课程简介
不同于《人工智能导引》（通识）侧重基础普及与人工智能素养提升、《人工智能引论》知识点入门与后续学习引导，也不同于《人工智能原理》聚焦算法原理和核心技术，本课程《人工智能》旨在全方位地、系统性地呈现人工智能知识体系，涵盖从基础概念、核心技术，到开发方法、前沿应用以及伦理思考等多维度内容，构建完整且深入的知识框架，助力学习者对人工智能有一个相对完整的认识和理解，全面掌握人工智能领域的原理知识及其实际应用。
本课程将《人工智能》课程内容按照基于知识的智能方法、基于学习的智能方法、基于推理的智能方法和基于仿生的智能方法进行组织，反映出人类在解决实际问题时运用搜索、学习、推理和决策的能力以及复杂多变环境下向大自然学习的能力，以全面涵盖人工智能的核心研究途径。
1、基于知识的智能方法：强调知识的表示、问题求解的描述以及搜索求解策略，适合解决需要知识的显式表示与利用的问题，包括知识表示与知识图谱（第2章）、问题求解与搜索策略（第3章）
2、基于学习的智能方法：强调从数据中学习规律，适合处理复杂、非线性且数据驱动的问题，包括机器学习（第4章）、人工神经网络（第5章）、深度学习与大模型（第6章）、深度强化学习（第7章）
3、基于推理的智能方法：模拟人类思维逻辑，从已知事实得出结论，适合依据逻辑推导做出判断与决策的问题，包括逻辑推理（第8章）
4、基于仿生的智能方法：借鉴自然界的进化、群体行为等智能行为，适合解决优化和动态系统问题，计算智能（第9章）
本课程的主要特色：
1、提供完整人工智能知识体系的讲课内容，知识点内容涵盖人工智能的基础层、抽象层、高级层和应用层的不同层次。
2、注重理论与实践的相结合，每节课除了基本原理、方法介绍外，还配有大量的应用实例。
3、把握了解国内外人工智能研究领域的最新进展和前沿动向。
4、注重综合利用人工智能的知识解决实际的具体问题。
课程大纲
第1章 人工智能概述
1.1 什么是人工智能？
智能的定义、人工智能的定义（智能机器、学科、能力、智能体）、人工智能分类（弱人工智能、通用人工智能、超人工智能）
1.2 人工智能发展简史
达特茅斯会议（Dartmouth）、人工智能重要历史事件与里程碑、人工智能主要学派（符号主义、联结主义、行为主义）
1.3 人类智能与人工智能
人类认知过程的基本任务、计算机模拟人类认知（冯·诺依曼体系结构、神经网络计算机、量子计算机）、图灵测试及其演化（图灵测试、现代图灵测试、ChatGPT、DeepSeek等对图灵测试的影响）
1.4 人工智能的研究与技术
人工智能研究的知识体系、人工智能的核心能力（搜索、学习、推理、决策）、人工智能研究的核心方法（基于知识的智能方法、基于学习的智能方法、基于推理的智能方法、基于仿生的智能方法）、人工智能的技术架构、人工智能的技术特征
1.5 人工智能的前沿应用
自然语言处理、计算机视觉、自动驾驶、机器人、多智能体系统
1.6 人工智能发展与未来趋势
新一代人工智能技术（深度学习技术与深度学习芯片、类脑学习算法、脑机接口、大模型与生成式AI）、讨论：人工智能是否会取代人类？
1.7 人工智能伦理与社会影响
什么是人工智能伦理？、人工智能的社会影响、人工智能中的主要伦理问题（算法偏见、隐私问题、责任归属）、人工智能伦理问题解决方案
第2章 知识表示与知识图谱
2.1 知识表示方法
知识与知识表示、经典知识表示方法、状态空间法、问题归约法、谓词逻辑法、语义网络法、知识图谱法
2.2 知识图谱
知识图谱概述、知识图谱表示方法、知识图谱构建方法、知识图谱质量评估、知识图谱应用
实践：知识图谱构建及其应用
第3章 问题求解与搜索策略
3.1 搜索问题的定义
从现实问题到搜索问题的抽象、搜索的定义、搜索求解方法分类
3.2 图搜索与启发式方法
图搜索基础、盲目搜索（BFS/DFS、等代价搜索）、启发式搜索（A*算法、AO*算法）
3.3 随机搜索与优化策略
随机搜索概述、随机搜索策略（爬山算法、模拟退火算法）
3.4 博弈搜索与对抗决策
博弈论基础（背景-人机大战、博弈与对策、纳什均衡、多智能体交互建模）、经典博弈算法（极小极大搜索算法、Alpha-Beta剪枝算法、蒙特卡洛树搜索算法）、多智能体博弈（星际争霸AlphaStar）、博弈搜索应用（AlphaGo/AlphaZero/MuZero）
第4章 机器学习
4.1 什么是机器学习？
人类的“学习”、机器学习的定义、机器学习研究的主要问题、与传统基于规则的方法区别
4.2 机器学习工作原理
机器学习的任务类型（分类、回归、聚类）、机器学习的学习范式（监督学习、无监督学习、半监督学习以及强化学习）、机器学习的开发流程
4.3 机器学习常用算法
机器学习中的“学习算法”、机器学习常用算法、线性回归（线性回归、多项式回归、线性回归与防止过拟合）、逻辑回归（逻辑回归、逻辑回归扩展）、决策树（决策树的结构、决策树的构建过程）、支持向量机（线性支持向量机、非线性支持向量机）、K最邻近算法、朴素贝叶斯、无监督学习（K-means、层次聚类）
4.4 机器学习的发展与应用
机器学习的发展历史、机器学习的五大流派、机器学习的研究方向、典型应用
第5章 人工神经网络
5.1 生物学动因
概述、生物神经元、生物神经系统、生物神经网络的特性、与人工神经网络的映射、讨论：生物神经元其它成分对生物神经系统的影响
5.2 人工神经网络基本原理
人工神经网络概述（什么是人工神经网络？、人工神经网络的发展历程、人工神经网络的特点、人工神经网络的学习能力）、人工神经元模型（什么是人工神经元？、人工神经元模型、激励函数、常见神经元模型）
人工神经网络结构（什么是人工神经网络？、人工神经网络基本特性、人工神经网络的类型、人工神经网络的网络结构、人工神经网络的学习算法）
5.3 几种常见的人工神经网络
感知器（感知器工作原理、感知器的主要问题：XOR问题）、反向传播神经网络（BP的由来、BP网络的学习过程、BP算法、例：数字识别、例：用反向传播算法解决奇偶性问题、讨论：BP算法的改进、单层感知器与多层感知器的区别、多层感知器与反向传播算法的关联）、其它神经网络
5.4 构建人工神经网络的策略
如何准确定义输入？、如何选择激活函数？、如何确定神经网络隐层的个数？、如何确定神经元个数？
5.5 人工神经网络的应用
例：神经网络看到猫
讨论：Hopfield神经网络在现代深度学习中的作用与影响
实践：自己动手搭建一个人工神经网络
第6章 深度学习与大模型
6.1 深度学习概述
什么是深度学习？、深度学习工作原理、深度学习技术发展、深度学习应用领域（图像处理、语音识别、自然语言处理）、深度学习面临的挑战
6.2 深度学习模型
深度学习模型概述、卷积神经网络（CNN）（CNN核心思想、CNN工作原理、CNN架构（卷积层、池化层、全连接层）、几种典型的CNN（LeNet-5、AlexNet、Inception网络、残差网络）、CNN应用）、循环神经网络（RNN）（什么是RNN？、为什么需要RNN？、RNN技术发展、RNN核心思想、RNN架构、RNN类型、RNN算法、RNN主要问题、RNN应用）、生成对抗网络（GANs）（什么是GANs？、GANs工作原理、GANs训练过程、GANs基本模型、GANs算法、GANs的改进、深度卷积生成对抗网络（DCGANs）、GANs应用（向量空间运算、文本转图像、生成有趣的GANs图像））
实践1：用卷积神经网络实现手写数字识别
实践2：动手实现神经风格迁移
6.3 网络优化与正则化
网络优化与正则化概述、网络优化（AdaGrad、Adam）、逐层归一化（BatchNorm、LayerNorm）、网络正则化（Dropout正则化、数据增强）
6.4 大模型
大模型概述（大模型的定义与特点、与传统深度学习的不同、在自然语言处理中的优势）、大模型与预训练技术（GPT的原理与应用、BERT的原理与应用、预训练与微调的训练方法）、Transformer与注意力机制（Transformer架构的原理、注意力机制的作用）、多模态学习（多模态学习概述、CLIP解析、DALL・E解析）、例：DeepSeek语言模型（背景与概述、模型架构与特点、训练方式与数据、与其它大模型的对比）
实践：大模型提示工程（Prompt Engineering）
第7章 深度强化学习
7.1 强化学习概述
什么是强化学习？、为什么需要强化学习？、与监督学习、非监督学习的区别
7.2 强化学习基本原理
强化学习基本组成、强化学习工作原理、强化学习训练过程、强化学习设计需要考虑的问题（奖励设计、探索与利用平衡等）、深度强化学习
7.3 深度强化学习算法
强化学习算法分类（基于价值的、基于策略的、Actor-Critic等）、Q-Learning算法、深度Q网络（DQN）、Actor-Critic
讨论1：如何改进深度强化学习算法、讨论2：Exploration-Exploitation问题
7.4 深度强化学习的应用
百度萝卜快跑自动驾驶技术分析
实践：Q-Learning强化学习算法的实现
第8章 逻辑推理
8.1 逻辑推理概述
逻辑推理与知识驱动方法、学习驱动方法的关系
8.2 确定性推理
规则演绎系统、形式化推理与自动推理
8.3 不确定性推理
概率推理、贝叶斯推理、证据理论、因果推理
8.4 模糊推理
模糊集合及其运算、模糊矩阵及其运算、模糊关系及其合成、模糊逻辑及其推理、模糊系统研究范畴
8.5 基于知识图谱的推理
8.6 基于神经网络的推理
第9章 计算智能
9.1 计算智能概述
计算智能的基本概念与技术、计算智能与传统人工智能的区别
9.2 遗传算法
遗传算法概述、遗传算法基本机理、遗传算法求解步骤、遗传算法求解举例、遗传算法最新应用（优化问题、工程设计）
9.3 人工免疫算法
人工智能中的仿生技术、生物免疫系统、人工免疫系统、人工免疫算法、人工免疫算法在异常检测中的应用
9.4 群体智能
群体智能研究背景、生物群体运动模型、群智能基本算法（蚁群算法、粒子群算法）、从群智能到群体智能，群体智能算法应用（路径规划、资源分配）
9.5 多智能系统应用
多智能体系统的定义与特点、多智能体系统的基本组成、多智能体系统通信、多智能体系统协作与博弈、AI Agents
实践1：粒子群算法(PSO)的Python实现
实践2：OpenAI开源多智能体框架Swarm
第10章 人工智能应用开发
10.1 人工智能应用开发概述
人工智能应用开发面临的挑战、与传统软件应用开发的对比
10.2 人工智能应用开发流程
人工智能应用开发全流程、数据准备与清洗、模型选择与开发、模型训练与优化、应用部署与维护
10.3 人工智能开发框架
人工智能开发框架概述、常见开发框架（TensorFlow、Pytorch、PaddlePaddle、MindSpore）、框架的比较与选择
实践：TensorFlow、Pytorch的安装与使用
1.1 什么是人工智能？
智能的定义、人工智能的定义（智能机器、学科、能力、智能体）、人工智能分类（弱人工智能、通用人工智能、超人工智能）
1.2 人工智能发展简史
达特茅斯会议（Dartmouth）、人工智能重要历史事件与里程碑、人工智能主要学派（符号主义、联结主义、行为主义）
1.3 人类智能与人工智能
人类认知过程的基本任务、计算机模拟人类认知（冯·诺依曼体系结构、神经网络计算机、量子计算机）、图灵测试及其演化（图灵测试、现代图灵测试、ChatGPT、DeepSeek等对图灵测试的影响）
1.4 人工智能的研究与技术
人工智能研究的知识体系、人工智能的核心能力（搜索、学习、推理、决策）、人工智能研究的核心方法（基于知识的智能方法、基于学习的智能方法、基于推理的智能方法、基于仿生的智能方法）、人工智能的技术架构、人工智能的技术特征
1.5 人工智能的前沿应用
自然语言处理、计算机视觉、自动驾驶、机器人、多智能体系统
1.6 人工智能发展与未来趋势
新一代人工智能技术（深度学习技术与深度学习芯片、类脑学习算法、脑机接口、大模型与生成式AI）、讨论：人工智能是否会取代人类？
1.7 人工智能伦理与社会影响
什么是人工智能伦理？、人工智能的社会影响、人工智能中的主要伦理问题（算法偏见、隐私问题、责任归属）、人工智能伦理问题解决方案
第2章 知识表示与知识图谱
2.1 知识表示方法
知识与知识表示、经典知识表示方法、状态空间法、问题归约法、谓词逻辑法、语义网络法、知识图谱法
2.2 知识图谱
知识图谱概述、知识图谱表示方法、知识图谱构建方法、知识图谱质量评估、知识图谱应用
实践：知识图谱构建及其应用
第3章 问题求解与搜索策略
3.1 搜索问题的定义
从现实问题到搜索问题的抽象、搜索的定义、搜索求解方法分类
3.2 图搜索与启发式方法
图搜索基础、盲目搜索（BFS/DFS、等代价搜索）、启发式搜索（A*算法、AO*算法）
3.3 随机搜索与优化策略
随机搜索概述、随机搜索策略（爬山算法、模拟退火算法）
3.4 博弈搜索与对抗决策
博弈论基础（背景-人机大战、博弈与对策、纳什均衡、多智能体交互建模）、经典博弈算法（极小极大搜索算法、Alpha-Beta剪枝算法、蒙特卡洛树搜索算法）、多智能体博弈（星际争霸AlphaStar）、博弈搜索应用（AlphaGo/AlphaZero/MuZero）
第4章 机器学习
4.1 什么是机器学习？
人类的“学习”、机器学习的定义、机器学习研究的主要问题、与传统基于规则的方法区别
4.2 机器学习工作原理
机器学习的任务类型（分类、回归、聚类）、机器学习的学习范式（监督学习、无监督学习、半监督学习以及强化学习）、机器学习的开发流程
4.3 机器学习常用算法
机器学习中的“学习算法”、机器学习常用算法、线性回归（线性回归、多项式回归、线性回归与防止过拟合）、逻辑回归（逻辑回归、逻辑回归扩展）、决策树（决策树的结构、决策树的构建过程）、支持向量机（线性支持向量机、非线性支持向量机）、K最邻近算法、朴素贝叶斯、无监督学习（K-means、层次聚类）
4.4 机器学习的发展与应用
机器学习的发展历史、机器学习的五大流派、机器学习的研究方向、典型应用
第5章 人工神经网络
5.1 生物学动因
概述、生物神经元、生物神经系统、生物神经网络的特性、与人工神经网络的映射、讨论：生物神经元其它成分对生物神经系统的影响
5.2 人工神经网络基本原理
人工神经网络概述（什么是人工神经网络？、人工神经网络的发展历程、人工神经网络的特点、人工神经网络的学习能力）、人工神经元模型（什么是人工神经元？、人工神经元模型、激励函数、常见神经元模型）
人工神经网络结构（什么是人工神经网络？、人工神经网络基本特性、人工神经网络的类型、人工神经网络的网络结构、人工神经网络的学习算法）
5.3 几种常见的人工神经网络
感知器（感知器工作原理、感知器的主要问题：XOR问题）、反向传播神经网络（BP的由来、BP网络的学习过程、BP算法、例：数字识别、例：用反向传播算法解决奇偶性问题、讨论：BP算法的改进、单层感知器与多层感知器的区别、多层感知器与反向传播算法的关联）、其它神经网络
5.4 构建人工神经网络的策略
如何准确定义输入？、如何选择激活函数？、如何确定神经网络隐层的个数？、如何确定神经元个数？
5.5 人工神经网络的应用
例：神经网络看到猫
讨论：Hopfield神经网络在现代深度学习中的作用与影响
实践：自己动手搭建一个人工神经网络
第6章 深度学习与大模型
6.1 深度学习概述
什么是深度学习？、深度学习工作原理、深度学习技术发展、深度学习应用领域（图像处理、语音识别、自然语言处理）、深度学习面临的挑战
6.2 深度学习模型
深度学习模型概述、卷积神经网络（CNN）（CNN核心思想、CNN工作原理、CNN架构（卷积层、池化层、全连接层）、几种典型的CNN（LeNet-5、AlexNet、Inception网络、残差网络）、CNN应用）、循环神经网络（RNN）（什么是RNN？、为什么需要RNN？、RNN技术发展、RNN核心思想、RNN架构、RNN类型、RNN算法、RNN主要问题、RNN应用）、生成对抗网络（GANs）（什么是GANs？、GANs工作原理、GANs训练过程、GANs基本模型、GANs算法、GANs的改进、深度卷积生成对抗网络（DCGANs）、GANs应用（向量空间运算、文本转图像、生成有趣的GANs图像））
实践1：用卷积神经网络实现手写数字识别
实践2：动手实现神经风格迁移
6.3 网络优化与正则化
网络优化与正则化概述、网络优化（AdaGrad、Adam）、逐层归一化（BatchNorm、LayerNorm）、网络正则化（Dropout正则化、数据增强）
6.4 大模型
大模型概述（大模型的定义与特点、与传统深度学习的不同、在自然语言处理中的优势）、大模型与预训练技术（GPT的原理与应用、BERT的原理与应用、预训练与微调的训练方法）、Transformer与注意力机制（Transformer架构的原理、注意力机制的作用）、多模态学习（多模态学习概述、CLIP解析、DALL・E解析）、例：DeepSeek语言模型（背景与概述、模型架构与特点、训练方式与数据、与其它大模型的对比）
实践：大模型提示工程（Prompt Engineering）
第7章 深度强化学习
7.1 强化学习概述
什么是强化学习？、为什么需要强化学习？、与监督学习、非监督学习的区别
7.2 强化学习基本原理
强化学习基本组成、强化学习工作原理、强化学习训练过程、强化学习设计需要考虑的问题（奖励设计、探索与利用平衡等）、深度强化学习
7.3 深度强化学习算法
强化学习算法分类（基于价值的、基于策略的、Actor-Critic等）、Q-Learning算法、深度Q网络（DQN）、Actor-Critic
讨论1：如何改进深度强化学习算法、讨论2：Exploration-Exploitation问题
7.4 深度强化学习的应用
百度萝卜快跑自动驾驶技术分析
实践：Q-Learning强化学习算法的实现
第8章 逻辑推理
8.1 逻辑推理概述
逻辑推理与知识驱动方法、学习驱动方法的关系
8.2 确定性推理
规则演绎系统、形式化推理与自动推理
8.3 不确定性推理
概率推理、贝叶斯推理、证据理论、因果推理
8.4 模糊推理
模糊集合及其运算、模糊矩阵及其运算、模糊关系及其合成、模糊逻辑及其推理、模糊系统研究范畴
8.5 基于知识图谱的推理
8.6 基于神经网络的推理
第9章 计算智能
9.1 计算智能概述
计算智能的基本概念与技术、计算智能与传统人工智能的区别
9.2 遗传算法
遗传算法概述、遗传算法基本机理、遗传算法求解步骤、遗传算法求解举例、遗传算法最新应用（优化问题、工程设计）
9.3 人工免疫算法
人工智能中的仿生技术、生物免疫系统、人工免疫系统、人工免疫算法、人工免疫算法在异常检测中的应用
9.4 群体智能
群体智能研究背景、生物群体运动模型、群智能基本算法（蚁群算法、粒子群算法）、从群智能到群体智能，群体智能算法应用（路径规划、资源分配）
9.5 多智能系统应用
多智能体系统的定义与特点、多智能体系统的基本组成、多智能体系统通信、多智能体系统协作与博弈、AI Agents
实践1：粒子群算法(PSO)的Python实现
实践2：OpenAI开源多智能体框架Swarm
第10章 人工智能应用开发
10.1 人工智能应用开发概述
人工智能应用开发面临的挑战、与传统软件应用开发的对比
10.2 人工智能应用开发流程
人工智能应用开发全流程、数据准备与清洗、模型选择与开发、模型训练与优化、应用部署与维护
10.3 人工智能开发框架
人工智能开发框架概述、常见开发框架（TensorFlow、Pytorch、PaddlePaddle、MindSpore）、框架的比较与选择
实践：TensorFlow、Pytorch的安装与使用