、计算机视觉和语音识别；
9、自然语言处理和推荐系统。
重点：
1、机器学习的概念及机器学习过程；
2、深度学习的概念及典型的深度学习模型CNN和RNN；
3、计算机及视觉---人脸图像识别过程。
难点：
1、卷积操作及卷积神经网络的组成；
2、语音识别过程。
教学方法与手段
讲授、演示、分组讨论、案例教学、实操。
教学活动设计
1、教师讲授，演示；
2、教师分析案例，学生分组讨论；
3、教师播放相关视频，学生分析视频内容；
4、教师总结所用到的知识点。
教学条件
1、师资条件：
主讲教师2人；
2、实验实训条件：
人工智能实训室；
3、相关教辅材料：
教材：
盛鸿宇，于京，詹晓东编著《人工智能应用基础》（Python版），高等教育出版社；
参考资料：
（1）王新强，盛鸿宇．人工智能应用基础（TensorFlow版）．北京：
高等教育出版社，2020.
（2）肖正兴，聂哲．人工智能应用基础．北京：
高等教育出版社，2019．
（3）聂明编著．人工智能技术应用导论．北京：
电子工业出版社，2020．
4、网络资源：
爱课程教学平台。
考核评价
方式
主要考核点
知识
1、AI的核心技术概念解析
2、常用的算法及框架。
理论+上机
技能
XXAI开放平台的使用
权重
30%
态度
1、按时上课，积极发言；
2、课上积极参与实验；
3、认真完成老师布置的作业。
参考资料
及其他说明
学习强国中的人工智能导论课程视频课程
表5-4
模块（项目/单元）4：
单元4监督学习
参考学时
理论
2
实践
6
学习目标
1、理解什么是监督学习；
2、学会使用skleaen库的线性回归模型预测价格；
3、学会使用skleaen库的逻辑分类对手写数字图片进行识别；
4、学会使用skleaen库的感知器模型对手写数字图片进行识别；
5、学会使用skleaen库的SVM模型对手写数字图片进行识别；
6、学会使用skleaen库的KNN模型对手写数字图片进行识别。
学习内容
1、监督学习的概念；
2、一元线性回归和多元线性回归模型；
3、感知器模型；
4、SVM模型；
5、KNN模型；
6、数据集的建立、导入和拆分；
7、模型的训练和测试。
重点：
1、一元线性回归和多元线性回归模型预测披萨饼的价格；
2、对感知器模型、SVM模型、KNN模型中各各个参数的理解。
难点：
1、数据集的建立、导入和拆分；
2、模型的训练和测试。
教学方法与手段
讲授、演示、分组讨论、案例教学、实操。
教学活动设计
1、教师讲授，演示程序；
2、学生在机器上编辑、运行程序；
3、在教师的启发下，学生对模型中的超参数进行调整；
4、教师总结所用到的知识点。
教学条件
1、师资条件：
主讲教师2人；
2、实验实训条件：
人工智能实训室；
3、相关教辅材料：
教材：
盛鸿宇，于京，詹晓东编著《人工智能应用基础》（Python版），高等教育出版社；
参考资料：
（1）王新强，盛鸿宇．人工智能应用基础（TensorFlow版）．北京：
高等教育出版社，2020.
（2）肖正兴，聂哲．人工智能应用基础．北京：
高等教育出版社，2019．
（3）聂明编著．人工智能技术应用导论．北京：
电子工业出版社，2020．
4、网络资源：
爱课程教学平台。
考核评价
方式
主要考核点
知识
1、线性回归模型、逻辑分类模型、感知器模型、SVM模型、KNN模型的原理
2、线性回归模型、逻辑分类模型、感知器模型、SVM模型、KNN模型的应用.
理论+上机
技能
上机编辑、调试、运行程序
权重
40%
态度
1、按时上课，积极发言；
2、课上积极参与实验；
3、认真完成老师布置的作业。
参考资料
及其他说明
学习强国中的人工智能导论课程视频课程
表5-5
模块（项目/单元）5：
单元5非监督学习
参考学时
理论
2
实践
2
学习目标
1、理解什么是非监督学习；
2、熟悉非监督学习中的聚类；
3、熟悉鸢尾花数据集的特点；
4、会使用kmeans对鸢尾花数据集实现聚类。
学习内容
1、非监督学习的概念及特点；
2、KMeans聚类的原理；
3、从sklearn库中装载鸢尾花数据集；
4、使用sklearn库中的聚类对鸢尾花数据进行分类；
5、使用可视化分析分类的正确率。
重点：
1、鸢尾花数据集的特点；
2、使用sklearn库中的聚类对鸢尾花数据进行分类。
难点：
1、使用可视化分析分类的正确率；
2、K的合理选取。
教学方法与手段
讲授、演示、分组讨论、案例教学、实操。
教学活动设计
1、教师讲授，演示程序；
2、学生在机器上编辑、运行程序；
3、在教师的启发下，学生对模型中的超参数进行调整；
4、教师总结所用到的知识点。
教学条件
1、师资条件：
主讲教师2人；
2、实验实训条件：
人工智能实训室；
3、相关教辅材料：
教材：
盛鸿宇，于京，詹晓东编著《人工智能应用基础》（Python版），高等教育出版社；
参考资料：
（1）王新强，盛鸿宇．人工智能应用基础（TensorFlow版）．北京：
高等教育出版社，2020.
（2）肖正兴，聂哲．人工智能应用基础．北京：
高等教育出版社，2019．
（3）聂明编著．人工智能技术应用导论．北京：
电子工业出版社，2020．
4、网络资源：
爱课程教学平台。
考核评价
方式
主要考核点
知识
1、非监督学习概念
2、KMeans模型的原理
理论+上机
技能
上机编辑、调试、运行鸢尾花程序
权重
10%
态度
1、按时上课，积极发言；
2、课上积极参与实验；
3、认真完成老师布置的作业。
参考资料
及其他说明
学习强国中的人工智能导论课程视频课程
六、课程教学实施建议
（一）师资条件要求
师资组成表表6-1
教师
人数
条件
专业技术职务条件
职业资格条件
专业领域
在课程教学中承担的任务
课程负责人
1
副教授
无
电子信息
主讲教师，课程总体建设
主讲教师
1
副教授
无
电子信息
主讲教师，参与课程建设
（二）教学条件要求
软件：
python3.6，VScode；Jupyternotebook；
硬件：
硬件要求是CPUI5以上，内存要求8G以上，HDD/SSD1T以上。
（三）教学方法与教学手段建议
以实际单元为载体，结合主要教学内容，将讲授与小组讨论结合在一起进行教学。
形成以单元为依托理论和时间相结合的分组教学方法。
（四）教材与参考资料
1．教材
盛鸿宇，于京，詹晓东编著《人工智能应用基础》（Python版），高等教育出版社；
2.参考资料
（1）王新强，盛鸿宇．人工智能应用基础（TensorFlow版）．北京：
高等教育出版社，2020.
（2）肖正兴，聂哲．人工智能应用基础．北京：
高等教育出版社，2019．
（3）聂明编著．人工智能技术应用导论．北京：
电子工业出版社，2020．
（五）课程资源开发与应用建议
提供的教学资源：
学习强国中的人工智能概论视频。
七、考核评价
（一）考核评价方法
采取过程考核+期末的方式进行考核。
（二）评价标准
（1）过程考核S1
由平时出勤（10%）、课堂提问（10%）、教学互动（20%）、课上考核（60%）四部分构成。
（2）期末考核S2
期末考核采取期末试卷，试卷中各单元的权重如下表所示。
单元成绩评定表表7-1
考核单元
考核内容
成绩权重
单元1人工智能概述
1、AI发展中的关键人物及其成果
2、AI的定义及研究内容
3、AI的应用领域
10%
单元2AI开发工具及语言
1、AI开发工具VSCode、JupyterNotebook
2、Python语言
10%
单元3AI技术概述
1、AI的核心概念
2、机器学习和深度学习相关的概念
3、机器学习常用算法
4、深度学习常用模型
5、计算机视觉和语音识别相关的知识
35%
单元4监督学习
1、监督学习的概念
2、线性回归模型
3、逻辑分类模型
4、感知器模型
5、SVM模型
6、KNN模型
35%
单元5非监督学习
1、非监督学习的概念
2、KMeans聚类模型
10%
（3）总成绩S
S=S1×%60+S2×%40
升级会员 