《人工智能导论课程标准》.docx
- 文档编号:24117938
- 上传时间:2023-05-24
- 格式:DOCX
- 页数:21
- 大小:20.29KB
《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
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 人工智能导论课程标准 人工智能 导论 课程标准