《人工智能導(dǎo)論》課程教學(xué)大綱

《人工智能導(dǎo)論》教學(xué)大綱課程名稱：人工智能導(dǎo)論 課程編號：F098091762英文名稱：ArtificialIntelligence學(xué)時：32學(xué)時 學(xué)分：2學(xué)分開課學(xué)期：第5學(xué)期適用專業(yè)：光電信息科學(xué)與工程課程類別：理論課課程性質(zhì)：專業(yè)方向與拓展課先修課程：高等數(shù)學(xué)、計算機(jī)基礎(chǔ)（1）一、課程的性質(zhì)及任務(wù)《人工智能導(dǎo)論》課程是光電信息科學(xué)與工程專業(yè)學(xué)生的專業(yè)方向與拓展課，通過本課程的學(xué)習(xí)，使學(xué)生能夠了解人工智能的基本原理，數(shù)據(jù)預(yù)處理、線性神經(jīng)網(wǎng)絡(luò)、多層感知機(jī)、卷積神經(jīng)網(wǎng)絡(luò)等知識，并應(yīng)用到無損檢測的實踐當(dāng)中。能夠提升學(xué)生對非接觸復(fù)雜工程問題建立合適的模型并求解的能力，能夠應(yīng)用計算機(jī)的方法正確解決圖像類復(fù)雜工程問題。依據(jù)河北工程大學(xué)光電信息科學(xué)與工程專業(yè)培養(yǎng)計劃，本課程需要培養(yǎng)學(xué)生的能力是：1、掌握光電信息科學(xué)與工程專業(yè)所需的計算機(jī)基礎(chǔ)、軟件開發(fā)及應(yīng)用等必要的知識，具備從事信息系統(tǒng)技術(shù)工作的能力。（1-③）2、能針對個人或職業(yè)發(fā)展的需求，具備自主學(xué)習(xí)新理論、新技術(shù)、新方法和自我完善的能力，可持續(xù)發(fā)展的潛力。（3-⑨）二、課程目標(biāo)與要求2.1課程目標(biāo)了解熟悉人工智能發(fā)展歷史和發(fā)展脈絡(luò)。了解并掌握人工智能的預(yù)備知識。了解神經(jīng)網(wǎng)絡(luò)訓(xùn)練的基礎(chǔ)知識。熟悉神經(jīng)網(wǎng)絡(luò)的整個訓(xùn)練過程，包括定義簡單的神經(jīng)網(wǎng)絡(luò)架構(gòu)、數(shù)據(jù)處理、指定損失函數(shù)和如何訓(xùn)練模型。特別是熟悉并掌握線性神經(jīng)網(wǎng)絡(luò)。了解多層感知機(jī)實現(xiàn)的方法，并能解決常見的問題，比如權(quán)重衰減、過擬合和欠擬合等。掌握向前傳播、反向傳播和計算圖等概念和原理。了解并掌握深度學(xué)習(xí)計算的關(guān)鍵組件，即模型構(gòu)建、參數(shù)訪問與初始化、設(shè)計自定義層和塊、將模型讀寫到磁盤，以及利用GPU實現(xiàn)顯著的加速。了解所有卷積網(wǎng)絡(luò)主干的基本元素。這包括卷積層本身、填充（padding）和步幅（stride）的基本細(xì)節(jié)、用于在相鄰區(qū)域匯聚信息的匯聚層（pooling）、在每一層中多通道（channel）的使用，以及有關(guān)現(xiàn)代卷積網(wǎng)絡(luò)架構(gòu)的仔細(xì)討論。了解常用網(wǎng)絡(luò)的架構(gòu)和原理。了解并掌握表面缺陷的概念，使用深度學(xué)習(xí)算法檢測表面缺陷的優(yōu)勢和面臨的常見問題等。

數(shù)理科學(xué)與工程學(xué)院本科課程教學(xué)大綱.4目標(biāo)達(dá)成度的評價課程目標(biāo)1、2、3、4主要通過理論教學(xué)環(huán)節(jié)進(jìn)行培養(yǎng)，在課后作業(yè)中有所涉及。主要通過課堂測試、課后作業(yè)和期末考試中概念性、原理性題目進(jìn)行考核。目標(biāo)達(dá)成綜合以上內(nèi)容進(jìn)行評價。課程目標(biāo)5、6、7、8主要通過理論教學(xué)環(huán)節(jié)、課后作業(yè)進(jìn)行培養(yǎng)。主要通過課堂測試，課后作業(yè)和期末考查中，進(jìn)行考核，目標(biāo)達(dá)成以上內(nèi)容進(jìn)行評價。三、教學(xué)方法及手段理論教學(xué)以課堂講授為主，面向基礎(chǔ)知識的準(zhǔn)確、扎實掌握，突出對原理的分析、對方法的總結(jié)以及理論體系的完整建立；理論教學(xué)強(qiáng)調(diào)將各種人工智能的理論特性與工程實現(xiàn)的實際情況緊密聯(lián)系，面向知識的實際應(yīng)用；理論教學(xué)與課內(nèi)實驗演示相結(jié)合，進(jìn)行本課程的應(yīng)用與訓(xùn)練。課程強(qiáng)調(diào)學(xué)生的自主學(xué)習(xí)，強(qiáng)調(diào)通過自學(xué)的方式消化、吸收課程的龐大知識量，并在此基礎(chǔ)上舉一反三。四、課程的基本內(nèi)容與教學(xué)要求第1章人工智能概述[教學(xué)目的與要求]：1.掌握人工智能的定義與分類。2.了解人工智能的起源與發(fā)展。3.熟悉人工智能的主要流派及研究領(lǐng)域。4.了解人工智能發(fā)展現(xiàn)狀及安全。[本章主要內(nèi)容]：1.1人工智能基礎(chǔ)知識1.2人工智能的起源和發(fā)展1.3人工智能的主要流派及研究領(lǐng)域1.4人工智能發(fā)展現(xiàn)狀1.5人工智能安全[本章重點]：1.人工智能的定義與分類。2.人工智能的主要流派[本章難點]：1.人工智能的定義與分類。2.人工智能的主要流派第2章預(yù)備知識[教學(xué)目的與要求]：1.了解人工智能相關(guān)的預(yù)備知識。2.熟悉基本的Python編程操作。[本章主要內(nèi)容]：2.1數(shù)據(jù)操作2.2數(shù)據(jù)預(yù)處理2.3線性代數(shù)2.4微積分2.5自動微分2.6概率[本章重點]：1.掌握數(shù)據(jù)預(yù)處理。2.自動微分。3.概率。[本章難點]：1.掌握數(shù)據(jù)預(yù)處理。2.自動微分。3.概率。第3章線性神經(jīng)網(wǎng)絡(luò)[教學(xué)目的與要求]：了解神經(jīng)網(wǎng)絡(luò)訓(xùn)練的基礎(chǔ)知識。熟悉神經(jīng)網(wǎng)絡(luò)的整個訓(xùn)練過程，包括定義簡單的神經(jīng)網(wǎng)絡(luò)架構(gòu)、數(shù)據(jù)處理、指定損失函數(shù)和如何訓(xùn)練模型。特別是熟悉并掌握線性神經(jīng)網(wǎng)絡(luò)。[本章主要內(nèi)容]：3.1線性回歸3.2線性回歸的從零開始實現(xiàn)3.3線性回歸的簡潔實現(xiàn)3.4softmax回歸3.5圖像分類數(shù)據(jù)集3.6softmax回歸的從零開始實現(xiàn)3.7softmax回歸的簡潔實現(xiàn)[本章重點]：1.線性回歸的從零開始實現(xiàn)2.線性回歸的簡潔實現(xiàn)3.softmax回歸的從零開始實現(xiàn)4.softmax回歸的簡潔實現(xiàn)[本章難點]：1.線性回歸的從零開始實現(xiàn)。2.softmax回歸的從零開始實現(xiàn)。第4章多層感知機(jī)[教學(xué)目的與要求]：了解多層感知機(jī)實現(xiàn)的方法，并能解決常見的問題，比如權(quán)重衰減、過擬合和欠擬合等。掌握向前傳播、反向傳播和計算圖等概念和原理。[本章主要內(nèi)容]：4.1多層感知機(jī)4.2多層感知機(jī)的從零開始實現(xiàn)4.3多層感知機(jī)的簡潔實現(xiàn)4.4模型選擇、欠擬合和過擬合4.5權(quán)重衰減4.6暫退法4.7向前傳播、反向傳播和計算圖4.8數(shù)值穩(wěn)定性和模型初始化[本章重點]：1.多層感知機(jī)的從零開始實現(xiàn)2.多層感知機(jī)的簡潔實現(xiàn)[本章難點]：1.多層感知機(jī)的從零開始實現(xiàn)。2.模型選擇、欠擬合和過擬合。第5章深度學(xué)習(xí)計算[教學(xué)目的與要求]：了解并掌握深度學(xué)習(xí)計算的關(guān)鍵組件，即模型構(gòu)建、參數(shù)訪問與初始化、設(shè)計自定義層和塊、將模型讀寫到磁盤，以及利用GPU實現(xiàn)顯著的加速。[本章主要內(nèi)容]：5.1層和塊5.2參數(shù)管理5.3延后初始化5.4自定義層5.5讀寫文件5.6GPU[本章重點]：1.層和塊。2.自定義層3.讀寫文件[本章難點]：1.層和塊。2.自定義層3.讀寫文件第6章卷積神經(jīng)網(wǎng)絡(luò)[教學(xué)目的與要求]：了解所有卷積網(wǎng)絡(luò)主干的基本元素。這包括卷積層本身、填充（padding）和步幅（stride）的基本細(xì)節(jié)、用于在相鄰區(qū)域匯聚信息的匯聚層（pooling）、在每一層中多通道（channel）的使用，以及有關(guān)現(xiàn)代卷積網(wǎng)絡(luò)架構(gòu)的仔細(xì)討論。[本章主要內(nèi)容]：6.1從全連接層到卷積6.2圖像卷積6.3填充和步幅6.4多輸入多輸出通道6.5匯聚層6.6卷積神經(jīng)網(wǎng)絡(luò)（LeNet）[本章重點]：圖像卷積。2.填充和步幅。3.匯聚層。[本章難點]：圖像卷積。2.填充和步幅。3.匯聚層。第7章現(xiàn)代卷積神經(jīng)網(wǎng)絡(luò)[教學(xué)目的與要求]：了解常用網(wǎng)絡(luò)的架構(gòu)和原理，它們是AlexNet。它是第一個在大規(guī)模視覺競賽中擊敗傳統(tǒng)計算機(jī)視覺模型的大型神經(jīng)網(wǎng)絡(luò)；使用重復(fù)塊的網(wǎng)絡(luò)（VGG）。它利用許多重復(fù)的神經(jīng)網(wǎng)絡(luò)塊；網(wǎng)絡(luò)中的網(wǎng)絡(luò)（NiN）。它重復(fù)使用由卷積層和1×1卷積層（用來代替全連接層）來構(gòu)建深層網(wǎng)絡(luò);含并行連結(jié)的網(wǎng)絡(luò)（GoogLeNet）。它使用并行連結(jié)的網(wǎng)絡(luò)，通過不同窗口大小的卷積層和最大匯聚層來并行抽取信息；殘差網(wǎng)絡(luò)（ResNet）。它通過殘差塊構(gòu)建跨層的數(shù)據(jù)通道，是計算機(jī)視覺中最流行的體系架構(gòu)；稠密連接網(wǎng)絡(luò)（DenseNet）。它的計算成本很高，但給我們帶來了更好的效果。[本章主要內(nèi)容]：7.1深度卷積神經(jīng)網(wǎng)絡(luò)（AlexNet）7.2使用塊的網(wǎng)絡(luò)（VGG）7.3網(wǎng)絡(luò)中的網(wǎng)絡(luò)（NiN）7.4含并行連接網(wǎng)絡(luò)（GoogLeNet）7.5批量規(guī)范化7.6殘差網(wǎng)絡(luò)（ResNet）7.7稠密連接網(wǎng)絡(luò)（DenseNet）[本章重點]：1.深度卷積神經(jīng)網(wǎng)絡(luò)（AlexNet）2.使用塊的網(wǎng)絡(luò)（VGG）3.網(wǎng)絡(luò)中的網(wǎng)絡(luò)（NiN）[本章難點]：1.深度卷積神經(jīng)網(wǎng)絡(luò)（AlexNet）2.使用塊的網(wǎng)絡(luò)（VGG）3.網(wǎng)絡(luò)中的網(wǎng)絡(luò)（NiN）第8章人工智能無損檢測[教學(xué)目的與要求]：了解并掌握表面缺陷的概念，使用深度學(xué)習(xí)算法檢測表面缺陷的優(yōu)勢和面臨的常見問題等。[本章主要內(nèi)容]：8.1表面缺陷檢測的概念8.2表面缺陷檢測深度學(xué)習(xí)方法8.3關(guān)鍵問題/痛點8.4缺陷數(shù)據(jù)集[本章重點]：1.表面缺陷檢測深度學(xué)習(xí)方法2.關(guān)鍵問題/痛點[本章難點]：1.表面缺陷檢測深度學(xué)習(xí)方法2.關(guān)鍵問題/痛點五、課程學(xué)時分配教學(xué)課次教學(xué)內(nèi)容教學(xué)環(huán)節(jié)與計劃時數(shù)教學(xué)環(huán)節(jié)計劃時數(shù)11.1人工智能基礎(chǔ)知識1.2人工智能的起源和發(fā)展1.3人工智能的主要流派及研究領(lǐng)域理論課221.4人工智能發(fā)展現(xiàn)狀1.5人工智能安全理論課232.1數(shù)據(jù)操作2.2數(shù)據(jù)預(yù)處理2.3線性代數(shù)理論課242.4微積分2.5自動微分2.6概率理論課253.1線性回歸3.2線性回歸的從零開始實現(xiàn)3.3線性回歸的簡潔實現(xiàn)3.4softmax回歸理論課263.5圖像分類數(shù)據(jù)集3.6softmax回歸的從零開始實現(xiàn)3.7softmax回歸的簡潔實現(xiàn)理論課274.1多層感知機(jī)4.2多層感知機(jī)的從零開始實現(xiàn)4.3多層感知機(jī)的簡潔實現(xiàn)4.4模型選擇、欠擬合和過擬合理論課284.5權(quán)重衰減4.6暫退法4.7向前傳播、反向傳播和計算圖4.8數(shù)值穩(wěn)定性和模型初始化理論課295.1層和塊5.2參數(shù)管理5.3延后初始化理論課2105.4自定義層5.5讀寫文件5.6GPU理論課2116.1從全連接層到卷積6.2圖像卷積6.3填充和步幅理論課2126.4多輸入多輸出通道6.5匯聚層6.6卷積神經(jīng)網(wǎng)絡(luò)（LeNet）理論課2137.1深度卷積神經(jīng)網(wǎng)絡(luò)（AlexNet）7.2使用塊的網(wǎng)絡(luò)（VGG）7.3網(wǎng)絡(luò)中的網(wǎng)絡(luò)（NiN）7.4含并行連接網(wǎng)絡(luò)（GoogLeNet）理論課2147.5批量規(guī)范化7.6殘差網(wǎng)絡(luò)（ResNet）7.7稠密連接網(wǎng)絡(luò)（DenseNet）理論課2158.1表面缺陷檢測的概念8.2表面缺陷檢測深度學(xué)習(xí)方法理論課2168.3關(guān)鍵問題/痛點8.4缺陷數(shù)據(jù)集,總復(fù)習(xí)理論課2七、課程考核與成績評定7.1考核方式考核環(huán)節(jié)包括課程學(xué)習(xí)過程考核和期末考核，其中課程過程考核占總成績的40%，分別由課堂表現(xiàn)、課后作業(yè)情況進(jìn)行評定；期末考核成績占總成績的60%。各環(huán)節(jié)的比重如下?？己谁h(huán)節(jié)比重合計過程考核（平時成績）課堂表現(xiàn)20%40%作業(yè)20%期末成績期末考核60%60%總計100%100%7.2考核內(nèi)容及要求本課程為考查課。考核內(nèi)容及分值分配如下?？己朔绞娇己藘?nèi)容分值課程目標(biāo)總分值期末考試60%人工智能發(fā)展歷史10~20目標(biāo)1100分人工智能技術(shù)在無損檢測中的應(yīng)用80~90目標(biāo)2、3、4、5、6、7、8過程考核40%課堂表現(xiàn)課堂測試、出勤情況50目標(biāo)1、2、3、4、5、6、7100分課后作業(yè)作業(yè)完成情況50目標(biāo)2、3、4、6、77.3成績評定1.課堂表現(xiàn)課堂表現(xiàn)總20分，由課堂測試與課堂出勤情況評定。其中，課堂測試滿分10分，以客觀題（填空、選擇、判斷）為主，每學(xué)期隨堂測試15~20次，每次測試1~2道題目，每答錯一道題目扣0.5分（直到扣滿10分為止）；課堂出勤滿分5分，缺勤一次扣1分，遲到或請假扣0.5分。2.課后作業(yè)課后作業(yè)總20分，由作業(yè)完成情況評定。每學(xué)期布置作業(yè)5次，每次作業(yè)占3分，評分標(biāo)準(zhǔn)如下；評分標(biāo)準(zhǔn)分值標(biāo)準(zhǔn)描述課后作業(yè)3能夠按時認(rèn)真完成作業(yè)、作業(yè)態(tài)度認(rèn)真、書寫清楚、分析計算正確。2能夠按時完成作業(yè)、作業(yè)態(tài)度較好、書寫較清楚、分析計算基本正確1能夠按時完成作業(yè)、作業(yè)態(tài)度一般、書寫不清楚、分析計算錯誤較多0不交作業(yè)或作業(yè)態(tài)度不認(rèn)真、抄襲他人作業(yè)3.期末考核采用學(xué)期論文形式進(jìn)行，期末成績?yōu)榘俜种?，計入總成績時乘以60%，考查內(nèi)容須覆蓋支撐全部畢業(yè)要求指標(biāo)的授課內(nèi)容，考核完成后在綜合教務(wù)系統(tǒng)中按照設(shè)定的占比系數(shù)錄入成績。八、課程評價與持續(xù)改進(jìn)8.1課程評價課程評價周期定為每1年評價一次。設(shè)置達(dá)成情況目標(biāo)值，采用成績分析法進(jìn)行評價。課程達(dá)成評價根據(jù)光電信息科學(xué)與工程專業(yè)課程達(dá)成評價方法進(jìn)行計算，評價結(jié)果用于持續(xù)改進(jìn)。光電系負(fù)責(zé)人組織教師實施課程評價，制定持續(xù)改進(jìn)措施，監(jiān)督持續(xù)改進(jìn)過程。課程負(fù)責(zé)人負(fù)責(zé)撰寫課程考核總結(jié)報告，實施課程評價持續(xù)改進(jìn)。