人工智能导论论文范文
时间：2023-02-21 21:34:05
人工智能导论论文范文第1篇
关键词：人工智能；教学内容；教学方法
中图分类号：G642 文献标识码：A
1 引言
人工智能(AI)是二十世纪五十年代后期兴起的利用计算机模拟人类智能活动去求解问题的学科，与空间技术、原子能技术一起被誉为二十世纪三大科学技术成就，目前广泛应用于专家系统、机器翻译、语音识别、文字识别、计算机视觉、机器人、电子游戏等方面，已经成为计算机技术发展以及许多高新技术产品中的核心技术。
为了适应人工智能技术日益广泛的需要，国内外高校普遍开设了“人工智能”方面的课程，特别是作为计算机方面专业的核心课程之一。我校自从1993年开始为自动化专业本科生开设“智能控制”选修课，1996年为自动化、计算机、机械等专业本科生开设“人工智能导论”、“人工智能及其应用”课程。目前，我校软件学院、信息学院、机电学院都开设了“人工智能导论”课程，已经成为计算机科学与技术、软件工程、数字媒体技术、自动化、机械制造与自动化等许多专业本科生的一门重要的技术基础课程，也是面向包括人文社科等全校所有专业的公选课之一，其目的是使学生了解人工智能的基本概念和基本原理，初步学习和掌握人工智能的基本技术和前沿内容，拓宽知识面，启发思路，为学生提供最基本的人工智能技术和有关问题的入门性知识，提高学生应用开发软件的能力和水平，为今后在相关领域的研究和应用奠定更为坚实的基础。因此，建设好“人工智能导论”课程具有重要意义和很广的受益面。
由于人工智能是交叉学科，涉及面广、内容抽象、不易理解，学生往往有望而生畏的感觉，在教学过程中，老师教、学生学都比较吃力。为了更好地实现上述教学目标，提高本课程的教学质量，协调好教与学的双边关系，使学生由望而生畏的感觉，变为有用有趣的感觉，根据已有人工智能课程在教学与实践方面的经验和方法，结合“人工智能导论”课程的近几年教学实践，对课程的教学体系、教学内容、教学方法、教学手段、考核方式等方面进行了探索总结。
2 调整与优化教学体系和教学内容
“人工智能导论”是计算机科学与技术、软件工程、数字媒体技术、自动化、机械制造与自动化等许多专业本科生的一门重要的技术基础课程，也是面向包括人文社科等全校所有专业的公选课之一，其研究领域及内容十分丰富，涉及的基础面广。因此如何选好教学内容，既能使学生了解本领域的概貌，又能适合学生的基础，便于他们在有限的时间完成学习任务，是一件重要而又困难的事情。
进入21世纪以来，人工智能学科又有了新的发展。为了及时反映人工智能研究和学科的最新进展，我们修订了“人工智能导论”的教学大纲，对教学内容进一步优化和更新，极大充实了各个系统的内容。我们确定的教学内容主要分为三部分：第1部分为概论，介绍人工智能的基本概念、基本内容、主要研究领域及发展过程；第2部分是知识表示，推理和搜索技术，讨论几种常用的知识表示方法、推理技术(包括确定性推理方法和不确定推理方法)和搜索求解策略；第3部分是人工智能应用研究领域，包括专家系统、自然语言理解、机器学习、人工神经网络、遗传算法等的基本概念和方法等。其中第2部分是基础理论，是人工智能的重要基础，应该循序学习。第3部分是人工智能的应用，由于每个研究内容都相对独立、自成体系且有其专门的学术著作研究、热点，因此针对高等院校的本专科生来说，不必循序学习，而且结合专业特点可以选择其中几个研究领域。例如对自动化专业的学生来说，可以选择专家系统、人工神经网络、遗传算法等，同时可增加在自动控制领域的应用，包括专家控制、神经网络控制和进化控制等热点：而对计算机科学与技术专业来说，可以选择专家系统、自然语言理解、机器学习等，并辅以动物识别系统、语音识别系统、智能机器人等实例。总之就是要把握课程性质和教学目的，调整本课程教学体系，优化教学内容，让学生以有限的时间学到人工智能的基础知识和基本方法。
另外，在选择和确定教学内容时必须兼顾基础知识和新兴技术，注意与相关课程(如离散数学、数据结构、概率论、自动控制原理、Matlab系统仿真、面向对象的编程技术等)的链接，密切理论与实际的关系，通过课堂讲授和课外训练，注意学生能力培养，提高他们的学习效果和整体素质。
3 加强课程立体化建设和系列教材研究
在课程的立体化建设中，教材充当了地基的角色，所有的课程内容安排，无不体现出以教材为基本，以教材为模板。所以本着基础、实用的原则，我们先后编著出版了《人工智能及其应用》课程教材导论部分概括性强，引人入胜；基础部分系统全面，叙述深入浅出，循序渐进；应用部分密切理论与实际关系，典型形象。其中第二版在第一版的基础上，增加了证据理论、模糊推理、神经网络等理论的一些典型应用，使学生能够更深入地理解和应用这些理论；另一方面，又新增了自然语言理解及其应用内容，以适应目前计算机翻译、人机自然语言交互等技术日益广泛应用的需要。系列教材适应了人工智能导论新课程开设的需要，反映了人工智能学科的发展，为人工智能课程确立了基本框架，发挥了重要作用。系列教材的问世不仅解决了本校“人工智能导论”课程教学用书的问题，而且也被各兄弟院校普遍采用，促进了该课程的普遍开设，推动人工智能学科的发展。
为了配合教材第二版的教学和自学，在已有教学经验和教学成果积累的基础上，制作了高质量的教学课件和完整的教学视频录像，并刻录成光盘随书供读者使用；同时又研究与开发了网络课程(http：//)，以更好地调动学生的学习兴趣和主动性，促进本课程的教学改革。
包括主教材、电子教案、教学视频录像、网络课程及教学资料库等在内的课程立体化建设符合二十一世纪高校教学的要求，支持教师提高教学手段现代化的水平，更贴合学生的学习需求。
4 改革与创新教学模式和教学方法
在“人工智能导论”课程教学的过程中，我们积极探索教学新路，经过数年辛勤试验，结合蔡自兴教授等对人工智能课程的建设经验，对课程的教学模式和教学方法进行了如下一些的改革与创新。
(1)通过多种途径激发学生的学习兴趣
“兴趣是最好的老师”，“人工智能导论”课程的学习效果，直接受到学生兴趣和参与意识的影响。由于这是一门导论性前沿课程，一般来说，学生开始学习兴趣很大。但是，当一些学生开始接触到抽象概念和算法时，往往感到不易接受。我们通过各种途径和方法，激发和培养学生的学习兴趣。例如，鼓励学生参与课堂讨 论、布置读书报告和课外实验、以问题为导向的启发式教学、专题讨论／辩论等形式。特别，我们精心组织和准备了模糊控制技术及其应用、智能机器人技术与应用、智能交通、BCI(脑机交互接口)等专题，以及智能调度软件、语音识别系统、动物识别系统、足球机器人比赛、机器人轨迹跟踪、倒立摆的智能控制等课内演示，使学生扩大了眼界，增加了感性知识，达到提高学生学习兴趣的目的与效果。
(2)面向问题的启发式教学
人工智能中的许多问题，有的似是而非，有的引人入胜。在教学中，有意识的提出相关问题，提请学生思考，鼓励学生提出自己的猜想和解决方案。然后逐步进入教材中的解决方案，启发学生求解这些问题，并进行分析和比较，从而强化了学生学习的主动意识和参与意识，提高了学生的学习积极性。例如，在讲到比较抽象的“遗传算法”时，提出“遗传算法如何用于优化计算?”这一问题。针对该问题，先从“达尔文的生物进化论”入手，讨论“遗传”、“变异”和“选择”作用；然后通过一个简单的例子，从特殊到一般地启发学生思考“遗传”、“变异”和“选择”的实现，最终让学生与教师一起导出遗传算法用于优化计算的基本步骤。这样，学生不但从中学习了遗传算法，而且得到一次逻辑思维的训练，取得很好的教学效果。
(3)课堂辩论与交互式教学
组织课堂辩论，讨论的议题包括人工智能的应用前景和其他比较等有争议的问题。学生对这些问题展开了激烈的争论，激发了学习潜能，明确了学习目标。例如，为了加深学生对智能机器人内涵的理解，我们组织了“机器智能能否超过人类智能”的辩论会。会前正反双方结合本课程内容及其相关知识，认真进行准备；辩论会上正反双方唇枪舌战，激烈争辩，气氛热烈。辩论后，学生余意未尽，讨论热情不减。无论是哪一方获胜，都达到了预期的效果。教学中我们还注意采用了多种交互式策略，如课堂上教师提问可鼓励或指定学生提问，也可由学生自由地就某个知识点进行主题发言后老师点评等。
(4)个性化学习与因材施教
在本课程教学过程中注意对学生因材施教和个性化教学。例如，通过组织学生进行读书报告的形式，鼓励学生从多方面、多角度考虑问题，多提新颖思想，有意识地鼓励优秀学生探讨比较深层的内容，并辅导优秀学生将其成果以科技论文和发表文章的形式转化为成果。又如，在教学设计和实验设计中，注意要求学习有余力和兴趣的学生选作部分探索性、创新性的功课和实验(选学内容，如模糊控制器的设计、进化控制等)，从而引导学生发挥个性优势，达到因材施教的目的。同时注意分析学习较差的学生的具体困难，进行有针对性的指导。
(5)多媒体与网络教学的使用
本课程在PPT演示文稿和网络课程上，采用了大量的多媒体表现形式，如视频、动画、声音和图像等。目的在于使得人工智能抽象的知识形象化，便于学生理解。例如，课内让学生在线观看涂晓媛博士的计算机动画“人工鱼”的录像片段、人工生命Floy中生命智能体在环境中不断的适应进化构成演示等，有助于加深学生对所学知识的理解，促进教学水平的提高，激发了学生对课程的兴趣，使学生创新意识得到增强。此外，随教材附赠的教学光盘和开发的网络课程(http：//)提供了学生课外自学用的高质量的电子课件、完整的教学视频录像、丰富的实验和案例资料等，以更好地调动学生的学习兴趣和主动性。
(7)理论与实践结合
在教学内容安排上，注意理论联系实际，适时布置一些人工智能实验给学生进行课外练习。设计的课外实验包括产生式系统实验，归结反演实验，主观Bayes推理网络实验，A搜索实验，以及基于Maltab工具箱的模糊控制位置跟踪系统、两车追赶模糊控制系统、神经网络模式识别仿真、遗传算法优化计算等实验。通过实践和参与，保持学习兴趣，有助于学生对人工智能基本概念和难点的理解，掌握基本方法和技术，为从事智能系统应用开发打下基础，从而达到教学目的。例如，我们组织学生参观我们的研究生综合自动化实验室，观看机器人臂取物、倒立摆控制、语音识别软件、指纹识别软件、智能调度软件等演示，密切理论与实际的关系。
我们在教学改革实践中探索的这些教学方法，有利于充分激励学生的学习积极性和主动性，有利于鼓励学生发挥独立思考和创新思维，有利于多方位培养学生学习发现问题、分析问题和解决问题的能力。
5 运用多样化的教学手段和考核方式
5.1 多样化的教学手段
采用现代信息技术进行教学，构筑“人工智能导论”课程的现代教学模式，是本课程的主要特点之一。教学过程中采用了多媒体教学课件和网络课程相结合的方法，充分利用多媒体的丰富表现形式，利用网络课程的交互性、情景化等，进行教学。采用的方法包括：
(1)抽象知识内容的多媒体表示
通过动画和视频来演示抽象的概念、算法和过程，包括机器人轨迹跟踪、机器人臂取物、足球机器人比赛、倒立摆控制、“人工鱼”等录像片段，以及智能调度软件、语音识别系统、指纹识别系统、动物识别系统等软件演示。
(2)通过PPT撰写教案
精心编制PPT，组织好课件内容，做到图文并茂，提纲挈领，便于学生理解，便于教师讲授。
(3)开发与应用网络课程
“人工智能导论”网络课程较好的实现了交互性、在一定程度上实现了学习过程的情景化。在交互性方面，通过网络课程的课堂练习和章节练习，评价学生的学习情况，并给学生提出学习建议。在情景化方面，采用了在线答疑形式，使得学习过程丰富有趣。
(4)先进实验系统的观摩与演示
利用我们的研究成果等有利条件，有针对性地对学生进行成果演示(包括智能调度软件、语音识别系统、指纹识别系统、动物识别系统等软件)，使学生知道学了有用，而且很有用，很有趣，很有意义，从而进一步诱导学生的学习兴趣，巩固了课堂所学知识，提高了教学质量。
教学效果通过上述先进的现代信息技术的应用，不仅极大地提高了学生的学习兴趣和主动性，而且也取得很好的实际教学效果，提高教学质量。
5.2 作业、考试等教改举措
(1)改革作业方式与方法
改变过去那种单纯的书面习题作业，发展成为必须交给教师评阅的书面家庭作业、不必交给教师的课外思考题目、口头布置的思考题或阅读材料以及大型作业等。其中上交作业通过网络进行，教师批阅后的作业也通过网络返回给学生，实现了作业呈交和返回的网络化。
(2)改革考试方式与方法
如何对本课程的考试方式进行改革一直是我们探索的问题。我们综合考虑课堂出勤情况(10％)、平时正式作业成绩(20％)和期末课程考试(70％)，进行综合评分。期末考试有时采用综合试题考试，出几个大题目让学生选择其中几个进行开卷笔试，当面交卷后评分；有时采用课外开卷论文结合或口试面试。最近，我们还对部分学生结合实验或实际问题提问等进行考核。我们正进一步改革、试验和探索，使考试成为衡量与培养创新能力，促进学生学习主动性和提高课程教学质量的重要环节。
6 结束语
人工智能导论论文范文第2篇
关键词：人工智能；作业；博弈
现在很多课程都设置了大作业，这对学生深入理解课程内容，提高求解问题的能力以及调动学生学习的积极性有很大的帮助。多年来，我们在人工智能导论课上一直设有大作业，受到了同学们较好的评价。下面就如何设置大作业问题，谈一点我们的体会，与各位同行进行交流[1-2]。
1大作业应具备的条件
在以往的教学实践中，我们曾经选择过不同类型的题目作为大作业，比如五子棋程序、基于拼音的整句输入法、基于归结的问题回答系统等。这些题目虽然也起到了很好的效果，但存在着一些不足。比如五子棋程序，如果采用一般的简单规则，则存在先手必胜的策略，而正式比赛规则又过于复杂；而且五子棋是一个比较大众的游戏，有的同学下棋水平比较高，而有的同学则不熟悉，这样大家不在同一个起点上，对于不熟悉的同学存在着不公平。基于拼音的整句输入法、基于归结的问题回答系统等，则缺乏趣味性，少了同学之间的“竞争”，不利于调动同学们学习的积极性。
经过思考，我们认为一个好的大作业，应该具备以下几个条件：
1) 与课程学习内容紧密结合。
2) 趣味性强，能调动同学们学习的积极性。
3) 背景知识简单易懂，以便让学生集中在与课程有关的内容中，而不是把大量的精力花费在背景知识上。
4) 规模适中，不需要花费大量精力处理诸如程序的存储空间问题等。
5) 尽可能对所有同学都是公平的，不存在部分同学熟悉，部分同学不熟悉的情况。
经过认真的总结和思考，最终我们选择了四子棋作为大作业的题目，并对传统的四子棋规则加以改良，使其尽可能地符合上述基本条件。大作业的最终要求是，用程序实现一个四子棋程序，并通过比赛的方式评判大作业的成绩。
2为什么选择四子棋
在说明我们为什么选择四子棋作为大作业之前，首先我们介绍一下什么是四子棋。图1是一个四子棋的棋盘，由M行N列组成。游戏双方分别持不同颜色的棋子，设A持白子，B持黑子，以某一方为先手依次落子。假设为A为先手，落子规则如下：在M行N列的棋盘中，棋手每次只能在每一列当前的最底部落子，如图中的红点处所示，如果某一列已经落满，则不能在该列中落子。棋手的目标是在横向、纵向、两个斜向共四个方向中的任意一个方向上，使自己的棋子连成四个(或四个以上)，并阻止对方达到同样的企图。先形成四连子的一方获胜，如果直到棋盘落满双方都没能达到目标，则为平局。
那么，我们为什么选择四子棋作为大作业题目呢？
首先，四子棋规则简单，几句话就能说明其比赛规则；其次，四子棋的规模适中，每一步的可落子点不多；第三，四子棋是一个博弈类的游戏，趣味性强；第四，可以用博弈树搜索等方法求解，与课程内容联系密切；第五，四子棋虽然简单，但是几乎所有同学以前都没有遇到过，所以对大家都是公平的。这些都能很好地满足我们前面提到的大作业应具备的几个条件。
3对四子棋的改进
为了更好地适应大作业的要求，我们对传统的四子棋游戏规则做了一些扩展，以更利于程序求解，避免存在必胜策略，使得同学们集中在求解策略的设计上。改进的目的一是为了更好地体现算法的作用，二是尽可能减少人为的必胜策略的影响。为此，我们对传统的四子棋规则做了如下的改进。
1) 棋盘大小不固定，双方博弈时，在一定的范围内，随机地产生棋盘的大小。
2) 随机地增加一些不可落子点。
比如在图2所示的棋盘中，“红叉”点就是一个不可落子点。当“红叉”点的下面落满了棋子时，只能在“红叉”点的上面落子，而不能在“红叉”点出落子。
对四子棋这样的两点改进，主要是为了避免静态的必胜策略的使用，引导大家更多的关注动态策略的使用，根据当前局势，实时地计算最佳的落子策略。
图2不可落子点的说明
4大作业评判规则
如何评判大作业的成绩对学生会起到一定的引导作用，为此我们提出了“赛会制”和“探索制”两种评判机制。
所谓的赛会制，就是建立一个比赛平台，所有同学的程序提交到平台上，按照以下规则参加比赛。
1) 正确性验证。要求同学们针对四子棋问题实现一个α-β剪枝程序[3]，给定一些特定的节点，判断剪枝是否正确。通过正确性验证者获得基本分。
2) 全体同学采用大循环的方式进行比赛，任何两个程序之间进行两局比赛，先手后手各赛一局。
3) 要求5秒内必须完成一次走步。
4) 胜者获得2分，负者获得0分。
5) 平局时，用时少者获得1+x分，用时多者获得1-x分。
6) 按照获得的总分数进行排名。
7) 要求就大作业内容写一篇小论文，根据排名和论文情况给出总成绩。
为了鼓励同学创新，探索新的方法，除了“赛会制”外，我们还设立了一个“探索制”供学生选择。选择探索制的同学，要求在方法上有所创新。比如采用机器学习的方法，寻找评判局面优劣的方法、权重系数等。要求写出一篇论文，对所用方法进行介绍，对不同方法进行比较，通过实验等验证方法的可行性和有效性。选择探索制的同学，虽然也参加比赛，但是最终成绩主要体现在论文的完整性和水平上，不看具体的成绩排名。这样就可以使得学生有更多的发挥空间，对于一些优秀的同学比较有吸引力。
5结果分析
在先期少数同学实验的基础上，我们从2010年开始全面在人工智能导论课上实施四子棋大作业，共有160名同学选择了“赛会制”的方式完成了四子棋大作业。为了验证该大作业的合理性，我们对大作业总体情况做了一个简单的分析，结果如下：
1) 全部同学都通过了正确性测试。这是因为我们事先给出了一些测试样例用于学生自测，通过了这些样例后再提交基本就没有问题了。通过对部分同学的调查，也确实发现一些同学在做正确性测试之前，对α-β剪枝算法理解有误，通过写程序并测试程序的正确性发现了理解上的问题。这也可以看出正确性验证在这里的重要性。
2) 全部160个学生的程序中，无一人全胜，也无一人全败，即便是总成绩第一名也失败了22局，而最后一名也取得了18局的胜利。
3) 平局数很少，在全部比赛中，只有176局平局，仅占全部比赛的0.69%，平均人均平局数为1.1局，平局数少也是我们希望看到的结果。
4) 先手后手胜负比较均衡，经统计，先手胜与后手胜的局数之比为10:9，虽然后手稍微劣势一点，但总的来说变化不大，再加上任何两组程序都是先手后手各赛一次，总体上可以消除先手后手所带来的影响。
通过以上分析，以四子棋作为人工智能导论课的大作业是可行的、合理的，尤其是经过了改良之后的四子棋，在各个方面都是很均衡的，适合作为大作业使用。
6结语
以四子棋作为大作业，是我们对人工智能导论课的一次尝试，通过各方面的分析可知，这次尝试是成功的，有利于提高学生学习人工智能课程的兴趣，并将所学内容应用于解决实际问题之中。在做大作业的过程中，同学们阅读了大量的论文，对有关博弈问题，甚至是人工智能问题有了更加深入的思考和理解，从中学到了很多课本上学不到的知识。在今后的教学实践中，我们将进一步总结经验，改进大作业的设置，进一步提高人工智能课程的教学水平。
参考文献：
[1] 吴文虎. 精心铸精品 理念须先行[J]. 计算机教育,2008(13):46-49.
[2] 张彦航,孙大烈,战德臣. 通过大作业促进大学计算机基础课程教学[J]. 计算机教育,2007(7):24-26.
[3] 马少平,朱小燕. 人工智能[M]. 北京:清华大学出版社,2004.
[4] 应宏,刘福明,熊江,等. 计算机课程作业改革的实践探索[J]. 计算机教育,2009(2):47-48.
Exploration on Project Design in Introduction to Artificial Intelligence
HUANG Yu1, MA Shaoping2
(1.School of Computer and Information Technology, Beijing Jiaotong University, Beijing 100044, China; 2.Department of Computer Science and Technology, Tsinghua University, Beijing 100084, China)
Abstract: Course project helps a lot for the students to understand the knowledge thoroughly, and to improve their capability of problem solving, algorithm design and system implementation. Based on the teaching experience on related courses for many years, this paper explores the project design for the course of introduction to Artificial Intelligence (AI), and proposes several essential prerequisites to set up a course project. Siziqi, which is a similar but simpler chess game to Gobang, is designed as the course project with specified reasons and evaluation rules. Observations and analyses are further made on the students’ solutions, which show that it is feasible to take Siziqi as a project for AI.
人工智能导论论文范文第3篇
>> 引入深度学习的人工智能类课程 中西合璧的人工智能课程双语教学模式 可调戏的人工智能 生活中的人工智能 不断超越的人工智能 逐渐靠近的人工智能 正在落地的人工智能 2035年的人工智能 航天类专业“人工智能”课程的教学探索 林业院校人工智能课程教学的思考 人工智能导论课程的兴趣教学法 人工智能概论课程的教学思考 “人工智能”课程教学的实践与探索 游戏开发应用中的“人工智能”课程教学方法探讨 人工智能的应用研究 人工智能的日常应用 人工智能的应用和发展 浅析电气自动化控制中的人工智能应用 分析继电保护中的人工智能技术及其应用 电气自动化控制中的人工智能应用分析 常见问题解答 当前所在位置：l)。在情境创设时,教师根据学生特点提出了多种应用需求,例如化妆品销售咨询等。学生利用该工具,兴趣盎然地开发了自己的小型专家系统,不仅理解了专家系统的特点、作用、运行方式等,还具有强烈的成就感。
2.2面向研究的情境创设
苏霍姆林斯基认为,研究型教学法应该充分体现学生的主体地位,激励、引导和帮助学生去主动发现问题、分析问题和解决问题,激发学生学习的内在兴趣和成就动机[4]。人工智能课程中包含了大量的前沿问题,研究型课题比比皆是,如何平衡这些研究课题与兴趣、实用的关系,是教学设计中重点考虑的内容。
下面以“规划”中的路径规划内容为例,详细分析以研究为导向的情境创设过程。表2给出了整个教学设计。
综合几次研究课题完成情况,班级中有1/3的学生通过广泛查阅资料和多次与教师讨论,提交了质量尚可的标准格式论文,并因此获得了学院的科研学分。除此之外,教师还组织这部分具备一定科研潜力的学生参加科研项目,进一步磨练科研技能,极大提高了学生的学习兴趣和能力。
3DBR驱动的教学过程
人工智能课程各单元内容相对独立,难以形成统一的联系,怎样验证各单元的学习效果?从提出问题到任务解决,每个单元的学习通常要跨越几节课甚至几周,怎样在此期间保持学生的兴趣和关注?
DBR是情境设计、实施、评价、再设计、理论形成等环节多次迭代循环的过程,柯林斯称之为“不断进步的修正”(Progressive Refinement),以检测设计的价值。因此,评价是教学过程中非常重要的一环。本课程教学主要做好两个环节,以驱动整个教学过程的推进。
1) 实践环节。
通常的实践环节是课程结束后固定时间的实际任务,而本课程的实践却贯穿整个教学过程,是单元教学、教师、学生之间的粘合剂。实践包括应用型实践和研究型实践,一般在每个单元教学开始,提出问题后,实践任务就被布置下去,例如前面所述的“黑白棋”、“路径规划算法研究”等。学生接受任务后,带着问题搜索解决途径,在此期间需要教师提供方法指导及答疑(既可固定时间,也可通过E-mail等形式)。及时地交流,特别是针对实际问题的交流,不仅有效率,而且便于教师及时调整教学设计。
2) 教学评价。
除了课程考核以外,每个教学单元结束时都有反馈和评价环节。评价方式包括单元测试、编写软件测试、研讨会等。具体采用何种形式,要根据前一阶段的反馈信息决定。这些来自学生反馈信息包括前一阶段学习的接受情况、兴趣点、其他课业繁忙情况等。在学期的不同时间点采用合适的评价方式,有助于加强学习刺激,总结和发现教学设计中的问题,及时调整。
通过上述两个环节的推动,精心设计的教学内容得以顺利实施并被学生欣然接受。2/3的学生在整个学期教学中都保持了积极的态度和充分的关注度,确实感受到人工智能的魅力,并能够从技术角度看待人工智能,消除了未学或初学时的神秘感。
4教学实施效果分析
1) 正效果分析。
中原工学院计算机学院作为普通工科院校,以培养实用型人才为主,人工智能并非主干课程,学生重视程度不足。两年来,经过教师与学生的共同努力,教学改革成果逐步体现。人工智能类学生人数从过去的5%上升到15%,科研论文数量从1%上升到20%。有20%的学生接触过或正在从事人工智能类项目的研究与开发,考研选择人工智能科目的学生比例从0上升到15%,考研成功人数占毕业生总人数的20%。
人工智能教学中采用的应用型与研究型情境创设,不仅促进了学生理解接受知识,而且锻炼提高了学生独立分析、解决问题及开发能力。学习也不再局限于课堂,而是拓展到图书馆、互联网等更广阔的空间。学生在学习期间保持了高度的关注,充分发挥了主动性和主体意识,为持续发展奠定了良好的基础。
2) 不足分析。
DBR的方法论能够促使教师在教学过程中不断完善教学设计,融合先进的教学理论及工具,逐步加深学习的理解和设计的提升,切实提高教学效果。然而,仍然存在一些DBR无法解决或完善的问题。具体表现在:
(1) 缺乏合适的教材。目前大多数教材的示例以解答式或推证式为主,设计型或实际项目案例较少。
(2) 投入时间限制。尽管上述教学设计和教学过程都经过精心准备与实施,但是要取得好的成效,还需要教师和学生都投入大量时间交流、研究或开发。而学生课业繁忙造成了实施的瓶颈。
这些不足制约了上述教学方法的实际实施效果,需要今后不断改进。
5小结
本文针对普通工科院校学生特点,将DBR研究成果应用于人工智能课程。教学效果表明,精心设计的应用型与研究型情境有助于维持学生长时间的关注度、主动性和兴趣;强调基于评价的修正使教学过程可调节,学生的学习效果更可靠。希望本文研究能够对人工智能教学及学生培养起到一定的参考作用,下一阶段的主要工作是进行适合的教材建设。
参考文献:
[1] 杨南昌. 基于设计的研究:正在兴起的学习研究新范式[J]. 中国电化教育,2007(5):6-10.
[2] 曾安,余永权,曾碧. 人工智能课程教学模式的探讨[J]. 江西教育学院学报:综合版,2006,27(6):40-43.
[3] 李鸣华. 案例教学法在高中人工智能课程中的运用研究[J]. 中国电化教育,2008(2):99-102.
[4] 杨种学. 研究型教学法在数据结构课程中的应用研究[J]. 计算机教育,2007(1):55-56.
DBR Utilized Teaching Method for Artificial Intelligence
WANG Lu, LU Xiao-xia
(School of Computer, Zhongyuan University of Technology, Zhengzhou 450007, China)
Abstract: A practical teaching method utilizing DBR is presented according to the characteristics of both Artificial Intelligence and ordinary college students. Two types of application and research environment are designed. Practice and evaluation are used to drive teaching process iteratively. The effect of teaching execution is analyzed. It’s shown that the method is effective.
人工智能导论论文范文第4篇
关键词：智能科学与技术；课程体系；培养管理
1背景
智能科学与技术是当前科学研究和工程实践的理论与技术发展的前沿领域，智能科学与技术专业是一个多学科交叉的跨应用领域专业Ⅲ。智能科学技术的发展将把整个信息科学技术推向“智能化”的高度，这正是当代科学技术发展的大趋势，对于这方面人才的需求也越来越迫切。智能科学与技术培养掌握坚实智能科学与技术基本理论和系统专门知识，具备作为工程师或领导者及公民的良好人文修养，具有从事科学研究、工程设计、教学工作或独立担负本专业技术工作能力，深入了解国内外智能科学与技术领域新技术和发展动向，能结合与本学科有关的实际问题进行创新研究或工程设计的高级专门人才。
高校应稳妥发展与完善智能科学与技术专业的本科生教育，夯实本科教育基础并积极创造条件，大力开展创新教学，努力培养学生的创新意识、创新精神和工程实践能力，使之成为具有系统技术基础理论、专业知识和基本技能，良好科研素质和较强创造能力的智能科学与技术工程师。
2教学计划与教学管理分析
智能科学与技术属于计算机类专业，其必修课程设计原则是使学生具备计算机科学与工程的基础理论知识，尤其是大类专业招生教学的院校，通识课程主要是数学、物理文化基础，强调扎实的自然科学基础。专业教学的特色体现在专业必修和专业选修课程，专业必修课一般分为数学基础和专业课程。计算机类专业数学基础课程一般包括线性代数、微积分、离散数学、微分方程、概率与统计、数值计算等；专业课程一般包括程序设计基础、高等程序设计、数据结构、操作系统、计算机组成与结构、数字电路与逻辑设计等。
2.1学分
本科培养计划的学分中，国内外大学学分总数趋势是逐步减少，追求少而精。国内院校一般在130～190学分之间，如北京大学为150学分，清华大学为1 70学分，东南大学与浙江大学均为160学分，还有16学时为1学分的，也有18学时为1学分的。
中国台湾的大学一般在130学分左右。台湾交通大学最低毕业学分为128学分，其中必修课程须达76学分（共同必修58学分+资工组核心须达分+（资工组副核心课程学分+另2组核心课程学分）），专业选修本系课程须达12学分，其他选修课程须达12学分，通识课程须达28学分（含外语课程必修8学分）。台湾“中央大学”为136学分，台湾“清华大学”为136学分，其中必修和必选学分126，其他与导师商量决定。
美国的大学各校差异较大。美国的学分计算有4学期制、两长一短制及两学期制，其中加州大学伯克利分校为120学分，麻省理工大学为90学分，加州大学洛杉矶分校为186学分，斯坦福大学为180学分。
2.2教学管理
在教学管理上，斯坦福大学给学生提供了非常宽松的自由发展空间。新生入校后不分专业、不分学院。除了医学院和法学院学生需要经过一定的选拔程序外，本科生可以在入学后的前一个学期适当时候随意选择专业，并且选择专业后允许更改，只要毕业时满足专业培养方案即可。
国内的浙江大学是较早实行按大类招生的学校之一，分为大类培养、专业培养和特殊培养3类，前两年不分专业，按学科分类集中培养。
台湾的大学专业也是按大类完成前期的基础课程，再分小专业完成各学程，包括基础课、核心课和进阶课。
教学分组是现在的主流课程架构，也是体现专业方向的主要形式，分组课程是体现专业特色的课程组。国内清华大学采用的是分组教学；台湾的大学基本上采用的是以教学方向分组的方式，台湾的大学教学分为课程与修业、学分学程。
2.3实验与实践教学
计算机类专业各大院校都强调课程实验与实验教学，而目前课程该如何进行教学？这不仅是实验问题，如何以工程教育专业论证为目标，怎样使教学目标达到毕业要求是关键。做中学是主流实验教学方式，尤其是美国的大学，大作业体现的是实验与理论教学的结合，是考查学生是否理解理论知识的重要途径。学生不仅能够学习扎实的数学和计算机专业知识，还进行大量的实践创新训练。麻省理工大学、加州大学伯克利分校、加州大学洛杉矶分校、斯坦福大学都属于实践创新性教学模式。例如，斯坦福大学程序设计范式课程重点比较C、C++、Java的特点和难点，每1～2周有一次大作业，针对不同的任务，要求学生用不同的语言实现，使学生加深理解各类编程语言的应用场合；麻省理工大学的课程计划是必须先修12学分的实验课程，再修3门或4门核心课程，最后选择3门方向学科和1门关于该方向的实验课、2门专业拓展课。
3智能科学与技术课程体系分析
智能科学与技术课程体系在智能基础理论研究的基础上，需要安排基础性、通用性、关键性的智能技术研究，主要包括感知技术和信息融合技术；自然语言处理与理解技术；知识处理（认识）技术，包括知识提炼、知识分类、知识表示技术等；机器学习技术，特别是统计与规则相结合的学习技术；决策技术，即知识演绎技术特别是不确定推理技术等；策略执行技术，即控制与调节技术；智能机器人技术，特别是面向专门领域的智能机器人技术；智能机器人之间的合作技术；基于自然语言理解的智能人机交互与合作技术；智能信息网络技术。
国内最早创办智能科学与技术专业的学校包括北京大学，西安电子科技大学是第2批开始培养智能专业学生的院校。北京大学的本科教学计划中，专业必修课程（2分）包括：①专业数学/理论基础（15学分）：算法分析与设计、集合论与图论、概率统计A、代数结构与组合数学、数理逻辑；②硬件与系统基础（分）：数字逻辑设计、微机原理和信号与系统；③智能基础（5学分）：脑与认知科学与人工智能基础。专业限选课程（15学分）包括信息论基础、计算方法B、数字逻辑设计实验、微机实验、数据结构与算法实习、机器感知和智能处理实验、智能多媒体信息系统实验。选修组合课程（29～32学分）：学生按照自己的兴趣，参考智能的2个专业方向推荐专业课组合，自行选择，至少选修20学分的智能专业课程。公共核心+专业方向+新技术及其他：①公共核心课程（分）：智能科学技术导论、模式识别基础、生物信息处理、智能信息处理；②专业方向课程（11～15学分）：机器感知与智能机器人方向、智能信息处理与机器学习方向、新技术及其他。
西安电子科技大学智能专业主要课程包括电路分析理论、信号与系统、数字信号处理、数字电路及逻辑设计、模拟电子技术基础、微机原理与系统设计、数据结构、软件工程、人工智能概论、算法设计与分析、最优化理论与方法、机器学习、计算智能导论、模式识别、图像理解与计算机视觉、智能传感技术、移动通信与智能技术、智能控制导论、智能数据挖掘、网络信息检索、智能系统平台专业实验等课程及30多门选修课程。
建议各学校可以根据学院教学特色与实际需求，设计专业核心课程。北京大学偏重“信息处理”，湖南大学偏重“智能系统”，但需要强调的一个前提就是智能科学与技术专业属于大计算机类，更需要大EECS专业的基础。编程、电路、数学、数据结构、计算机系统这五大核心基础就是大EECS；其次是专业，计算机以系统结构、操作系统、网络、编译、数据库五大经典专业核心课为主，湖南大学的智能科学与技术专业强调系统，因此信号与系统、操作系统、嵌入式系统、人工智能是最基本的专业核心课，然后再分不同的分支。湖南大学智能科学与技术专业核心课程包括人工智能概论、机器学习、计算智能导论、模式识别、智能控制导论、智能数据挖掘、机器人学等；研究学位课程包括模式识别、人工智能等，主要体现为智能科学与技术基础（人工智能概论、机器学习、计算智能导论、模式识别）、核心（智能控制导论、智能数据挖掘）和应用（机器人学）。
4结语
（1）在课程计划实施过程中，教师需要遵循课程的时序图，即描述课程的进阶关系，从本科直到研究生，同时还可以实行一定的修课限制，如台湾交通大学计算机概论与程式设计和面向对象程式设计两科皆不及格者不得修数据结构与算法概论，若数据结构不及格不能修算法设计课程等。
（2）程序设计类课程用上机程序能力考试来设置合格条件，如台湾交通大学基础程式设计及格条件为通过“程式能力鉴定”，湖南大学则以CCF―CSP软件能力测试作为程序设计课程通过的考核标准。
（3）鼓励学生参与项目、竞赛等课外科技活动，如台湾“清华大学”的综合论文训练是由具有同等水平的项目训练成果或SRT（student research training）计划项目以及其他课外科技活动成果经认定后代替的。
（4）精炼的课程教学。核心课程应该精且必须加强课程实验，只有对方法和理论有正确的认识才能掌握这门课程，而动手完成实验才能真正融会贯通。麻省理工大学、加州大学伯克利分校、加州大学洛杉矶分校的学生具备扎实的数学和计算机专业知识后，都需要进行大量的实践创新训练。
（5）导师制度。哈佛大学学生在大一和大二学习数学和计算机入门的专业课程，在大三时申请导师，实行导师引导制。施行导师制需要落实包括专业介绍、修课指导、学科竞赛等，直至毕业设计，导师需要和学生紧密联系。
人工智能导论论文范文第5篇
Abstract： In view of the characteristics of artificial intelligence curriculum， including abstract content and complex algorithm， and the actual needs of undergraduate teaching， combined with teaching practice， this paper discusses and sums up the teaching reform and innovation of undergraduate artificial intelligence curriculum from the teaching system， teaching content， teaching methods and assessment methods.
P键词： 人工智能；创新；本科
Key words： artificial intelligence；innovation；undergraduate
中图分类号：G642 文献标识码：A 文章编号：1006-4311（2017）22-0230-02
0 引言
人工智能是计算机科学的一个分支，是当前科学技术中正在迅速发展、新思想、新观点、新理论、新技术不断涌现的一个学科，其属于一门边缘学科，同时也是多个学科交叉而成的一门学科，包括语言学、哲学、心理学、神经生理学、系统论、信息论、控制论、计算机科学、数学等[1]。当前人工智能已经是很多高校计算机相关专业的必修课程，它是计算机科学与技术学科类各专业重要的基础课程，其教学内容主要包括自然语言理解、计算智能技术、问题求解和搜索算法、知识表示和推理机制、专家系统和机器学习等，国内外很多大学都意识到了其重要性，纷纷对其展开了教学和研究。人工智能课程包含多个学科，具有内容抽象、理论性强、知识点多等特点，且算法复杂，但是多数高校采用的教学方式仍是传统的课堂教学方式，即“教师讲、学生听”的教学模式，这种信息单向传输教学模式以教师为主体，学生只是在被动的接收知识；存在过分重视理论教学，忽视实践活动教学的问题，导致教育内容无法和社会接轨；人工智能教材理论性过强，学生在学习过程中常常感到枯燥乏味，进而对学习该课程失去热情[2]，久而久之，不仅人工智能课程的教学质量和效果无法达到预期，甚至学生还会产生厌学心理。针对人工智能课程中现有的各项问题，本文作者结合自身丰富人工智能教学实践经验，参考人工智能课程特点和教学目标，从多个方面探讨和总结了人工智能，包括教学内容、教材选择、教学方法和考核形式等。
1 教学内容优化与更新
人工智能是一门崭新的学科。开设本课程首先是确定教学内容。通常来讲，人工智能学科的内容包括两个部分，具体：一是知识表示和推理；二是人工智能的应用。前者是人工智能的重要基础，后者主要介绍了几种人工智能应用系统，包括自动规划和机器视觉、机器学习、专家系统等。另外，课程内容中还包括了一些人工智能应用的实例，将实践和理论紧密结合起来[3]。
随着时代的发展和科技的进步，人工智能学科也取得了较大发展。基于此，人工智能学科也应该与时俱进，更新人工智能教学大纲，进一步完善其教学内容。修订后的人工智能教学大纲将人工智能分成两个部分，即基础部分和扩展应用部分。前者包括计算智能、搜索原理、知识表示等，后者包括智能机器人、智能控制、多智能体、自然语言理解、自动规划、机器学习、知识工程等。
教学内容的选择和确定应综合考虑多项因素，不仅要重视基础知识，也应注意推陈出新，随着科技的进步做到与时俱进，同时教学内容应符合现实的需求，能够与社会接轨，将理论和实践紧密结合起来，只有这样人工智能课程的教学质量和效果才能事半功倍。
2 教学策略及教学方法的改革创新
由于人工智能课程具有算法复杂、内容抽象、理论性强、 知识点多的特点，传统的教学模式已经无法满足人工智能课程的需求，教师应探索更加有效的教学模式和方法，确保人工智能课程能够取得良好的教学质量和教学效果。具体的改革和创新人工智能课程的手段和方法主要包括以下几个方面：
2.1 激发学生的学习兴趣 无论是经验还是常识都在告诉我们每个人最好的老师就是兴趣，学生只有对某门学科存在兴趣，才会更加主动积极的学习该门课程，从而获得良好的教学效果。比如，作者在课程的一开始先播放了一段著名导演斯蒂文・斯皮尔伯格的《Artificial Intelligence》的相关片段，由这个电影学生知道了世上存在人工智能的机器人，学生们随着电影情节的发展而深深感动，与此同时教师让学生思考和谈论人工智能是什么？研究人工智能的意义在哪里？实践发现，在课堂中加入电影因素，能够大大提升学生们的注意力，让学生更加专注在教学任务中，有效提高了学生探索人工智能的积极性和主动性。此外，在教学中还可以用动画、视频、图片等手段将反映人工智能最新研究和应用的成果展示出来，让学生更直观的感受人工智能的奥妙，从而投入更多热情学习人工智能课程。
2.2 面向问题的案例教学法 案例教学法是一种以案例为基础、以能力培养为核心的一种教学方法[11]。针对学校学生特点，我们采取了以下几种教学形式实施案例教学。①讲解式案例教学：这种案例通过教师的讲解，帮助学生理解抽象的理论知识点。案例的呈现有两种基本形式：一是“案例―理论”，即先给出教学案例，然后再讲解理论知识；二是“理论―案例”，即教师先讲解理论知识，再给出教学案例；通过情境体验与案例剖析激发学生认知的兴趣，引导学生对将要学习的内容产生注意，有利于教师导入新课。②讨论式案例教学：在课程初期将学生分成若干学习小组，每小组3～4人；教师将提前设计好的一题多解的教学案例以及收集的相关资料分配给每个小组，要求学生在课余时间通过自学和组内讨论的方式给出问题的不同解决方案。③辩论式案例教学：在课程后期，采取专题辩论的方式对综合应用案例进行讨论，能有效地启发学生全方位地思考和探索问题的解决方法，加深学生对人工智能的理解。
2.3 个性化学习与因材施教 在开展课程教育过程中应注意对学生进行个性化教学，结合学生特点因材施教。比如，在日常教学中多观察学生情况，鼓励那些应对教学任务后仍存在余力的W生深入探索较深层次的课程及相关知识，同时友善面对学习较差的学生，分析其学习过程中面对的困难，有的放矢地采取应对措施，帮助其不断进步；在教学过程中让学生以读书报告的形式多多思考，鼓励学生发散性思考问题，鼓励优秀学生进行深一步的探讨，并且教师应帮助具有新颖思想或论点的学生将其智慧以科技论文和发表文章的形式转化为成果。
2.4 注重综合能力培养 在研究型教学中任务驱动是一种常用的教学方法，其中心导向是任务，学生在完成任务的同时也在吸收和掌握知识。通常来讲，该教学方法的步骤是：教师提出任务师生共同分析以得出完成任务的方法和步骤适当讲解或自学、协作学习完成任务交流和总结。”[3]该教学模式不仅有利于培养学生的创新能力和创新意识，还能够培养学生解决实际问题的能力，提高其综合实力。不仅如此，由于该教学模式通常是以小组协作的方式进行，教师给出研究范围，学生自愿结组并选择具体的题目，经过分析和讨论后以程序设计或者论文的形式协作完成研究。由此可知，学生是在以团队的力量解决问题，这十分考验学生的团队协作能力，对于学生团队合作精神的培养至关重要，且在完成任务的过程中学生需要查阅大量的资料，久而久之学生收集资料和创新能力势必会得到提升。
2.5 采用启发式教学 人工智能的很多问题都较为抽象，对学生理解力的要求较高，因此，在实际的教学过程中教师应有意识的就课程内容提出相关问题，让学生自己独立思考，鼓励学生提出自己的想法和解决方案。然后回归到课程上，对比分析教材上的解决方案和学生自己的解决方案，如此不仅培养了学生独立思考的能力，也增加了学生参与教学活动的意识，提高了学生的学习热情。比如，在讲到较为抽象的“遗传算法”时，先提出一个问题，即“遗传算法如何用于优化计算？”，然后从“达尔文的生物进化论”入手，讨论“遗传”、“变异”和“选择”作用，之后举例分析，启发学生思考“遗传”、“变异”和“选择”的实现，最后师生一起导出遗传算法用于优化计算的基本步骤。如此既完成了教授遗传算法的目的，也锻炼了学生逻辑思维的能力，教学效果良好[4]。
3 作业和考核方式的改革创新
过去的课程作业都是单一书面习题作业，发展至今，课程作业形式已经发生了变化，更加丰富多样，包括必须交给教师评阅的书面家庭作业和不必交给教师的课外思考题目、口头布置的思考题或阅读材料以及大型作业等。其中通过网络就可以完成上交作业，并且教师批阅作业后也可以通过网络返回给学生，实现了网络化。课程的考核方式较之以前也发生了较大变化，加强了平时思维能力的考核，更加注重学生实验能力和动手能力的培养，不再是绝对的一次考试定成绩，而是在总评成绩中加入30%的平时成绩，如此不仅减轻了学生的期末负担，也迫使学生更加重视平时的学习思考，有利于课程教学质量的提升。
4 结束语
本文是以提高教学质量为目标，结合教学实践，从教学体系、教学内容、教学方法、考核方式等方面对本科人工智能课程的教学改革进行了探讨，总结了该课程在教学和实践方面的一些教改举措。这些举措符合二十一世纪高校教学的要求，可以支持教师提高教学手段现代化的水平，同时更贴合学生的学习需求。作为该课程的授课教师应始终保持对教学内容的不断更新、教学方法的多样化，才能激发学生的学习兴趣，培养他们的思维创新和技术创新的能力，最终提高本课程的教学质量。从学生的反馈来看，作者所总结的教学实践具有明显的教学效果。但仍有许多方面做得不够，今后将继续在教学过程中不断总结成功的经验，吸取失败的教训。
参考文献：
[1]蔡自兴.人工智能及其应用[M].三版.北京：清华大学出版社，2007.
[2]谢榕，李霞.人工智能课程教学案例库建设及案例教学实践[J].计算机教育，2014（19）：92-97.
[3]蔡自兴，肖晓明，蒙祖强.树立精品意识搞好人工智能课程建设[J].中国大学教学，2004（1）：28-29.
[4]徐新黎，王万良，杨旭华.“人工智能导论”课程的教学与实践改革探索[J].课程与教学，2009：129-131.
人工智能导论论文范文第6篇
关键词：人工智能；深度学习；教学建议
0 引言
传统的人工智能课程主要包括人工智能导论、模式分析、机器学习、数据挖掘等。这些课程由各个院校根据专业情况不同而选择，课程的内容也有较大差别，但是，基本上都涉及人工神经网络的内容。然而在人工神经网络的教学内容上，一般只讲解经典的多层感知器和反向传播算法，或再加入一些反馈网络的内容，这种教学内容设计的一个不足是忽视了人工智能领域的最新发展——深度学习，它是近几年人工智能领域最具影响力的研究主题，并在大规模语音识别、大规模图像检索等领域取得突破。
北京邮电大学计算机学院开设人工智能科学与技术的本科专业，笔者从事深度学习的研究工作，同时承担了本科生和研究生人工智能类课程的教学工作，因此产生了将深度学习内容引人人工智能类课程的想法。本文先介绍深度学习的背景，说明深度学习在人工智能发展中的地位，之后分析了将深度学习基本内容引入人工智能类课程的必要性和可行性，最后给出了一些实施建议供探讨。
1 深度学习背景
2006年，加拿大多伦多大学的GeoffreyHinton教授与Salakhutdinov博士在美国《科学》杂志发表了题为“Reducing the Dimensionality ofDatawith Neural Networks”的论文，该文提出一种学习多层神经网络的方法，并将这种具有多层结构的学习方法命名为深度学习（Deep Learning），而这成为深度学习研究的一个导火索，从此深度学习的研究与应用蓬勃发展起来。
深度学习在语音识别与生成、计算机视觉等应用领域取得了突出进展。近几年的国际机器学会（International Conference on MachineLearning，ICML）、神经信息处理大会（AnnualConference On Neural Information Processing Systems，NIPS）、计算机视觉大会（InternationalConference on Computer Vision，ICCV）、
声学语音与信号处理大会（International ConferenceOn Acoustics，Speech，and Signal Processing，ICASSP）、计算语言学大会（Annual Meeting of the Association for Computational Linguistics.ACL）、计算机视觉与模式识别（InternationalConference on Computer Vision and P atternRecognition，CVPR）等都有不少相关的研究论文、会议教程和小组研讨会（Workshop）。美国国防高级研究计划（DARPA）也提出了关于深层学习的研究项目。此外，2013年6月《程序员杂志》的封面故事，采访了周志华、李航、朱军3位国内的机器学习专家对于深度学习的看法，他们一致肯定了深度学习在机器学习领域的贡献。
工业界对深度学习也寄予了很高期望。2012年6月，《纽约时报》报道了斯坦福大学计算机科学家AndrewNg和谷歌公司的系统专家JeffDean共同研究深度神经网络的机器学习模型在语音识别和图像识别等领域获得的巨大成功。2012年11月，微软公司在天津公开演示了一个全自动的同声传译系统，其关键技术也是深度学习。2013年1月，百度公司首席执行官李彦宏先生宣布建立深度学习研究院（Institute of Deep Learning）。2013年3月，谷歌公司收购了由深度学习创始人Geoffrey Hinton创立的公司。
从学术界与工业界的研究态势看，深度学习已经成为机器学习与模式识别，乃至人工智能领域的研究热点。正是在这样一个背景下，人工神经网络重新回到人们的视野。此前人工神经网络的发展大致可以分为两个时期，1943年，McCulloch和Pitts提出了最早的人工神经元，这种神经元具有学习能力，这是人工神经网络的发端，也可以被认为是人工智能的发端（当时还没有人工智能这个术语）。1949年，Hebb提出了Hebbian学习算法。1957年，Rosenblatt提出了感知器的神经网络模型。1969年，Minsky和Papert分析了这种感知器神经网络模型的局限性。然而，很多研究者认为，感知器的这种局限性对于所有的神经网络模型都适用，这使人工神经网络的研究很快暗淡下来。1980年代中期，诺贝尔奖得主John Hopfield提出了Hopfield神经网络模型，这种Recurrent神经网络具有的动态性有可能用于解决复杂的问题。同时，多层前向神经网络的后传算法也被重新发现，这两个工作使人工神经网络得到重生。这时，人工神经网络已经成为人工智能的一个重要组成部分。但是，在随后的研究中，人们发现，当学习多层神经网络包含更多的隐藏层时，后传算法并不能学到有效的网络权值，这使得神经网络的研究再次陷入低潮。此次以深层神经网络为代表的深度学习重新回到研究的舞台，其中一个重要因素是Hinton提出的逐层预训练神经网络方法治愈了多层神经网络的一个致命伤。
2 必要性与可行性
深度学习的发展使得从事教学一线的教师也无法忽视这个颇具影响力的研究主题。为此，我们提出将深度学习这个主题引入到人工智能类课程中，将它作为课题教学的一部分。
2.1 必要性
将深度学习这个主题引入到人工智能类课程中的必要性主要包括如下4点。
1）深度学习是人工智能的前沿。
2006年以来，深度学习的研究席卷了整个人工智能，从机器学习、机器视觉、语音识别到语言处理，都不断涌现出新的研究工作和突破性进展。深度学习不仅在机器学习领域成为研究热点，同时在多个应用领域也成为有力工具，而且，在工业界的系统应用中，深度学习成为其中的关键解决技术。
2）深度学习是人工智能的突破。
深度学习的发端是神经网络。关于神经网络的论述，在人工智能类常见教科书中还停留在多层神经网络，即神经网络的第二阶段，它们大部分描述多层结构无法训练的现象。但是，从深度学习的角度看，深层神经网络不仅可学习，而且有必要，这与第二代神经网络的观点是完全不同的。深度学习突破了原有人工神经网络的认识，超越了人工智能神经网络教科书中的原有内容，因此，有必要将多层神经网络结构的可学习性告知学生，从新的视角纠正原有的观点。
3）深度学习是人工智能的延伸。
深度学习不仅提供了一种可以在深层神经结构下训练网络的方法，也包含了不少新的内容，是人工智能的新发展，为人工智能补充了新的内容。到目前为止，深度学习至少包括：从生物神经网络与人类认知的角度认识深层神经网络的必要性；如何构建和学习深层学习网络；如何将深层结构用于解决视觉、语音、语言的应用问题；如何看待深度学习与原有的机器学习方法，如流形学习、概率图模型、能量模型的直接关系；深度学习与其他学科的关系等。
4）深度学习是学生的潜在兴趣点。
大学生对知识有着强烈的好奇心，加之当前信息技术的发达，部分对智能感兴趣的学生可以从其他途径了解到这个学科发展的前沿。因此，顺势而为，将深度学习这个主题做具体讲解，满足学生的好奇心，培养他们对学科前沿与发展的认识，是十分必要的。对高年级的学生而言，了解深度学习的基本知识，是他们全面认识人工智能与发展前沿的一个途径，而对于研究生，较多地了解和掌握深度学习的基本知识有助于他们研究工作的开展。
基于以上几点，笔者认为，将深度学习这个主题引入到人工智能类课程中非常有必要。深度学习作为人工智能的前沿，既是对人工智能原有理论和技术的一个突破和补充。
2.2 可行性
将深度学习引入到人工智能类课程中的可行性主要包括如下3点。
1）深度学习与现有人工智能联系密切。
深度学习并不像突兀的山峰拔地而起。而是深深植根于原有的人工智能理论与技术。深度学习是以神经网络为出发点，这正是深度学习教与学的切入点。比如，可以通过对多层感知器隐藏层的增加和后传算法的失效来讲解深度学习是如何解决这个问题的。再者，深度学习的一个核心构建“受限波尔兹曼机（Restricted Boltzmann Machine）”，可以被认为是一种能量模型，而这种模型与Hopfield网络都可以从物理学的能量模型角度分析，RBM可以认为是Hopfield网络的随机扩展。总之，深度学习与现有人工智能的联系，使学习深度学习变得容易。
2）深度学习的基本内容并不深。
深度学习有个很好的名字，这个名字恰当地描述了特定的学习结构。比如，深度学习的核心部件受限于波尔兹曼机RBM，其结构非常简单。从神经网络的角度，受限波尔兹曼机是一种随机的双向连接神经网络，信号可以从可见层传递到隐藏层，也可以从隐藏层传递到可见层。网络中每个节点是具有特定结构的神经元，其中的神经元具有典型的包含自身偏置的Logistic函数的随机单元，能够依Logistic函数计算得到的概率输出0状态或1状态。概括地说，深度学习的基本内容在高年级阶段较易掌握。
3）深度学习的资料容易获得。
当前的信息资讯非常发达，有相当多的资料可以通过互联网等多种途径获得，这使学习深度学习成为可能。近期，中国计算机学会主办了多个技术讲座均涉及深度学习的部分；深度学习的创始人Hinton教授的主页也有很多资料；Coursera网站有免费的Hinton教授的神经网络课程；斯坦福大学的Ng教授提供了很多的在线教程；蒙特利尔大学Bengio教授发表的题为“Learning Deep Architectures for AI”的论文也是这领域的优质资料。
3 实施建议
在具体的教学过程中，笔者建议适当安排深度学习的最基本内容，内容不宜过多，也不宜占用过多的学时，可以根据教学对象的不同进行调整。比如，本科生的高年级专业课可以安排1学时的教学量，介绍层次训练的基本算法；也可以在高年级前沿讲座中安排2学时，内容覆盖面尽可能广泛。在研究生的教学中，可以根据教学的课程主题安排内容与学时。比如，神经网络主题的课程可以安排4-6学时的教学内容，包括波尔兹曼机及学习算法、深层信念网络与学习算法、深层波尔兹曼机与学习算法卷、积神经网络、自动编码器等。结合应用，课程还可以包含MNIST数字识别的应用、人脸识别的应用、图像检索的应用、语音识别中的应用等。另外，深度学习是一个实践性很强的研究，随机性：大规模（意味着数据不宜可视化，程序运行时间长）等多种因素混合，使深度学习在学习中不容易理解。为此，可以在条件允许的前提下，增加小规模的实验，辅助理解。最后，课件可以通过对优质资料做修改得到。
4 结语
人工智能导论论文范文第7篇
在工业界，围绕人工智能进行的技术和资本大战来得比2016年”AlphaGo与李世石的围棋对决有过之而无不及。谷歌早在2014年就打开了这场大战的序幕，以4亿英镑（约合6亿美元）的高价收购了英国人工智能公司DeepMind，这次的围棋大战的主角AlphaGo就是出自这家公司。 在这之后，与人工智能技术相关的并购高达数十次，总额达到几百亿美元。并购的主角都是些业界的大佬：谷歌、苹果、Facebook、Twitter、Intel、Saleforce、IBM逐步走上世界舞台的中国巨头们也当仁不让，华为、百度、腾讯、阿里等公司也纷纷砸巨资研究和开发自己的人工智能平台及产品。
细心的读者也许会发现，早在群雄进行人工智能的资本大规模混战之前的2013年初，谷歌孤零零地收购了一个叫DNNresearch的公司。细查一下它的底细，发现虽然这是一家只有3个人的公司，但是公司创始人却是一个叫杰佛里・辛顿（Geoffrey Hinton）的人。所有人工智能的江湖中人看到这个名字后都会为之一震，接下来会很信服地说：“谷歌真会买。这个生意做得值了。”辛顿是谁？他有什么故事？人工智能的技术江湖还有哪些大佬？我们就在这里说一说这个江湖吧。
江湖风起，祖师下山
说起这个江湖，最初应该提起的不是计算科学领域的学者，而是一位人们耳熟能详的哲学家和文学家：伯特兰・罗素（Bertrand Russell）。这位奇人活了近100岁，创建了逻辑分析哲学，同时在哲学的多个领域作出了卓越的贡献。1950年，他还获得了诺贝尔文学奖。那他跟人工智能有什么关系呢？很少有人知道，他还是一位数学家。他提出了罗素悖论，把逻辑分析和数学建立联系。1910年他发表了《数学原理》，对于20世纪的数学基础产生了巨大的影响。为什么要提罗素呢？因为下面提到的几位人工智能领域的祖师爷级的人物，都和这位“达摩老祖”有紧密的关系。
首先出场的是神一样的祖师：阿兰・图灵（Alan Turing），现代人工智能的思想来自于这位著名的科学家。这位大师一出场就是天才级选手，在剑桥学习的时候，他读到了罗素的《数理哲学导论》，开始了自己在逻辑学和数学结合领域的研究。1935年，年仅23岁的图灵就当选了剑桥大学国王学院院士。
在剑桥期间，图灵成为罗素最器重的研究员之一。除了图灵机以外，图灵的另一项伟大的贡献就是提出了著名的图灵测试。在他1950年的论文《计算机器和智能》（Computing Machinery and Intelligence）中，他首先提出问题：“机器能思考么？”同时，他提出判定机器是否具有智能的试验方法。在这项测试中，如果具备人工智能的设备能在5分钟内回答由人类测试者提出的一系列问题，且其超过30%的回答让测试者误认为是人类所答，则可以认为这个设备可以通过测试，也就是具备人工智能。
图灵测试在那之后的60多年里一直作为人工智能领域中标杆性的判定标准，也一直在这个领域是一座不可逾越的大山。直到2014年，才有智能设备首次通过图灵测试。为了纪念这位伟大的科学家，专门设立了图灵奖以表彰在计算科学领域的杰出贡献者。这被认为是计算机界的诺贝尔奖。
第二位出场的天才级祖师：诺伯特・维纳（Norbert Wiener）。维纳的老爸也是哈佛教授，很小的时候就带维纳拜访了罗素。在剑桥大学学习的时候，他就是罗素老祖的学生，18岁取得博士学位。了解维纳的人都知道，他是现代控制理论的奠基人。与此同时，他还为人工智能理论作出了卓越的贡献。维纳认为计算机是一个进行信息处理和信息转换的系统，只要这个系统能得到数据，就应该能做几乎任何事情。他从控制论出发，特别强调反馈的作用，认为所有的智能活动都是反馈机制的结果，而反馈机制是可以用机器模拟的。维纳的理论抓住了人工智能核心――反馈，因此可以被视为人工智能行为主义学派的奠基人，其对人工神经网络的研究也影响深远。此外，维纳靠控制论名声大噪的时候，得到了大笔的经费，邀请了一大批优秀的科学家在他的实验室工作，这里面就包括下面这位祖师。
第三位出场的大师颇有些令狐冲式的经历。沃尔特・皮茨（Walter Pitts）出身穷苦人家，连学都上不起。然而，天才级选手才不会受家贫的影响。他初中时读了罗素的《数学原理》，然后就给罗素写信。要知道，那时候罗素已经是著名的大哲学家了。看到他的见解，罗素还曾邀请12岁的皮茨同学去剑桥，可惜被皮茨的文盲父母粗暴地拒绝了。之后，上不起学的皮茨听说罗素在芝加哥大学任教，就只身跑到那里，被安排了一个打扫卫生的工作。
他这里碰到了神经医学教授沃伦・麦克洛奇（Warren McCulloch）。两位一拍即合，共同展开了计算神经网络的研究，并在1943年发表了神经网络的奠基之作（A Logical Calculus of Ideas Immanent in Nervous Activity），开人工智能的一个流派之先河。这一年，皮茨只有20岁，主要职业仍然是扫厕所。也是在这一年，他去了波士顿，结识了上面提到的控制论之父维纳。据说他在第一见维纳的时候，在这位学霸级教授面前推了一黑板公式，就被破格录取这位只有初中毕业证的大学旁听生兼清洁工为MIT的博士。这位祖师不仅仅是神经网络的奠基人，还精通多国语言，在植物学、化学、鸟类学、解剖学和物理等多个领域都有着大师级的贡献。
人工智能早期的故事说到这里，这个江湖还算清净。几位祖师爷分别在哲学、数学、逻辑学、认知心理学等多个方面为人工智能打开了大门。更为重要的是，这些祖师爷都曾是教书先生和研究学者，为这个领域培养出一大批高手，这些人在今后的江湖混战中各显神通。
华山论剑，1956
1956年，人工智能领域的一次史诗级的“华山论剑”在达特茅斯学院举行。在这次会议上，一个里程碑性的进展就是在学术界创立了人工智能方向，AI（Artificial Intelligence）就此诞生了！
关于这次会议的参加人数，一直都是个谜。有人说是只有11个人，有人说有20人之多。不管有多少人参加，这个阵容可以说是现代计算科学领域阵容最豪华的一次会议了。可以大致把他们分为三个类别：
神经网络学派：约翰・麦卡锡，马文・明斯基，沃伦・麦克洛奇。
符号学派：赫伯特・西蒙（也称司马贺），艾伦・纽厄尔。
其余道骨仙风酱油派：香农、所罗门诺夫、塞弗里奇、撒缪尔等人。
人工智能从一诞生起就分为两派。神经网络学派也被称为联结主义学派，其主要思想来自于对于人脑微结构的模拟，是一种自顶向下方法，颇似金庸笔下华山派的“剑宗”。而符号主义的主要思想是应用逻辑推演法则，主张从各个基本的“符号”出发，沿着严密的代数推理过程，让机器能得出与人的理解相同的结论。这是一种自下向上的方法，重视积累和逻辑，有点像金庸笔下华山派的“气宗”。
在一开始的人工智能界，大家公认的“名门正派”应该是“剑宗”这一派。连“人工智能”这个词汇都是这一派的创始人约翰・麦卡锡（John McCarthy）最早提出的。这位高手虽然算不上天才级选手，但是由于资格老且活的长，确实也做出了非凡的贡献。首先，他发明了人工智能界第一个广泛流行的高级语言LISP，在很长一段时间里垄断着人工智能领域的应用；他也是分时技术的发明人，使得计算机第一次能同时允许数十甚至上百用户使用。同时，他与明斯基一起创建了MIT的人工智能实验室，他自己后来又跑到斯坦福大学协助建立那里的人工智能实验室。为了表彰他在AI领域的杰出贡献，麦卡锡于1971年获得图灵奖。
另一位“剑宗”的掌门人马文・明斯基（Marvin Minsky）也是高手中的高手。早在1951年，他就设计开发了世界上第一台能够自我学习的人工神经网络学习机（SNARC），一举奠定了其在神经网络领域的创始人的地位。他创建了MIT的人工智能实验室，并为之付出了毕生的心血。除了人工智能方面的贡献外，他还发明了共聚焦显微镜（如今在生物医学领域发挥着重要的作用）以及头戴式显示器（后来逐步发展为现在的头戴VR装置）。1969年，明斯基获得图灵奖。这位高手还有个过人之处，就是一直活到了2016年。到后来，大家办点儿有影响力的人工智能的活动，都会请这位“剑宗”掌门。所以，他的名气是这个领域里最大的。
“气宗”的掌门赫伯特・西蒙（Herbert Simon）也是一位天才级高手，他一共有九个顶级大学的博士学位，一生在计算科学、认知心理学、公共行政、经济学、管理学和科学哲学等多个领域都有着卓越的贡献。他获得了1975年的图灵奖、1978年的诺贝尔经济学奖、1986年的美国国家科学奖章和1993年美国心理学会的终身成就奖。这样一位大家还是个出色的政治家，在上世纪七十年代为中美建交做出了很大的贡献。因此，他还有一个中文名字叫司马贺。1994年，他当选为中国科学院最早的外籍院士。
司马贺的搭档艾伦・纽厄尔（Allen Newell）也是这个领域响当当的人物，他们共同创建了卡耐基梅隆大学的人工智能实验室。他发明了IPL语言，是麦卡锡的LISP语言的基础之一。纽厄尔在1975年与司马贺一同获得了图灵奖。
除了两派的掌门人外，其他来打酱油的人也都是大师级人物。信息论的创始人香农当时已经是贝尔实验室的老大之一。如今，那条难以逾越的“香农极限”仍然是折磨现代通信界的一道梦魇。塞弗里奇则是模式识别的开创者。还有“归纳推理机”的发明者所罗门诺夫。其他人的背景就不一一赘述了。
“剑宗”的掌门把这些“绝顶高手”凑在一起，本来是要大家在一起闭门练功两个月，设计出第一个人工智能机器，从而开创一个学科。然而，“气宗”的老大们并不买帐，呆了一个星期就闪人了。这也为后来两派之间的“混战”埋下了伏笔。不过在会上，还是明确提出了人工智能的目标：学习或者智能的任何其他特性的每一个方面都应能被精确地加以描述，使得机器可以对其进行模拟。在这之后迎来了人工智能领域的第一个春天，达特茅斯会议上的与会者成为这一时期人工智能研究的主要贡献者。在这一时期，很多该领域的奠基之作被完成，也开辟了很多经典的研究方向。
“剑”“气”恩怨几多年
其实，“剑宗”和“气宗”的较量，从人工智能诞生的时候就已经开始了。事实上，“剑宗”的老大们在组织达特茅斯会议的时候，本来是想请一群大佬来，一起做两个月的“封闭开发”，最终见证自己的划时代贡献的。然而会议一开始，司马贺和纽厄尔这两个同门不同宗的外人却做了个让人刮目相看的报告，并公布了一款程序“逻辑理论家”（Logic Theorist）。这个程序可不简单，在那个“史前时代”，可以证明祖师爷罗素的《数学原理》中命题逻辑部分的一个很大子集，当场引起了大家的关注。
“气宗”的两位老大也够有个性，在那里只呆了一周，扫了个场子，赚足了眼球，也砸了“剑宗”的台子，扬长而去。据说此后的很多年里，MIT的人工智能教授和卡耐基梅隆的人工智能教授一直没法坐在一张桌子上，他们之间的交流只能通过研究生在私下进行。直到后来，各个大学的学生开始到对方大学当教授，这种门户偏见才慢慢消除。由此可见，科学家也不是圣人，也会为结下的梁子耿耿于怀很久很久。
其实当时“气宗”瞧不起“剑宗”也不无道理。毕竟，司马贺和纽厄尔有拿得出手的“逻辑理论家”。卡耐基梅隆大学一直有脚踏实地的传统，在这个时候显示出很大的威力。多年之后，“剑宗”创始人明斯基也不得不承认，“逻辑理论家”是第一个也是当时唯一一个可以工作的AI程序。而当时的“剑宗”还只是空谈，本来寄希望达特茅斯会议能够开天辟地，跑马圈地，创立自己当家的AI学科，还是被“气宗”两位老大搅了局。纽厄尔打心底里看不上明斯基，认为他除了“拉大旗作虎皮和稀泥”以外，没什么真本事，而且人也太刁滑了。在纽厄尔晚年，只说是香农邀请他参加这些会议的，对明斯基和麦卡锡只字不提，可见门户偏见有多深。
“剑宗”的劣势很快就有了改观，这要归功于一位来自康奈尔大学的心理学家：弗兰克・罗森布利特（Frank Rosenblatt）。这位神人是个实验心理学家，在尝试用IBM的计算机来模拟他在认知心理学上的发现的过程中，发明了一个名为“感知机”（Perceptron）的神经网络模型。这一下引起了不小的轰动，感知机证明了单层神经网络在处理线性可分的模式识别问题时，其实是可以收敛的。以此为基础，罗森布利特做了若干感知机有学习能力的实验。
感知机本来是可以让“剑宗”翻身的发明，然而“剑宗”的掌门人明斯基却并不买帐。因为，这位外来户的风头太盛了，甚至盖过了明斯基这位AI的创始人。当时，罗森布利特拿到了国防部和海军的大把经费，不可避免地动了MIT的蛋糕。媒体也对这位AI新贵大加赞赏，各大报纸头版头条都是他的新闻。罗森布利特本人也确实没把其他“剑宗”的人放在眼里，或者说他根本就不觉得自己要加入组织的。这可让明斯基这一派人马恼怒不已，他们开始了自己的反击。明斯基毕竟还是AI领域的学霸，想要踩死这个不知天高地厚的“异类”似乎易如反掌。他们动用自己的一切力量去否定感知机，明斯基甚至在自己的书中明确地说：罗森布利特的论文大多没有科学价值。很难相信这是一位科学界泰斗可以说出的话。罗森布利特毕竟不是这个圈子的人，在“剑宗”学霸明斯基的面前，还是显得势单力薄了很多，最终离奇地意外死亡。
可笑的是，明斯基本人也曾是神经网络的最大的拥护者，他的博士论文的主题就是神经网络，他最早的发明SNARC也是一台神经网络学习机。那时候，他却为了斗倒罗森布利特，连神经网络也一并打入深渊。后来，明斯基肯定也意识到自己的做法前后矛盾，想方设法摆脱与神经网络的干系。后来，他曾经接受采访说：他的博士论文从来没发表过，大概只印了三本，他自己也记不清内容了。看样子他是想极力开脱自己和神经网络学科的关系。
“剑宗”有了这样的掌门，在竞争中处于弱势肯定是不可避免了，而且这一弱就是几十年。后来很多学者称这一段时间为“二十年”。直到近十年神经网络“重出江湖”，才给罗森布利特，学者们也认为明斯基这样打压科学家的做法是不可原谅的。为了纪念罗森布利特，IEEE（美国电气电子工程师协会）在2004年设立了罗森布利特奖，以表彰神经网络领域的杰出科学家。2014年，这个奖项得主就是后来一统江湖的“剑宗”大师：杰佛里・辛顿。
“剑宗”暂时一统江湖
时间来到了20世纪70年代，人工智能领域碰到了第一个低潮期。由于长时间没有可实用的研究成果出来（或者说第一批先驱有些低估了这个领域的难度），主要资助方们渐渐失去了信心，甚至有些人认为人工智能就是个永远没法用的“玩具”。明斯基们给人工智能开了一个很高的调子，然而在很长一段时间里在搞派系斗争，却拿不出可以实用的成果。在这之后的几十年里，人工智能几经沉浮，有过短暂的繁荣，又经历过两次低潮期，最终迎来了真正的爆发期。
事实上，在神经网络的“”时代，还是有不少人为这个领域做出了有益的贡献。很可惜，科学家也是人，他们也需要经费来养家，养学生，养实验室。因此，当无数人给神经网络流派判“死刑”的时候，很多人都半途放弃了。有意思的是，神经网络其实是信息科学和神经科学相结合的学科。在众多科学家在斗争中从信息科学被“赶出来”之后，一些坚持这方面研究的人就把发力点放在了神经科学方面。他们当中的佼佼者就是哈佛大学的神经生物学家胡贝尔和威瑟尔。他们的研究虽然是围绕视网膜和视皮层展开的，使用的却是信息处理的方法。他们因此获得了1981年的诺贝尔医学奖。
当所有人对于人工智能失去信心的时候，还有这样一位“剑宗”大师，他一直在这个领域坚持了三十多年。让我们记住这个人的名字：杰佛里・辛顿（Geoffrey Hinton）。
这是一个在人工智能领域中“风清扬”式的人物。在几乎所有人都认为神经网络这个流派已经走到尽头的时候，他却一直在坚持！完全超乎偏执地坚持！经费的短缺，使之不得不辗转于多个大学，寻找落脚的地方。那时候他已经50多岁了，搞了三十多年被认为没有任何前途的研究，四处求爷爷告奶奶，希望能要来点儿研究经费。
关于辛顿和他的战友们，业界还流传着这样的故事。在2003年，以辛顿为首的十五名来自世界各地的神经网络研究者们齐聚温哥华，他们的主要目的是向加拿大先进研究院（Canadan Institue oF Advanced Research，简称 CIFAR）的基金申请经费。当时该基金的管理负责人Melvin Silverman问他们说：为什么CIFAR要支持他们的研究项目。
他们回答道：“因为我们有一些古怪。如果CIFAR可以跳出自己的舒适区（comfort zone），试图寻求一个高风险，极具探索性的领域及团队，就应当资助我们！”
最终，CIFAR同意从2004年起资助这个团队十年，经费总额为一千万加元。这些预算对于某些学霸来说真的不算什么。但是，对于已经山穷水尽的辛顿及其神经网络研究团队来说却是弥足珍贵的。CIFAR成为当时世界上唯一支持神经网络研究的机构。毫不夸张地说，如果没有CIFAR的资金支持，整个人工智能领域还可能在黑暗中继续挣扎。
拿到资金后，辛顿把神经网络这个流派改了一个名字，这就是后来威名远扬的深度学习（Deep Learning）。前面说的AlphaGo就是在这个基础上进行训练，积极“学习”围棋知识，最终战胜了李世石。
九十年代末，神经网络研究遇到的困境之一就是计算的瓶颈。那时候，人们提起神经网络的第一反应就是慢。深度学习也有同样的瓶颈， 需要的计算资源太多。当大量的数据在复杂的网络中进行训练的时候，真是让人“等得花儿已谢了”。当时有人调侃“剑宗”的研究试验流程是：一年做一次，一次做一年。
2009年六月，斯坦福大学的华裔科学家吴恩达（Andrew Ng，现百度首席科学家）博士与别人合作：“用 GPU 大规模无监督深度学习”。论文模型里的参数总数（即各层不同神经元之间链接的总数）已经达到一亿，与之相比，辛顿在2006年的论文里用到的参数数目只有一百七十万。论文结果显示，使用GPU运行速度和用传统双核CPU相比， 最快时要快近七十倍。在一个四层，一亿个参数的深信度网络上，使用GPU把程序运行时间从几周降到一天。后来，吴博士在谷歌的X实验室中，建造了当时最大的深度神经网络，支持17亿个神经元。他随后在斯坦福大学又造了一个超大号的神经网络，有112亿个神经元之多。
人工智能导论论文范文第8篇
关键词:智能科学基础;系列课程;部级教学团队;改革;建设
在国家教育部质量工程的支持下,中南大学信息科学与工程学院对部级精品课程人工智能[1-2]和智能控制[3]、全国双语教学示范课程人工智能和部级智能科学基础系列课程教学团队[4]等进行持之以恒的改革与建设,取得一些成果。
“智能科学基础系列课程教学团队”的教学队伍是一支由部级教学名师领衔[5],知识结构、梯队结构和年龄结构比较合理,具有明显的学科优势、课程优势、人才优势和教学科研优势的颇具特色与影响力的教学团队。该团队以中南大学智能科学研究中心为核心,主要承担人工智能基础、智能控制导论、机器人学、专家系统等本科基础和专业基础课程,硕士学位课程人工智能、智能控制和机器人控制技术以及留学生硕士学位课程Artificial Intelligence和博士生学位课程智能系统原理与应用的教学。
教学团队在建设过程中,注重教学改革,加大课程建设和教材建设力度,不断改进教学方法,在课程改革、教材建设、教学手段、队伍建设以及交流合作等方面取得一些进展。本文拟就教学团队的改革与建设的相关理念与实践问题加以总结,谈谈我们的见解。
1创新教学方法
教学是教师的本职和核心工作。本教学团队一直致力于教学方法与教学模式的改革与创新,虚心学习国内外先进教学经验和方法,积极探索教学新路,形成了“以趣导课、以疑启思、以法解惑、以律求知”的教学模式和教学方法[6-7]。充分激励学生的学习积极性和主动性,发挥独立思考和创新思维,多方位培养学生发现问题、分析问题和解决问题的能力。我们在教学过程中应用了课堂演示、课堂互动、课堂辩论、课后网络教学、网络实验等一系列现代化全方位的教学新模式。此外,为提高学生的动手能力和理论水平,让学生直接参与部分教师课题,理论联系实际,为毕业后的工作学习打下良好基础。具体措施如下:
1) 举行课堂讨论会,营造自由探索氛围。
为调动学生的积极性,我们在授课过程中多次开展课堂讨论会和辩论会等活动,让学生自己查阅资料,分析整理,提出自己的观点,使学生全方位地接触所学课程,培养学生的研究能力,真正实现师生互动,并鼓励学生用英语讨论。学生对有些问题展开了激烈的争论,激发了学习潜能,明确了学习目标。课程中还经常请来在科研工作中担任主要任务的教授和博士生来给学生介绍最前沿的科学动态,激发学生们对所学知识和科学研究的兴趣。在研究生教学方面,我们更进一步通过举办课程课堂学术研讨会,让学生在一年级就开始接触学科前沿,自己查阅资料和动手写科技论文,并在研讨会上宣读讨论,培养独立工作能力和从事学科前沿研究的能力,为将来的高层次研究打下基础。
2) 倡导启发式教学,培养学生学习能力。
注意采用面向问题的启发式方法进行教学,启发学生求解问题能力,强化学生的参与意识,提高他们的学习积极性。教学中还注意采用了多种交互式策略,如课堂教师提问、鼓励或指定学生用英语提问、学生就某个知识点进行主题发言后老师点评等。此外,师生通过互联网进行交互,方式包括Email、BBS和QQ谈和交换文件等。
根据学生的兴趣和创新潜力,对有专业特长的本科生,在自愿情况下,挑选2～3名参与部级项目研究工作,进行中长期培养试点,实现本科培养过程与硕士、博士研究生培养过程的衔接。
3) 增强课程实验教学环节,筹建智能专业实验室。
智能科学基础课程的概念性较强,初学者感到比较抽象,而实验教学又是薄弱环节。因此,结合学生实际情况,我们对实践教学环节十分重视,设计了一些新的实验项目,探索新颖的实验方法。新开实验项目包括人工智能实验、智能控制实验、专家系统实验、机器人学实验、人工智能课程设计等。对相关课程的原有实验,我们也进行了一些改革,增设了个性化的实验,使得学生的实验数据和实验结果分析既有格式要求,又给学生报告自己研究的过程和结果留有空间。这些做法能够鼓励学生进行独立性研究,满足他们学习的需求。通过实验教学,学生能够理论联系实际,验证所学理论知识和概念,加深理解,充分调动了学生的学习积极性,培养了他们的创造能力。
除课堂实验外,我们还充分发挥虚拟实验的优点,设计了网络虚拟实验,让学生在课外上网练习。通过虚拟实验,学生可以了解算法的具体运行过程,调整参数和过程,并进行验证以加深对知识的理解,提高学习兴趣,从而达到教学目的。
结合科研,购进和自制部分新设备、新系统,计划建设智能专业实验室,为教学提供更多的优良实验设备。例如,已研制“中南移动一号”和“中南移动二号”自主移动机器人共7台,已购进RCB-1型教学机器人20套等。
教学团队教师还指导学生参加全国大学生“飞思卡尔”杯智能汽车竞赛活动、大学生创新性实验计划及创新教育计划项目等,取得优秀成果。
2推进课程改革
教学改革是课程建设和学科发展的生命线。我们把部级精品课程和全国双语教学示范课程放在优先建设的位置,并以它们带动其他课程建设,完善系列课程建设,同时新办了智能科学与技术专业。
2.1搞好精品课程建设,改进双语示范课程教学,稳步推进系列课程建设
本团队着力搞好已有的2门部级精品课程、1门全国双语教学示范课程,更新精品课程网站,丰富课程内容。为了及时反映上述课程中相关科学技术的最新进展,我们调整了教学体系和教学内容,修订了教学大纲,并对教学内容进一步优化和更新,极大充实了各课程教学内容。同时,通过校际教学活动和网上资源共享对精品课程、双语教学示范课程进行交流和推广,起到较好的辐射作用[8-9]。
为加强精品课程建设,完善和拓展课程体系,在总结现有精品课程的建设经验的基础上,又建成省级精品课程1门,校级精品课程1门。
为提高学生的专业英语水平和学习兴趣,使得学生能够开拓眼界,追踪国际前沿科学研究,本团队长期对双语教学进行研究和实践。除改进人工智能双语教学示范课程外,团队承担的其他课程,如智能控制、机器人学、专家系统、数据结构等也实行了双语教学,并为该课程引进英文辅助教材。例如,对人工智能课程,我们先后采用Nilsson和Russell等编著的国外影响较大的英文原版教材作为主要教学参考书[10-11],供学生学习参考。在双语教学中,一般以汉语讲授为主,英语为辅,并对一些关键词同时用汉语和英语表示。对部分章节或某个专题,采用纯英语教学或以英语为主汉语为辅的教学。对PPT课件的编写分为纯汉语、纯英语和英汉混合几种方式。英语教学比例要根据教学内容和学生英语水平而定,其检验标准是学生的接受程度与学习效果,根据这一点来适时调整双语教学中英语对汉语的比例。
通过教改实践,我们承担的智能科学基础课程逐步形成为具有明显特色的课程体系。我们讲授的课程从智能科学的基础课程到专业基础课程,再到专业实践课程,形成了配置合理、特色鲜明、循序渐进、优势互补、协调发展的智能科学与技术学科从基础到应用的系列课程体系。
2.2新办智能科学与技术专业
智能科学与技术是当代科技发展的前沿学科和重要组成部分,其人才需求日益增加,超出了目前高校的培养能力[12]。我校的智能科学与技术学科方向经过近20年的发展,已形成了具有自身优势和特点的学科,在国内具有一定的知名度和优势。为了促进智能科学与技术学科的发展,经过多年积极准备,我们于2009年申报了智能科学与技术专业并获得教育部批准。通过向兄弟学校学习调研,了解该专业人才需求、专业建设规划,设定适应培养目标的教学计划与课程设置方案。虽然我们开办“智能科学与技术”专业较晚,但我们从2002年开始,就一直关注和积极参与国内智能科学的学科的讨论与新专业筹备工作[13]。
我校于2009年申报获准,在自动化专业增设了智能科学与技术专业方向,目前已招收2届学生共84人。我们为选读智能科学与技术本科专业方向的每个学生选定指导老师。每个学生都可以参加指导老师的课题,指导老师也可以利用自己的学识、经验和责任心来更好地管理呵护学生。这一做法取得明显效果,不仅受到同学们的普遍欢迎,也得到了学校的肯定。我们还多次召开师生见面会并通过指导老师走访宿舍,了解每个人的情况。为了消除代沟,努力融入同学当中,学习熟悉他们的语境和思维想法。我们的目标就是不让一个学生掉队。
创建与建设智能科学与技术新专业,将为智能科学基础系列课程教学建设提供一个更加宽广的平台,并对计算机、自动化和电子信息等学科的专业建设和课程建设提供一个新的增长点。我们将以智能科学与技术专业建设为契机,虚心学习兄弟学校的专业建设的做法和经验,进一步规范智能科学与技术的基础课程教学,让智能科学基础课程教学建设登上一个新的台阶。
3加强教材建设
教材是教学的重要工具和资源,其水平直接影响教学效果和教学质量。在教学过程中,我们与时俱进,对教学内容不断优化与更新,精益求精地编写反映学科发展的教材[14]。
我们对原有编写出版的教材进行修订,反映新世纪学科发展水平和发展趋向,以适应教改需要。把这些最新内容用于教学,使学生了解到国际前沿动态和本学科的最新成果。
以相关系列课程为平台,注重教材配套,服务因材施教,着眼长远教材建设。仅2007年以来我们已出版的相关教材及专著如下:
《智能控制原理与应用》,部级精品课程配套教材,2007;《智能控制导论》,部级精品课程配套教材,2007;《未知环境中移动机器人导航控制理论与方法》,2008;《机器人学》,第二版,部级教学团队配套教材,2009;《机器人学基础》,部级教学团队配套教材,2009;《人工智能及其应用》,第四版,部级“十一五”规划教材,国家精品课程配套教材,2010;《人工智能基础》,第二版,部级“十一五”规划教材,国家精品课程配套教材,2010;《移动机器人协同理论与技术》,2010。
4优化队伍结构
师资队伍建设是团队建设的源头,没有一流的教师队伍就没有一流的教学团队。在师资队伍建设上,我们一直采取引进优秀人才和在职培养相结合的做法。对于人才的引进主要通过办专业和办学科点等方式吸引人才,还通过创造教学和科研条件,稳定教师队伍,解决个人的发展问题。
采取有效措施,提高主讲教师的学术积累和教学水平。一是教研组教师,特别是中青年教师积极参加重要科研项目,提高学术水平。二是派中青年教师赴国外研修访问,了解和学习发达国家同类课程的先进教学经验、相关课程设置情况与发展趋势,将国外教学思想引入课程教学。
教学始终是教师的第一要务,为了提高青年教师的教学素质,我们实施并完善了一系列管理措施和制度。
1) 设立名师工作室,实现名师资源共享形成多元化的带教制度,安排高年资的教师对年轻教师进行传、帮、带,可以有业务方面的指导,也可以有认识方面的交流。通过老教师对年轻教师全方位的指导,使老教师的教学理念和经验得以继承,加快了年轻教师的成长。
2) 有计划地安排年轻教师虚心旁听有经验教师的讲课。通过听课,不仅使年轻教师进一步掌握课程的内容,更重要的是使年轻教师学到了老教师的教学方法和经验,对其今后从事教学工作起到了积极的指导作用。
3) 对于第一次上课和第一次上某门新课程的年轻教师,团队都要在课前组织他们试讲。试讲前,安排老教师进行指导,传授教学经验。试讲时,由团队的教师参加听课并对其进行讲评,肯定其优点,指出其不足,帮助青年教师尽快掌握课程的重点,找到更合适的讲授方法。此外,我们还备课,统一基本教案,帮助年轻教师成长。
近两年来本教学团队获得的主要教学奖励就有徐特立教育奖、茅以升教学专项奖等。
5扩大交流合作
我们在做好自身团队建设的同时,增进与全国相关高校和教学团队的交流,学习兄弟团队的建设经验,在课程示范、教材推广、网络资源辐射等方面发挥积极作用。我们还开展校内合作,联合不同院系进行教学和精品课程的申报与建设,在校内推广改革成果;发表了一系列教改论文;发起筹备《全国智能科学技术课程教学研讨会》;邀请企业界科技精英做本科生就业指导相关报告。
1) 增进校际交流,发挥辐射作用。
我们经常以讲座报告形式在许多兄弟院校进行教学与教改交流。例如,最近一年来就应邀先后到上海交通大学、同济大学、东华大学、东南大学、国防科技大学、中国矿业大学、北京科技大学、清华大学等校就智能科学技术课程的教学、教改和建设问题作专题报告,在兄弟院校师生中引起热烈反响。已有数以百计的高等院校采用我们编著的教材和网络课程进行教学,国内已有众多的从事人工智能课程和智能控制课程教学的教师,来信来函索取我们开发的课程教案、课程演示和网络课程相关资料等,我们一直尽力地搞好推广和服务工作。
2) 撰写课程改革论文,进行国内外交流。
本团队成员仅近一年多来,就在中国教育开放资源网、中国人工智能学会13届年会、计算机教育、高等理科教育、计算机与现代化等会议及刊物上发表10篇教改论文,在国内外进行交流,起到介绍情况,交流信息和经验的积极作用。
3) 筹备全国相关课程教学研讨会。
为了更好地交流经验,扩大影响和辐射作用,我们发起并联合中国人工智能学会教育工作委员会、中国计算机学会人工智能与模式识别专业委员会、中国人工智能学会智能机器人专业委员会、中国自动化学会智能自动化专业委员会、中国人工智能学会人工智能基础专业委员会,筹备召开了首届《全国智能科学技术课程教学研讨会》[15]。围绕各个学校在智能科学与技术本科专业的课程改革与建设、课程和专业教学计划制定和未来发展设想等方面进行交流研讨。通过交流研讨,认真学习兄弟学校的经验,并尽可能汇报我们的经验。我们相信,在与会全体代表的共同努力下,本次课程教学研讨会一定能够取得积极的成果。
注:本研究获得教育部部级精品课程人工智能(2003年)和智能控制(2006年)、全国双语教学示范课程人工智能(2007年)、部级智能科学基础系列课程教学团队(2008年)等项目支持。
参考文献:
[1] 中国高等教育学会. 中国高校国家精品课程,工学类,(上册),2003-2007[M]. 北京:北京大学出版社,2008:433-436.
[2] CAI Zixing,LIU Xingbao,LU Weiwei,et al. Comparative Study on Artificial Intelligence Courses Between CSU and MIT[EB/OL]. [2010-5-1]. CORE (China Open Resources for Education),.cn/.
[3] 中国高等教育学会. 中国高校国家精品课程,工学类,(上册),2003-2007[M]. 北京:北京大学出版社,2008:426-429.
[4] 国家教育部和财政部关于立项建设部级教学团队、部级精品课程、全国双语教学示范课程的通知[EB/OL]. [2010-5-1]. http///转高等教育司.
[5] 中华人民共和国教育部高等教育司. 名师风采,第一届高等学校教学名师奖获奖教师集锦[M]. 北京:地质出版社,2006: 152-153.
[6] 李广川. 丹心育桃李,妙手谱春秋[M]//名师颂.北京:教育科学出版社,2007:397-401.
[7] 及立平. 笃定平和:访部级教学名师蔡自兴[M]//春风化雨:中南大学教师风采. 长沙:中南大学出版社,2006:119.
[8] 蔡自兴,肖晓明,蒙祖强,等. 树立精品意识,搞好人工智能课程建设[J]. 中国大学教学,2004(1):28-29.
[9] 陈爱斌,肖晓明,魏世勇,等. 智能控制的学科发展与学科教育[J]. 现代大学教育,2006(3):102-105.
[10] Nilsson N J. Artificial Intelligence:A New Synthesis[M]. New York:Morgan Kaufmann Publishers,1998.
[11] Russell S, Norvig P. Artificial Intelligence:A Modern Approach[M]. London:Prentice Hall Publishers,2005.
[12] 王万森,钟义信,韩力群,等. 我国智能科学技术教育的现状与思考[J]. 计算机教育,2009(11):10-14.
[13] 蔡自兴,贺汉根. 智能科学发展的若干问题[C]//中国自动化领域发展战略高层学术研讨会论文集. 自动化学报,2002, 28(增刊1):142-150.
[14] 蔡自兴,谢斌,魏世勇,等.《机器人学》教材建设的体会[C]//2009年全国人工智能大会(CAAI-13). 北京:北京邮电大学出版社,2009:252-255.
[15] 2010年全国智能科学技术课程教学研讨会征文通知[J]. 计算机科学,2010,37(6):封3.
Construction of State Teaching Group of Series Course for Intelligence Science Basis in CSU
CAI Zi-xing, CHEN Bai-fan, LIU Li-jue
(Institute of Information Science and Engineering, Central South University, Changsha 410083, China)
Abstract: The reformation and construction of the State Teaching Group of Series Course for Intelligence Science Basis in CSU have been introduced; which deal with the advances in the course construction, textbook writing, teaching means, teacher group training as well as the intercourse and cooperation. A novel teaching mode and means called “lecturing by interest, thinking by query, disabusing by ways, learning by laws” has been propose and set up .The construction of the state fine courses and the bilingual teaching demonstration course have been placed in the precedence position. The teacher group training has been done by introducing the high-caliber personnel connected with the in-service training. The intercourse and cooperation with other schools and teaching groups have been constantly enhanced. As a result, an exemplary role in the teaching group construction has been actively played.
人工智能导论论文范文第9篇
关键词：人工智能；教学改革；学习心理；考核方式
中图分类号：G642.3 文献标志码：A 文章编号：1674-9324（2012）06-0152-02
虽然人工智能的发展历史只有五十余年，但它已经广泛应用于专家系统、机器翻译、图像处理和机器人技术等领域。随着人工智能技术对社会经济发展的影响不断增大，人工智能课程不再是计算机专业独有的专业课程，国内外很多高校在自动化、智能交通等专业都开设了选修课，甚至在高中的信息技术课程中也在推广设置。吉林大学硕士专业“模式识别”将《人工智能》设为专业学位课程，同时也将其设为汽车、机械等其他学科的选修课程。由于研究生相关基础知识水平参差不齐，课程内容又比较抽象、生涩，为了提高教学质量，在本次教学改革过程中充分考虑学生学习新知识的心理演变过程，认真研究教学内容、教材、教学方法等诸多方面，力求在教授基本原理的同时，培养学生对智能系统进行理论分析、设计并编程实现的能力，为后期的论文研究阶段打下坚实的基础。本次教学改革受到了吉林大学研究生课程体系建设和核心课程建设项目的资助。
一、教学内容
教学改革的关键是教学内容。人工智能与统计学、心理学、语言学、计算机科学、生物学、控制论等都有交叉关系，学科涉及的内容十分庞大。人工智能学科知识的繁多与授课学时有限之间的矛盾比较突出。作为国内模式识别专业的领军院校，如中科院智能所、清华大学、上海交通大学和南京理工大学等，他们所开设的《人工智能》课程学时和内容也不尽相同。我们参考了上述院校的授课内容，同时考虑到本校本学科的学术研究方向，精心归纳、优化教学内容，力争做到教学内容系统、精炼和实用。目前，我们讲授的教学内容主要包括：智能化智能体系统、盲目搜索方法、启发式搜索方法、局部搜索方法、约束满足问题、博弈树搜索方法、知识表示方法、不确定知识与推理、规划与机器学习等，共40学时。
另外，人工智能领域中新问题、新理论交错涌现，这就要求教学大纲要定期修订，教学内容要及时更新，同时教师也需要不断提高自身的学术水平，以便提高硕士课程的研究性内涵。
二、教材选用
要搞好课程建设，教材是一个很关键的问题。我们广泛阅读和研究了国内外的经典教材，经过一番斟酌之后，我们选用了Stuart Russell和Peter Norvig所著的《人工智能-一种现代方法（第二版）》。首先，选用国外教材能够更快地追踪最新研究成果。同时该教材已经被世界上900多所大学采用，符合促进高校的教学内容向国际水准靠拢、与国际接轨的理念。另外，人民邮电出版社在2002年曾经出版该书的英文版的第一版，双语学习能有助于提高学生的英语水平，为学生后续的查阅英文文献，甚至发表英文文章奠定基础。
三、教学方法
在国内，比较有影响的是中南大学以蔡自兴教授为首的教学团队为计算机科学与技术本科专业开设的人工智能课程，该课程在2003年被评为全国高等学校首批精品课程[1]。2007年该课程又开始进行全国双语教学示范课程建设，成绩斐然[2]。多年来，我们不断汲取同行的成功教学经验[3]，结合本学科的硕士专业特点、考虑学生的知识结构和实践能力，不断改革和尝试，总结了一套行之有效的教学方法。我们一切以学生为主体，在教学过程中充分考虑学生学习新知识的心理演变过程，采用灵活多变的教学手段。让学生从感兴趣，保持兴趣，到收获用所学知识解决实际问题的成功喜悦，并进一步增强投身于科研论文研究的热情。
课程伊始，通过多媒体演示人工智能技术已取得的杰出成就，激发学生的学习兴趣。然后布置学生查阅资料，列举人工智能发展史上的重要事件和最新研究的热点问题，课上再组织学生做报告。通过上述活动，一方面拓展了学生的专业视野，另一方面锻炼了学生的表达能力。
随着课程内容的深入，让学生组成兴趣小组，任意选择问题实例，利用每节课学习的理论、算法不断地更新该实例的解决方案，评价性能优劣。学习小组可以培养学生科研协作的精神。另外，课堂上每组轮流做报告阐述各自的研究进展，演示编程效果。其他同学或给出修改意见，或提出个人观点。最后老师及时总结，引导学生提高分析问题的深入性和广泛性。充分的课堂讨论能够提高学生多角度思维的能力，培养学生善于钻研和勇于创新的精神。同学间的这种学术交流也可以让学生有机会了解彼此的学习状况与能力，促进学生展开良性的学习竞赛，也为学生接受和理解老师最后给出的课程成绩做了心理铺垫。老师总结时要对学生的努力多肯定，激发他们的学习热情和潜能，让他们感到学习知识的快乐。
四、考核方式
实践表明笔试测验的方式不能全面反映学生的学习情况，所以本课程尝试采取自选实验设计题目，根据实验报告、上机演示结果和口试等方式综合评定成绩。其中，实验报告要求学生根据实验题目详细介绍设计思路，阐述编程方法，分析实验结果。口试是老师当场就报告中的问题提问，并对学生的回答进行讲评。课程成绩中，实验报告设计分析占60%，上机成果演示占30%，口试占10%。
通过实验设计的考核方式，学生的学习积极性得到了很大的调动，充分发挥了学生的自主创新能力，锻炼了学生知识综合应用技能。但美中不足的是该方式不像笔试那么客观，学生的成绩容易受教师的主观性影响。另外，人工智能作为一门学位课，其成绩往往直接影响学生的奖学金评定，学生和相关领导对成绩的评定原则十分关心和重视。为了减少人为因素对学生成绩的干扰，避免师生因课程成绩产生分歧，我们规定了完善的考核细则。考核细则发给同学，作为实验报告的首页，方便记录每一个环节上学生的得分情况，做到成绩评定有据可查。
非笔试的成绩评定方式对任课教师的要求也提高了，我们教师团队还规定了详细的教师工作守则。首先要求教师认真细致地阅读学生的实验报告，给出报告得分，并准备口试时提问的问题，得分和问题都要在实验报告的首页做好记录。询问每个同学的问题都不能重复，上机演示和口试环节都是公开的。问题可以是设计不合理的思路，或是阐述不清的步骤等，教师要注意掌握问题的数量，尽量做到均衡。上机演示时，学生经常因为紧张而漏掉部分功能的演示，因此，教师要跟学生加强沟通。口试时，根据学生的状态，可以给予适当启发，但要在成绩评定上做出相应调整。经过多年的摸索，我们将上机演示按照实验报告成绩的倒序方式进行，这样有利于在口试过程中由浅入深，逐渐加深问题的难度，有效避免重复。教师评价时应严格缜密，让学生正确认识自己的设计水平，对课程成绩的认定跟老师达成一致。
经过教学团队的不懈努力，“模式识别”专业的“人工智能”课程建设在教学内容、教学方法、教材选用、考核方式等方面的研究都取得了一些成绩，教学实践表明教改措施已见成效，教学质量有了明显提高。
参考文献：
[1]刘丽珏，陈白帆，王勇，余伶俐，蔡自兴.精益求精建设人工智能精品课程[J].计算机教育，2009，（17）：69-71.
[2]刘丽珏，蔡自兴，唐琎.人工智能双语教学建设[J].计算机教育，2010，（19）：74-77.
人工智能导论论文范文第10篇
关键词：智能诊病；人工智能；专家系统；知识库；推理机；Naive Bayesian算法
中图分类号：TH165.3 文献识别码：A 文章编号：1001-828X（2017）009-0-01
一、智能诊病系统的发展
人工智能是现今最尖端的技术之一，近三十年来，人工智能发展迅速，在很多领域都得到了广泛的应用。专家系统是人工智能重要的一个分支，它通过一个或多个专家提供的专业领域知识，模拟人类专家解决那些需要专业领域知识才能完成的问题。1965年，美国斯坦福大学研制出了DENRAL系统，该系统具有丰富的化学知识，能帮助化学家推断出分子的结构。DENRAL系统的完成标志着专家系统的诞生。20世纪70年代初， NTERNIST系统在匹兹堡大学问世，这是第一个用于医疗的内科病诊断咨询系统。同一时期，一款能够帮助普通内科医生诊治细菌感染性疾病的专家系统MYCIN也在斯坦福大学出世，这两款专家系统的成功激发了智能诊病系统的开发热潮，国内外都开始往这方面投入大量的人力物力。到21世纪初，智能诊病系统已经相对成熟。
二、智能诊病系统
智能诊病系统以基于规则的方式来构建系统，它主要将系统分为知识库和推理机两部分，知识库中存储着各种医学知识的集合，包含从书本中知识，以及医学专家的知识和经验，而推理机根据用户提供的有效信息，来决定所使用的推理规则，通过从知识库中获取的相关知识进行推理判断，从而得出最终的结论。推理分为精确推理和不精确推理，精确推理根据条件和结论之间的必然性，得出的结果是肯定的，不精确推理：在条件不足的情况下，得到的假设不能被完全证实，这个时候为每个假设赋予一个权值来表明这个假设的可信度，通过这些假设进行下一步推理，可能会得到多个不同的结论，以可信度最高的结论作为最终结论。
三、智能诊病系统的缺点
难以得到足够知识和规则填充知识库，智能诊病系统做为基于规则的专家系统，需要以大量知识和医学专家规则作为基础，才能够准确地诊断病人的病情，这就需要大量的医学专家和知识工程师的参与才能够实现。
缺乏学习能力，跟一般的基于规则的专家系统一样，智能诊病系统不具备从诊病过程中提取经验进行学习的能力，只会依循本来就存在的规则和知识进行推理判断，更新知识库，添加规则些工作仍然需要知识工程师来完成。
Naive Bayesian算法：
Na?ve Bayesian 算法能够较好地对事物进行分类，具有结构简单，计算高效等特点，是分类算法中最经典，最有影响力的算法之一。Na?ve Bayesian算法首先需要通过训练样本计算出先验概率，在此基础上，计算一个待分类的后验概率。下面是Na?ve Bayesian 算法的定义，对于一个待分类的事物x，设：
1.x有{a1，a2，a3，……an}这样一个属性集，每个a都是x的一个特征属性。
2.有{y1，y2，y3，……ym}这样一个类别集合，每个y代表一个类别。
3.分e计算P（y1|x），P（y2|x），P（y3|x），…..，P（ym|x）的概率。
4.如果有P（yi|x） >= P（yj|x）（j属于1～n），则事物x属于类型yk。
在这里，我们称P（yi|x）为后验概率，根据贝叶斯定理，P（yi|x） = P（x|yi）P（yi）/p（x）。
由于对于所有的后验概率，都需要除以P（x），所以在这里我们可以将P（x）忽略，只求出最大的P（x|yi）P（yi）即可。P（x|yi）P（yi） = P（a1|yi）P（a2|yi）P（a3|yi）…P（an|yi）P（yi），其中P（aj|yi）和P（yi）我们都需要通过样本数据进行计算：
1.设有样本集{x1，x2，…xn}，每个样本有一个属性集a其中包含若干属性。
2.有{y1，y2，…ym}这样一个类别集合。
3.P（yi）为样本中类别yi的个数/样本总数。
4.P（aj|yi）为样本中类别yi中含有aj属性的个数/类别中yi的个数。
通过Naive Bayesian算法对智能诊病系统的改进：
由于知识库中知识量和规则的限制，智能诊病系统可能会出现无法准确判断用户病情的状况，通过Na?ve Bayesian算法可以有效地改善这一情况。一个人患病的原因会跟他平时的生活环境，生活习惯还有家族遗传有很大的关系，由此，我们可以将生活环境，生活习惯和家族遗传作为特征属性，建立一个辅助诊断病情的Navie Bayesian分类器。算法的训练样本通过记录每个精确推理确诊的患者的生活环境，生活习惯，家族遗传等属性信息取得，通过不断地增加训练样本，Navie Bayesian分类器的准确性不断提升，从而提升智能诊断系统的不精确推理能力。
参考文献：
[1]Liu H， Motoda H. Feature selection for knowledge discovery and data mining[M].Springer Science&Business Media， 2012.
[2]Pang-Ning Tan， Michael Steinbach， Vipin Kumar.数据挖掘导论（中文版）[M].范明，范宏建，等，译.北京：人民邮电出版社，2011：139-141.
作者简介：黄 伟（1981-），男，瑶族，湖南花垣人，讲师，主要从事计算机科学研究。
肖厚波（1994-），男，汉族，湖南郴州人，本科在读，主要从事软件工程研究。