|
課程概述
本課程面向工程管理專業學位研究生開設，通過人工智能理論、實驗及工程實踐三個方面開展教學。課程的理論內容包括人工智能概論、知識表示與知識圖譜、搜索策略、遺傳算法、群體智能算法、人工神經網絡、機器學習與深度學習、專家系統、自然語言理解、計算機視覺和智能機器人。課程的實踐應用內容是基於百度飛槳深度學習平台的人工智能技術應用，包括圖像分類、文字識別、目標檢測、圖像分割、語義理解、大數據計算等。另外，課程內容還包括團隊的人工智能工程實踐工作。本課程強調人工智能知識的基礎性、整體性、綜合性和實際應用性，使學生掌握人工智能的主要思想和應用人工智能技術解決專業領域問題的基本思路，拓寬科學視野，培養創新精神。
課程教學設計方面：
課程教學設計採用「原理講解+實驗操作+項目實戰」的方式，基於「講授法+演示法+啟發法」的教學方法，通過通俗易懂的語言講解人工智能的概念、理論、技術及應用。
1．講授法：通過講授人工智能的理論內容，幫助學生掌握人工智能的基本原理和相關技術，拓展知識和技能範圍，為利用人工智能技術解決不同工程應用領域中的問題打好基礎，增強學生自主學習和終身學習的意識，增強其不斷學習和適應發展的能力。
2．演示法：通過實例代碼的運行演示，幫助學生更好地理解和掌握人工智能的基本原理和實現方法，具有可操作性和可復現性。
3．啟發法：通過剖析實際工程項目存在的難點痛點，啟發學生將所學的人工智能各類應用技術用於問題的求解；通過實際工程項目的解決方案分析和具體的人工智能方法的實現步驟及應用效果，啟發學生應用人工智能解決實際問題的能力。
教學單元
1 第1章 人工智能概論
1.1 人工智能的誕生與發展
1.2 人工智能研究的典型技術
1.3 人工智能的主要應用領域
1.4 人工智能帶來的倫理挑戰
2 第2章 知識表示與知識圖譜
2.1 知識表示技術概述
2.2 產生式表示法
2.3 知識圖譜表示方法
3 第3章 問題求解方法
3.1 狀態空間搜索概述
4 第4章 智能優化算法
4.1 遺傳算法
4.2 粒子群優化算法
4.3 蟻群優化算法
4.4 模擬退火算法
5 第5章 機器學習
5.1 機器學習概述
5.2 機器學習的分類
5.3 回歸模型簡介
5.4 分類模型簡介
6 第6章 人工神經網絡與深度學習
6.1 深度學習概述
6.2 卷積神經網絡
6.3循環神經網絡
7 第7章 自然語言理解
7.1 自然語言理解的概念與發展
7.2 機器翻譯方法概述
7.3 ChatGPT簡介
8 第8章 計算機視覺
8.1 概率方法
9 第9章 智能機器人
9.1智能機器人
10 第10章實驗內容
10.1 PyTorch安裝及簡介
10.2 人工智能應用1
10.3 人工智能應用2
11 第11章工程實踐
11.1 基於機器學習的廠務空調節能優化
11.2 全球離心機智能診斷平台
11.3 智能多模態醫學影像融合系統
課程列表
名稱 時間長度
第01講1.1 人工智能的誕生與發展 00:13:37
第02講1.2 人工智能研究的典型技術 00:13:08
第03講1.3 人工智能的主要應用領域 00:09:45
第04講1.4 人工智能帶來的倫理挑戰 00:16:46
第05講2.1 知識表示技術概述 00:10:55
第06講2.2 產生式表示法 00:14:22
第07講2.3 知識圖譜表示方法 00:15:21
第08講4.1 遺傳算法 00:16:29
第09講4.2 粒子群優化算法 00:14:30
第10講4.3 蟻群優化算法 00:19:46
第11講4.4 模擬退火算法 00:16:16
第12講5.1 機器學習概述 00:10:10
第13講5.2 機器學習的分類 00:07:21
第14講5.3 回歸模型簡介 00:08:50
第15講5.4 分類模型簡介-1 00:10:42
第16講5.4 分類模型簡介-2 00:13:02
第17講6.1 深度學習概述 00:07:55
第18講6.2 卷積神經網絡 00:16:05
第19講6.3循環神經網絡 00:15:30
第20講7.1 自然語言理解的概念與發展 00:12:54
第21講7.2 機器翻譯方法概述 00:11:21
第22講7.3 ChatGPT簡介 00:08:31
第23講8.1 概率方法 00:11:10
第24講9.1智能機器人 00:17:06
第25講10.1 PyTorch安裝及簡介 00:07:54
第26講10.2 人工智能應用1 00:09:55
第27講10.3 人工智能應用2 00:11:35
第28講11.1 基於機器學習的廠務空調節能優化 00:26:51
第29講11.2 全球離心機智能診斷平台 00:25:52
第30講11.3 智能多模態醫學影像融合系統 00:12:48
|
MS_3270