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

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

>> 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3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4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5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6篇

关键词:人工智能;智能科学技术;学科;教育;发展方向

0引言

人工智能(Artificial Intelligence,AI),又称为机器智能或计算机智能,是计算机科学或智能科学中涉及研究、设计和应用智能机器的一个分支。人工智能近期的主要目标在于研究用机器来模仿和执行人脑的某些智力功能,而远期目标是用自动机模仿人类的思维活动和智力功能。

1来之不易的大好机遇

比起国际上人工智能的发展情况,我国的人工智能研究起步较晚,发展道路曲折坎坷,经过质疑、批判甚至压制的艰难发展历程。直到20世纪80年代初期,中国的人工智能研究才开始活跃起来,但由于当时社会上把“人工智能”与“特异功能”混为一谈,对两者一起批判,并一并斥之为“伪科学”,使中国人工智能经历过一段弯路。

中国人工智能学会于1981年在长沙成立后,长期得不到中国科学技术协会和国内科技界的认同,只能挂靠到中国社会科学院哲学研究所,直到2004年,才得以挂靠到中国科学技术协会。这足以表明中国人工智能学会成立后经历的20多年岁月是多么艰辛。因此,在这个时期内,有比较多的中国人工智能学者研究人工智能哲学问题是有历史原因的。

直到改革开放之后,我国的人工智能才逐渐走上发展之路。近两年来,国家领导人对人工智能高度评价,并对我国人工智能的发展提出重要指示,有关部门了《中国制造2025》《机器人产业发展规划(2016―2020年)》《“互联网+”人工智能三年行动实施方案》。这些文件体现了我国已把人工智能技术提升到国家发展战略的高度,为中国人工智能的发展创造了前所未有的优良环境,也赋予人工智能艰巨而光荣的历史使命。

2016年4月,中国人工智能学会联合20余家国家一级学会,在北京举行“2016全球人工智能技术大会暨人工智能60周年纪念活动启动仪式”。这次活动恰逢国际人工智能诞辰60周年,谷歌Alpha Go与世界围棋冠军李世石上演“世纪人机大战”,将人工智能的关注度推到了前所未有的高度。启动仪式共同庆祝国际人工智能诞辰60周年,传承和弘扬人工智能的科学精神,开启智能化时代的新征程。

2大力发展智能科学与技术教育

包括人工智能教育在内的智能科学技术教育是智能科技和智能产业赖以发展的强化剂和推动力,也是高素质智能科技人才培养及智能科技与产业可持续发展的根本保证。我国的智能科技教育已初步形成学科教育与课程教学体系,并在大学计算机、智能科学与技术、电子信息、自动化等专业开设不同层次的人工智能类课程。中国智能科技的进一步发展和人工智能的基础建设问题,都与智能科技人才培养密不可分。只有培养足够多的高素质智能科技人才,才能保证我国智能科技的顺利发展,进而攀登国际智能科技的高峰。

智能科技教育和人才培养是智能科技学科发展的重要基础。我国自20世纪80年代中期开始在少数高校开设各种人工智能类课程以来,经过推广与提高,30年前的人工智能星星之火如今已形成燎原之势,数以百计的高校开设了各种层次的人工智能类课程,有些课程已成为我国高校教育园地上的名花。例如,中南大学的人工智能课程已成为首批部级精品课程、教育部新世纪优秀网络课程、部级全国双语示范课程、首批部级精品视频公开课和部级资源共享课程。全国已有20门智能类课程入选部级质量工程。尽管为数不多,但这些智能类课程在改革中不断发展壮大,已为国家培养了成千上万的智能科技专门人才。虽然这些课程只占数以千计的部级质量工程课程的冰山一角,但也表明智能科技课程仍然占有一席之地,并具有不可替代的作用,产生了非常大的影响。

全国智能科学与技术教育暨教学学术研讨会是我国人工智能教育与教学领域具有特色的最权威的学术盛会,自2002年起已成功举办了13次,对于智能科技及其相关学科的教育教学、学科建设和人才培养发挥了十分重要的作用。

2004年在北京大学开设的智能科学与技术专业,已发展到全国近30所大学,仅这些大学的“智能”专业每年就培养大约2 000名人工智能专业人才。据估计,近30年来,全国高校已培养人工智能及其相关学科的硕士和博士数以千计,本科毕业生数以万计。这些高层次的人工智能专门人才是我国发展人工智能的最为宝贵的财富。这些年轻的智能人有幸遇上千载难逢的人工智能大好发展机遇,必将成为我国智能科技跨越式发展的中坚力量。

3客观评价我国人工智能科技水平

无论是智能科技学科建设或是智能科技类课程建设,都离不开对我国人工智能水平与国际先进水平差距的深刻认识。

有些学者或企业家认为,我国的人工智能科技水平已经与美国不相上下。我们需要科学客观地评估已有成绩,既不要妄自菲薄,又不能夜郎自大,既要充分肯定成绩,又要深刻认识差距。过高地估计我国现有人工智能成果既不实事求是,又不利于人工智能学科与产业的健康发展。

美国是世界上人工智能科技整体水平最高的国家。分析中美两国在人工智能方面的差距,有助于我们保持清醒的认识。许多人工智能界内专家指出:我们在人工智能方面一直跟踪美国的理论,然后应用并在一些地方有所创新,应用上的追赶很快,但是,在基础理论研究方面和美国还是差距很大的。国内做人工智能基础理论研究的人很少,这是学术环境问题造成的。例如,美国把脑科学和类脑科学排在研究的最前面,而我国在这方面的自主研发能力却比较薄弱,在突破和创新上也有所差距。又如,国内在深度学习方面发表了不少论文,但真正有理论创新或具备重要应用价值的研究并不多。

美国人已经在构思下一个人工智能是什么,而我们这里还没有动静,这是我们面临的最大挑战。这个难题牵涉面很广,不是一两个团队投入进去就能解决的。这种差距在很大程度上源于我们学术评价体系以及以实际应用为导向有关。我们可能要通过10~20年的努力才能在人工智能方面全面赶上美国。

许多有识之士认为,我国当前的人工智能基础研究和应用开发与国际先进水平存在很大差距,国际影响力有待提高。然而,国内有一部分人工智能研究与开发人员却过高地估计成绩,认为我国的人工智能已经在很多方面甚至全面超过国际先进水平。评价一门学科是否达到或超过国际先进水平,不但要有客观标准和国际同行普遍认可,而且要有一批令人信服的标志性成果。这里笔者不准备具体讨论或争论这个问题,而是试图从以国际人工智能之父图灵命名的国际计算机学科科技最高奖图灵奖的获奖情况来说明我国人工智能的发展水平。

自1969年以来,美国计算机学会先后举行过48届图灵奖评审与颁奖,图灵奖得主共计64位。其中,美籍华裔计算机科学家姚期智2000年获得图灵奖,他是图灵奖设立48年以来获得该奖项的唯一华裔学者。在64位图灵奖得主中,有12位杰出人工智能专家获此殊荣,但当中没有一个是中国人。

4坚持人工智能研究及教育的正确方向

国际人工智能在过去60年历程里,取得举世瞩目的进展和公认成果,但其发展也是极其曲折与坎坷的。之所以艰难前行,除了由于科学发展的必然性外,社会上对人工智能的误解与偏见及人工智能内部的偏激争论,特别是在人工智能哲学与方法论方面的争论都是不争的事实。人工智能三大不同学派之间势不两立的争论持续了约30年,直到本世纪初才平静下来。人工智能学界已形成共识,即面对现代社会科技、经济和人民生活的重大问题,任何一种人工智能方法,无论是符号主义、连接主义或行为主义,均不可能单枪匹马打天下,而需要各个学派之间携手合作,走综合集成、优势互补、共同发展的康庄大道。尤其是今天的中国,人工智能面对大数据、机器人、“互联网+”等国家重大战略所带来的机遇与挑战,探索大规模深度学习、类脑神经计算、智能机器人、智能互联网、智能物联网、智能移动终端、产业智能化升级等重大理论和技术问题,推进社会智能化进程,提升社会文明程度,才是人工智能研究与发展的主流,至于学派和方法之争已不是人工智能研究的关键。

在人工智能与哲学的关系方面,应该说人工智能有哲学和方法论问题需要研究,但人工智能不属于哲学。有一些人从信息哲学或人工智能哲学角度进行人工智能研究,既是需要的,也是值得支持的,但不应该过分夸大哲学和方法论问题对人工智能的作用,必须强调智能实现理论、方法、技术在人工智能研究中的核心地位,必须注重人工智能是一门具有较强理论基础的新兴技术学科的这一基本属性。

人工智能作为一门新兴技术学科,特别需要就其发展和应用中的一系列重大理论和技术问题进行踏踏实实的研究。吴文俊先生曾经语重心长地告诫我们:“我们真正的意图绝不在于口舌之争,在字面上夸夸其谈。真正应该做的事是实干巧干,借计算机时代来临的大好契机,率先在全世界推行脑力劳动机械化,以具体成就和我们的成功来向世人表明我们的主张。”

前面提到,人工智能诞生60年走过了极其曲折与坎坷的历程,但我们不愿意更多地回忆与评论国内外人工智能发展过程中的种种艰难往事,只是希望大家能记住历史教训。过激的、势不两立的学派争论和过于浓厚的哲学色彩都不利于人工智能学科全面与健康的发展。今天,在进行人工智能/智能科技研究与教育时,一定要把握人工智能作为一门自然科学新兴学科的方向,从获得国际人工智能学界认同和经受应用检验两个角度,创造中国人工智能的新成果和新品牌。

智能科学与技术专业抓住教材建设和师资队伍建设作为专业建设的突破口,这是非常正确的,尤其是教材,作为课程教学环节的重要资源,不仅是专业建设和教学活动的重要载体,而且对学生的课程认知和能力培养都具有十分重要的导向和启迪作用,因此需要用十分严谨和科学的态度去对待。实际上,入选普通高等教育“十二五”部级规划教材的4本人工智能教材中,有3本书的作者为现有智能科学与技术专业的教授,这至少从一个侧面说明,智能科学与技术专业还是有着较好的人工智能教材基础的。

当然,由于智能科学与技术本科专业在开设人工智能课程之前,一般会有智能科学技术导论和脑与认知基础这两门前导课程,因此作为智能科学与技术专业的人工智能教材,应在结构和内容上有别于其他信息类专业的同类教材。但作为人工智能的主流理论、方法和技术,仍然应该是该教材应该坚持的基本架构和内容主线,而不应该偏离。

在当前国内外人工智能空前大好的发展形势下,作为人工智能教育工作者,我们应该创新进取、谦虚谨慎、求真务实,用科学态度对待人工智能科学和智能科学技术问题,为国内外人工智能的健康发展,为我国智能科技人才的培养做出新的贡献。

5结语

人工智能导论论文范文第7篇

姓名:李国正

申请级别:副研究员

计算机工程与科学学院

2005年7月7日

教育与工作经历

教育

1994.9-1998.7 上海大学机械自动化系 本科

1998.9-2001.3 上海大学机械自动化系 硕士

2001.3-2004.9 上海交通大学图像处理与模式 识别研究所 博士

工作

2004.9-今 上海大学计算机学院 讲师

学术活动

兼职

中国计算机学会YOCSEF上海分坛学术秘书委员(2005.5~今)

IEEE会员,IEEE计算机分会会员(2004.1~今)

上海市计算机学会会员(2005.1~今)

主持中国机器学习邮件列表(2003.1~今)

活动

机器学习及其挑战研讨会,上海,参与,2004.11

第十届中国机器学习会议,上海,口头报告,2004.10

环太平洋人工智能大会,Aucland,口头报告,2004.8

国际神经网络大会,大连,展板,2004.8

神经网络及其应用研讨会,北京,大会报告,2004.3

科研经历

参与国家自然科学基金四项

基于数据挖掘和综合模型的脑磁共振图像分析和诊断(30170274)已结题

面向钢铁生产的数据挖掘和数据融合信息处理平台及应用(50174038)已结题

纳米氧化铝材料设计的支持向量机方法 (20373040)进展顺利

分布式概念格数学模型及算法研究 (60275022)进展顺利

参与上海市高校网格技术E研究院一期项目

数据挖掘在生物医学网格中的应用 (2004.7-2005.6)

主持软件新技术国家重点实验室(南京大学)开放课题一项

机器学习中冗余特征问题的研究(2005.5-2007.6)

已申请国家自然科学基金

合作者:化学系 陆文聪教授

已申请上海市教委科技发展基金

正在申请上海市高校网格技术E研究院二期项目

研究方向

特征选择

结合学习器的研究

支持向量机

集成学习

多任务学习

偏最小二乘法

化学计量学

多元校正

药物构效关系

JCICS,NSFC

学术成果

论文20余篇(第一作者9篇以上)

SCI 收录5篇,其中第一作者4篇

EI收录10篇,其中第一作者3篇

其它核心杂志,第一作者5篇

SCI收录源杂志录用2篇,正在出版

译著一本(第一作者)

支持向量机导论,电子工业出版社出版,2004.3

专著一本(算法部分,五万字以上)

Support Vector Machine in Chemistry,Singapore, World Scientific Publishing Company,2004.9

第一作者论文

[1] Modeling of Maximum Absorption Wavelength of Some Azo Dyes Using ANN, Journal of Chemical Information and Computer Science, 2004, 44(6), pp.2047-2050 (SCI收录号:875HQ,IF: 3.078)

[2] Relationships between Pitzer's Ion-Ion interaction coefficients and ionic structural parameters of electrolvte solutions, Trans. of Nonferrous Metals Society of China, 2004(5), 2004,14(5):1029-1032 (SCI收录号:870QG)

[3] On multivariate calibration problems. Lecture Notes on Computer Science 3173, 2004,pp.389-394 (SCI收录号:BAT64)

[4] Feature selection for multi-class problems using support vector machines. Lecture Notes on Computer Science 3157, 2004,292-300 (SCI收录号:BAU59)

[5] 机械设备中黑箱部件的状态监测与故障诊断, 振动,测试与诊断。23(3):183-187, 2003 (EI收录号:03487759975 )

[6] 基于聚类算法的神经网络集成, 复旦大学学报(第九届中国机器学习会议专刊)。2004(5), 689-691.

[7] Degree Prediction of Malignancy in Brain Glioma Using Support Vector Machines, Computers in Biology and Medicine, 2004, in press (SCI收录源杂志)

[8] 杭州老虎洞窑古陶瓷成分的化学计量学研究, 分析化学。已录用, 2005 (SCI收录源杂志)

学院工作

人工智能、软件工程等专业课

学术报告(二次)

计算机学院一次

化学系一次

本科生班主任(03级10班),优秀生导师(5)

硕士生副导师

博士生 刘天羽(吴耿锋教授)

博士生 周文(刘宗田教授)

硕士生 何鸣、胡欣茹(吴耿锋教授)

智能信息处理研究室副主任(2005.3~今)

计算机学院外事秘书(2005.3~今)

计算机学院博士论坛副主席(2004.9~今)

其它条件

全国大学英语等级考试CET-6

合格,1997.6

上海市职称计算机能力考试

合格,2005.4

汇总

谢 谢 !

人工智能导论论文范文第8篇

关键词:人工智能;概率论;可计算理论;不确定性推理

中图分类号:TP39;TM74 文献标识码:A 文章编号:2095-1302(2017)07-00-04

0 引 言

人工智能、空间技术和原子能技术被称为20世纪的三大科学技术成就,人工智能的研究开展是智能机器人技术、信息技术、自动化技术以及探索人类自身智能奥秘的需要[1]。科学界有一个共识,即智能化是管理、自动化、计算机以及通信等技术领域的新方法、新技术、新产品的重要发展方向。人工智能是由数学、哲学、心理学、神经生理学、语言学、信息论、控制论、计算机科学等多学科相互渗透而发展起来的综合性新学科[2]。数学使人工智能成为一门规范的科学,是人工智能发展必不可少的基础,在人工智能的各个发展阶段都起着关键的作用。目前,关于人工智能数学发展史的研究综述还很少。本文以人工智能发展的三个阶段――萌芽期、诞生期、发展期为视角,介绍了人工智能的数学基础发展史,并对其数学基础的发展趋势进行了展望。

1 人工智能萌芽期的数学基础

1956年以前被称为人工智能的萌芽期,在这个期间,布尔逻辑、概率论、可计算理论取得了长足的发展。布尔逻辑是英国数学家George Boole于19世纪中叶提出,典型的一元算符叫做逻辑非(NOT),基本的二元算符为逻辑或(OR)和逻辑与(AND),衍生的二元算符为逻辑异或(XOR)[3]。在Boole逻辑的基础上,Frege发展出了一阶逻辑,研究了命题及由这些命题和量词、连接词组成的更复杂的命题之间的推理关系与推理规则[4],从而出现了谓词演算。这就奠定了人工智能抽取合理结论的形式化规则――命题逻辑和一阶谓词逻辑。

人工智能要解决各种不确定问题如天气预测、经济形势预测、自然语言理解等,这需要数学为其提供不确定推理的基础,概率理论则是实现不确定推理的数学基础。概率理论源于17世纪,有数百年的发展。瑞士数学家Jacob Bernoulli证明了伯努力大数定理,从理论上支持了频率的稳定性;P.S.Laplace和J.W.Lindeberg证明了中心极限定理;20世纪初,俄国数学家A.N.Kolmogrov逐步建立了概率的公理化体系;K.Pearson将标准差、正态曲线、平均变差、均方根误差等统计方法用于生物统计研究,为概率论在自然科学中的应用做出了卓越的贡献;R.Brown发现了布朗运动,维纳提出了布朗运动的数学模型,奠定了随机过程的基础;A.K.Erlang提出了泊松过程,成为排队论的开创者[5]。概率论、随机过程、数理统计构成了概率理论,为人工智能处理各种不确定问题奠定了基础。

支持向量机是人工智能的主要分类方法之一,其数学基础为核函数。1909年,英国学者James Mercer用Mercer定理证明了核函数的存在[6]。可计算理论是人工智能的重要理论基础和工具,建立于20世纪30年代。为了回答是否存在不可判定的问题,数理逻辑学家提出了关于算法的定义(把一般数学推理形式化为逻辑演绎)。可以被计算,就是要找到一个解决问题的算法[7]。1900年,David Hilber提出了著名的“23个问题”,其最后一个问题:是否存在一个算法可以判定任何涉及自然数的逻辑命题的真实性。1931, Kurt Godel证明了这一问题,确实存在真实的局限――整数的某些函数无法用算法表示,即不可计算。在不可计算性以外,如果解决一个问题需要的计算时间随着实例规模呈指数级增长,则该问题被称为不可操作的,对这个问题的研究产生了计算复杂性。计算复杂性是讨论P=NP的问题,这个问题到现在都是计算机科学中最大的未解决问题之一[8]。关于P与NP问题有很多定义,较为典型的一种定义是在确定图灵机(人工智能之父――英数学家图灵1937年提出的一种机器计算模型,包括存储器、表示语言、扫描、计算意向和执行下一步计算)上能用多项式求解的问题是P问题,在非确定图灵机上能用多项式求解的问题是NP问题[9]。可计算性和计算复杂性为人工智能判断问题求解可能性奠定了数学基础。

2 人工智能诞生期的数学基础

1956年,麦卡锡、明斯基、香农和罗切斯特等学者召开了达特莫斯会议,该会议集聚了数学、心理学、神经生理学、信息论和电脑科学等研究领域的年轻精英。该会议历时两个月,学者们在充分讨论的基础上,首次将人工智能作为一门新学科提出来。1956年至1961年被称为人工智能的诞生期。混沌是人工智能不确定推理的新的数学理论基础,最早来源于物理学科的研究。学术界认为,第一位发展混沌现象的学者是法国数学家物理学家庞加莱,他发现了天体动力学方程的某些解的不可预见性,即动力学混沌现象。以科尔莫戈夫、阿诺德和莫泽三个人命名的KAM定理被认为是创建混沌理论的标志[10]。在概率论的基础上,出现了条件概率及贝叶斯定理,奠定了大多数人工智能系统中不确定推理的现代方法基础[5]。

3 人工智能发展期的数学基础

1961年之后,被称为是人工智能的发展期。在这期间,人工智能在机器证明、专家系统、第五代计算机、模式识别、人脑复制、人脑与电脑连接以及生物智能等领域取得了很多理论和实践成果。所有的成果都离不开数学知识的支撑,人工智能的数学基础在这个时期也取得了长足的发展。

混沌与分形为人工智能的不确定推理打开了新的思路,在人工智能的发展期,混沌与分形完成了理论的发展和应用研究的开展。1963年,美国气象学家E.N.Lorenz在研究耗散系统时首先发现了混沌运动,在他当年发表的论文“确定性非周期流”中解释了混沌运动的基本特征,介绍了洛伦兹吸引子和计算机数值模拟研究混沌的方法;1971年,法国的D.Ruelle和荷兰的F.Takens首次用混沌研究湍流,发现了一类特别复杂的新型混沌吸引子;1975年,华人学者李天岩和导师J.Yorke对混沌的数学特征进行了研究,标志着混沌理论的基本形成;1979年,E.N.Lorenz在美国科学促进会的一次演讲中提出了著名的“蝴蝶效应”,使得混沌学令人着迷、令人激动,激励着越来越多的学者参与到混沌学的理论和应用研究中来。1989年,R.L.Devney 给出了混沌的数学定义:设X是一个度量空间,f是一个连续映射,如果f满足以下三个条件则称为X上的混沌。

(1)f是拓扑传递的;

(2)f的周期点在X中稠密;

(3)f对初始条件敏感。

混沌理论在复杂问题优化、联想记忆和图像处理、模式识别、网络通信等诸多领域都有成功的运用。Yamada T 将混沌神经网络用于TSP问题优化中,结果混沌神经网络表现出强大的优化性能[11]。混沌理论在联想记忆的应用上显示出优越的性能,可应用于信息存储、信息检索、联想记忆、图像识别等方面[12]。模式识别是人工智能的主要研究问题之一,混沌学在此领域也有成功的应用,Kyung Rung[13]将混沌回归神经网络应用于朝鲜口语数字和单音节语音识别,与常规的回归神经网络相比,新方法的效果更佳。李绪[14]等将混沌神经网络模型应用于手写体数字识别和简单图像识别,实验显示,混沌神经网络对手写体识别正确率和可靠度高达90%以上。

1967年,法国数学家B.B.Mandel brot 提出了分形学的里程碑问题――英国海岸线有多长?成为人类研究分形几何的开端[15],分形理论是对欧氏几何相关理论的拓展和延伸。1968年,Madndelbrot 和Ness提出了分形布朗运动,并给出了离散分形布朗随机场的定义[16]。Peleg S于1984年提出了双毯覆盖模型[17],这是对Mandel brot在估计英国海岸线长度时的一种推广。基于分形的理论和思想,人们抽象出一种方法论――分形方法论[17],该理论在人工智能领域的典型应用是用于网络流量分析。1993年以来,陆续有许多这方面的研究成果出现。通过对局域网高分辨率的测量分析,leland[18]发现以太网流量表现出自相似的分形性质。进一步深入研究发现,在较小的时间尺度上,网络流量体现出更复杂的变化规律,由此出现了多重分形的概念[19]。分形理论用于实现网络流量智能分析,已经有很多成功的案例,如TCP流量的拥塞控制[20],Internet 流量建模[21]。陆锦军等还提出了网络行为的概念[22],用于研究大规模网络上观测到的尺度行为。

扎德对不确定性就是随机性这一长期以来的观点提出了挑战,认为有一类不确定性问题无法用概率论解决。1965年发表了论文Fuzzy Sets,创立了模糊集合论[23]。除了传统的属于或不属于一个集合之外,模糊集认为集合之间还有某种程度隶属于的关系,属于的程度用[0,1]之间的数值表示,该数值称为隶属度。隶属度函数的确定方法大致有6种形态,包括正态(钟形)隶属度函数、岭形隶属函数、柯西隶属函数、凸凹型隶属函数、隶属函数以及线性隶属函数[24]。1978年,在模糊集的基础上,扎德提出了可能性理论,将不确定理解为与概率不同的“可能性”,与之对应的可能性测度也是一种集合赋值方法[25]。聚类在人工智能领域有大量应用,是模糊集研究的较早的一个方向[26]。模糊集理论在人工智能领域的典型应用还有数据选择[27]、属性范化[28]、数据总结等[29]。

离开了隶属度或隶属函数的先验信息,模糊集合运算难以进行,粗糙集理论研究了用不确定本身提供的信息来研究不确定性。上世纪80年代初,粗糙集的奠基人波兰科学家Pawlak[30]基于边界区域的思想提出了粗糙集的概念并给出了相应的定义。粗糙集从知识分类入手,研究在保持分类能力不变的情况下,经过知识约简,推出概念的分类规则,最后获得规则知识。粗糙集隶属度函数的定义有多种形式,典型的是Yao Y Y在1998年用三值逻辑进行的定义[31]。粗糙集理论的核心基础是从近似空间导出上下近似算子,典型的构造方法是公理化方法。1994年,Lin T Y最早提出用公理化方法研究粗糙集[32],之后不少学者对公理化方法进行了完善和改进。粗糙集在人工智能领域的应用主要体现在知识获取[33],知识的不确定性度量[34]和智能化数据挖掘[35]等方面。

传统的模糊数学存在隶属度、可能测度与概率区分不是^对分明的问题,目前,已经无法满足很多领域对不确定推理的需要。在发现状态空间理论以及云与语言原子模型后,1993年,李德毅院士在其文献《隶属云和语言原子模型》[36]中首次提出了云的概念,并逐步建立了云模型。云模型通过3个数字特征,即期望Ex,熵En和超熵He实现定性概念到定量数据间的转化,并以云图的方式表现出来,比传统的模糊概念更直观具体。1995年,李德毅等人在其文献隶属云发生器中系统化的提出了云的概念[37]。1998年,该课题组在一维云的基础上进一步提出了二维云的数学模型和二维云发生器的构成方法[38]。2001年,杜o提出了基于云模型的概念划分方法――云变换[39]。2003年,李德毅课题组提出了逆向云算法[40]。2004年至2007年,该课题组进一步完善了云模型的数学基础和数学性质,将云模型抽象到更深层次的普适性空间。云模型在人工智能的多个领域都有成功的应用,包括定性知识推理与控制,数据挖掘和模式识别。如1999年,李德毅将云模型用于倒立摆的控制[41];2002年,张光卫建立了基于云模型的对等网信任模型[42];2001年,岳训等人将云模型用于Web数据挖掘[43];2003年,田永青等人基于云模型提出了新的决策树生成方法[44];2009年,牟峰等人将云模型用于遗传算法的改进[45]。

贝叶斯网络起源于条件概率,是一种描述变量间不确定因果关系的图形网络模型,是目前人工智能,典型用于各种推理的数学工具。最初的贝叶斯网络时间复杂度很大,限制了其在实际工程中的应用。1986年,PEARL提出的消息传递算法为贝叶斯网提供了一个有效算法[46],为其进入实用领域奠定了数学基础。1992年,丹麦AALBORG大学基于贝叶斯网开发了第一个商业软件(HUGIN)[47],可实现贝叶斯网的推理,使贝叶斯网真正进入实用阶段。1997年,Koller和Pfeffer[48]将面向对象的思想引入贝叶斯网,用于解决大型复杂系统的建模问题。将时间量引入贝叶斯网则形成了动态贝叶斯网[47],动态贝叶斯网提供了随时间变化的建模和推理工具。贝叶斯网络节点兼容离散变量和连续数字变量则形成了混合贝叶斯网,混合贝叶斯网在海量数据的挖掘和推理上有较大优势[49]。贝叶斯在人工智能领域的应用主要包括故障诊断[50],系统可靠性分析[51],航空交通管理[52],车辆类型分类[53]等。

4 结 语

人工智能科学想要解决的问题是让电脑也具有听、说、读、写、思考、学习、适应环境变化以及解决各种实际问题的能力。布尔逻辑、概率论以及可信计算理论为人工智能的诞生奠定了数学基础,这些数学理论经历了上百年的发展,已经比较成熟。混沌与分形、模糊集与粗糙集、云模型等人工智能的数学理论是近30年发展起来的,为不确定性人工智能奠定了数学基础,但还存在很多问题需要解决。就混沌与分形来说,其理论体系还不成熟,其应用在复杂问题的优化、联想、记忆等方面将更有生命力;对于粗糙集来说,其理论研究可以从粗糙集的扩展方面进行,并在相关模型下进行应用研究;就云模型来说,如何揭示其理论上的优势以及和其他相关模型的联系与区别,以及如何实现数值域和符号域共同表达的云模型都是值得研究的问题。贝叶斯网是人工智能领域目前最有效的推理工具,将来的研究应集中在概率繁殖算法的改进、混合贝叶斯网以及动态贝叶斯网的扩展研究等方面。

参考文献

[1] George F luger.Artificial Intelligence structures and strategies for complex problem solving, Fifth Edition[Z].Pearson Eduation, 2005.

[2] George F.Luger.人工智能――复杂问题求解的结构和策略[M].史忠植,张银奎,等,译.北京:机械工业出版社,2006.

[3]吕家俊,朱秋月,孙耕田.布尔代数[M].济南:山东教育出版社,1982.

[4] MOLODTSOV D.Soft Set theory-first results [J].Computers and Mathematics With Applications,1999,37(4-5):19-31.

[5]王梓坤.概率论基础及其应用[M].北京:北京师范大学出版社,1995.

[6] Mercer J. Functions of Positive and negative type and their connection with the theory of integral equations. Philosophical Transactions of the Royal Society of London[Z].1909,209:415-446.

[7] Deutsch D,Jozsa R,Rapid solution of problems by quantum computation[J].Proc R Soc London A,1992,439:553-558.

[8]杜立智,符海东,张鸿,等.P与NP问题研究[J].计算机技术与发展,2013,23(1):37-42.

[9] Sahni S.Data Structures, Algorithms and Applications in C++[M].McGraw-Hill,1998.

[10]吴祥兴,. 混沌学导论[M].上海:上海科学技术文献出版社,2001.

[11] Yamada T,Aihara K,Kotani M. chaotic Neural Networks and the Traveling Salesman Problems[C].Proc of Int Joint Conf on Neural Networks,1993.

[12]余群明,王耀南,柳青.混沌动力在智能信息处理中的应用[J].系统工程与电子技术,2001,23(5):97-101.

[13] Kyung Ryeu Jin,Sun Chung Ho. Chaotic Recurrent Neural Networks and Their Application to Speech Recognition[J].Neurocomputing ,1996,13(2-4):281-294.

[14]李绪,李光,汪乐.嗅觉混沌神经网络的研究和应用[J].传感技术学报,2004,17(2):179-184.

[15]孙霞,吴自勤,黄s.分形原理及其应用[M].北京:中国科学技术大学出版社,2003.

[16]斯林.利用分形方法提取遥感影像空间结构信息的应用研究[D].北京:中国林业科学研究院,2000.

[17] Peleg S,Narorand J,Hartley R.Multiple resolution texture analysis and classification[J].IEEE Trans PAM,1984,6(4):518-523.

[18]亢盈.分形理论的创立发展及科学方法论意义[J].科学管理研究,1998,16(6):56-59.

[19] Leland W E,Taqqums,Willenger W,et al. On the self-similar nature of ethernet traffic[J].IEEE/ACM Transactions on Networking( Extending Version),1994,2(1):1-15.

[20]丛锁,韩良秀,刘岩,等.基于离散小波变换的网络流量多重分形模型[J].通信学报,2003,24(5):43-48.

[21]陆俊秀,山秀明,任勇.TCP 流量的多尺度分析[J].数据采集与处理,2004,19(1):5-9.

[22]郑建华,曹阳,刘,等.Internet流量预报研究[J].计算机工程,2003,29(3):129-130.

[23] Zadeh L A. Fuzzy Sets[J]. Information and Control,1965(8):338-353.

[24]李洪兴,汪培庄.模糊数学[M].北京:国防工业出版社,1994.

[25]汪培庄,韩立岩.应用模糊数学[M].北京:北京经济学院出版社,1989.

[26] Pal N,Pal K,Keller J.A new hybrid C-means clustering model[C].IEEE Proc of FUZZ,2004:179-184.

[27] Richard Jensen,Shen Qiang. Fuzzy rough data reduction with ant colony optimization[J].Fuzzy Sets and Systems,2005,149(1):5-20.

[28] Frederick E Petry ,Zhao Lei .Data mining by attribute generalization with fuzzy hierarchies in fuzzy databases[J].Fuzzy Sets and Systems,2009,160(15):2206-2223.

[29] Raschia G, Mouaddib N.SAINTETIQ:a fuzzy set-based approach to database summarization[J].Fuzzy Sets and Systems,2002,129(2):137-162.

[30] Pawlak Z. Rough Set [J].International Journal of Computer and Information Sciences, 1982, 11:341-356.

[31] Yao Y Y.Generalized rough set models[C].PolkowskiL Skow ron A eds.Rough Sets in knowledge Discovery, Heideberg: Physica-Verlag, 1998:286-318.

[32] Lin T Y, Liu Q. Rough approximate operators: Axiomatic rough set theory[C].Ziarko w p ed. Rough Sets ,Fuzzy Sets and knowledge Discovery,London:Springer-Verlag,1994.

[33]王国胤.Rough集理论与知识获取[M].西安:西安交通大学出版社, 2001.

[34]梁吉业, 李德玉.信息系统中的不确定性与知识获取[M].北京:科学出版社, 2005.

[35] Zhao J, Wang G Y.A data-driven knowledge acquisition method based on system uncertainty[C].Proceedings of the 4th IEEE International Conference on Cognitive Informatics. Irvine, USA, 2005:267-275.

[36]李德毅.隶属云和语言原子模型[C].计算机智能接口与应用,1993:272-277.

[37]李德毅,孟海军,史雪梅.隶属云和隶属云发生器[J].计算机研究与发展, 1995, 32(6):15-20.

[38]杨朝晖,李德毅.二维云模型及其在预测中的应用[J].计算机学报, 1998, 21(11):961-969.

[39]杜o,李德毅.基于云的概念划分及其在关联采掘上的应用[J].软件学报,2001,12(2):196-203.

[40]吕辉军,王晔,李德毅,等.逆向云在定性评价中的应用[J].计算机学报,2003,26(8):1009-1014.

[41]张飞舟, 李德毅.基于隶属云发生器的智能控制[J].航空学报,1999,20(1):89-92.

[42] ZHANG Guang-wei, KANG Jian-chu, HE Rui.Towards a trust model with uncertainty for e-commerce systems[C].Proc of IEEE International Conference on e-Business Engineering,2005.

[43]岳,孙忠林.定性预测系统的建模方法[J].计算机工程, 2001,27(9):97-99.

[44]田永青,杜国宁,李志,等.基于云理论神经网络决策树的生成算法[J].上海交通大学学报, 2003, 37(Z1):113-117.

[45]牟峰,王慈光,袁晓辉.基于云模型的参数自适应蚁群遗传算法[J].系统工程与电子技术, 2009, 31(7):1763-1766.

[46] Pearl J F.Propagation and structuring in belief networks[J].Artificial Intelligence,1986,29(3):241-288.

[47] Hugin Expert.The leading decision support tool[EB/OL].http://.

[48] Koller D,Pfeffer A.Object-oriented Bayesian networks [C].Proceedings of the 13th Annual Conference on Uncertainty in Artificial Intelligence. Providence, Rhode Island,1997.

[49] Neil M,Tailor M. Inference in hybrid Bayesian networks using dynamic discretization[J].Statistics and Computing,2007,17(3):219-233.

[50] Heckerman D,Breese J S,Rommelse K.Decision Cthe Coretic trouble shooting[J].Communication of the ACM,1995,38(3):49-57.

[51] Torres-Toledano J G,Sucar L E.Bayesian networks for reliability analysis of complex systems lecture notes in computer science[C].Proceeding of the 6th Ibero-Amercian Conference on AI: Progress in Artificial Intelligence.London,1998:195-206.

[52] Neil M,Malcolm B,Shaw R.Modelling an air traffic control environment using Bayesian belief networks[C].Proceedings of Twenty-first International System Safety Conference,Ottawa,Canada,2003.

人工智能导论论文范文第9篇

关键词:智能;决策系统;教学方法

随着信息技术的应用和普及,“智能化”成为信息化后续发展的重要内容之一。在决策领域,20世纪80年代,一种以计算机为工具、应用决策科学及有关学科的理论与方法、以人机交互方式辅助决策者决策的决策支持系统(DSS)应运而生。但是,DSS只能辅助和支持决策者决策,其贡献局限于对可选方案的评价,只能对有量化特性的问题使用数据模型和数值计算方法来辅助决策,不具有表示复杂决策过程的能力,因此,促使人们提出将DSS与专家系统(ES)相结合,以分别发挥DSS的数值分析和ES的符号处理优势,从而将定性分析和定量分析有机结合起来,以既能进行知识处理,又能有效地解决半结构化和非结构化问题,这就是智能决策支持系统(IDSS)的产生背景。

随着人工智能和智能技术的发展,IDSS在广泛的工程技术、经济、管理、医疗和农业科学等诸多领域,得到广泛应用。了解、掌握智能决策的基本知识和技术是计算机科学、智能科学类专业大学生的基本要求,因此,智能决策类课程应运而生,并逐渐发展成为计算机、自动化、管理科学与工程和智能科学技术等专业的专业课之一[1-4]。

在我校,智能决策系统课程作为计算机科学与技术、软件工程、网络工程和其他电子信息类专业的专业限选或选修课程。目前,该课程的教学内容存在如下问题:一是教学内容繁,二是技术更新快,三是涉及的专业知识深,对学生的理论基础知识(特别是数学知识、计算机技术)要求极高,教学难度大。因此,学生在学习过程中不得要领,抓不住课程的核心,只见树木、不见森林,从而影响学生们的学习效果。本文就是在这样背景下,提出并开展教学研究的。

1教学内容改革

智能决策系统是一门计算机科学、管理科学、人工智能和应用数学交叉的新兴专业课程,其学分通常为2~2.5学分,即32~40学时,其中包括0.5学分的实验课程(8学时)。因此,如何在有限学时中容纳下本课程教学内容,完成本课程的教学目标,就成为首要问题。

通过实践和教学改革,我校本课程的理论教学内容主要包括下列6个知识单元。

1) 决策理论概述。主要内容有决策的概念、类型、基础、流程和目标。理论课时数4学时。

2) 决策系统。主要内容有决策支持系统的概念、结构、功能、主要部件与设计要点。理论课时数控制在6学时。

3) 决策模型。主要内容有数据仓库、知识管理、数据挖掘、智能算法和数据处理。理论课时数控制在6学时。

4) 智能决策系统。主要内容有计算智能基础、专家系统的概念和结构、智能决策系统的概念和结构、智能决策系统的设计要点。理论课时数控制在8学时。

5) 群体决策系统。主要内容有协同计算概述,群体决策系统的概念、结构、功能、群体决策过程与建模和实现方法。理论课时数控制在6学时。

6)智能决策系统的发展。主要包括基于网络的决策系统技术和应用,网络技术与基于Agent的决策系统,智慧地球与智能化企业。理论课时数控制在2学时。

实践教学内容包括4个实验,学时总数为8学时,其教学内容设置见本文§3。

2教学方法改革

教学方法是为完成一定的教学目的、教学任务所采取的教学途径或教学程序,是以解决教学任务为目的、师生共同进行认识和实践的方法体系。其方法体系主要包含多个基本要素,比如教、学、信息传输载体(包含文字、图形、图像、肢体语言、表情、感知等)和教学辅助设备等。教学过程就是要充分利用具有信息优势、知识优势的教师,将信息、知识、技能、技巧,系统集成地传输给暂时处于低信息状态的学生。决定这个传输过程顺利进行的至关重要因素有:教师的积极性与责任心和学生的求知欲与基础知识及其结构。从教育学和心理学角度看,课程教学方法改革就是围绕这两个因素展开[5],限于篇幅,本文的讨论仅从如何调动学生的求知欲着手。

2.1探索式教学方法

经过多年教学实践,本文实践了“探索式教学法”,此法强调因材施教,在教学全过程创设教学环境、培养学生创新精神。所谓探索式教学方法是指在教学过程中,在教师的启发、诱导下,学生自主学习和合作讨论,以学习课程知识和科学问题为探索目标,以学生熟悉和能接触到生活原型为研究对象,为学生提供自由表达、质疑、探索、讨论问题的环境,学生通过个体、小组、团队等多种形式完成解难、释疑、尝试学习活动,将学生自己所学知识应用于解决实际问题的一种教学程序。探索式教学方法重视发展学生的创造性思维,培养自学能力,力图通过自我探索引导学生学会学习和初步掌握科学研究方法[6],培养学生的文献获取与加工能力、信息分析与加工利用能力、团队协作与沟通能力、语言表达与写作能力,和创新精神。为其终身学习和工作奠定良好基础。

尽管探索式教学法能够给教师的教学提供思想、理念指导,但是,针对不同教学对象和不同课程内容,其实际应用方法也会存在差异,这就是所谓的教无定法之说。本文以智能决策系统课程第1知识单元课外作业为例,尝试说明该法的具体应用方法,为保证该方法的实施效果,本文拟定了如下的教师操作流程:

1) 制定论文目标:培养学生综合利用参考文献和学会表达的能力。首先,要求学生学会获取、理解、过滤和分析信息;其次,要求学生掌握撰写科技论文的基本技巧;最后,要求学生在观众面前表达自己观点,学习说服听众、推销自己观点的技巧。

2) 论文基本要求:①围绕“关于信息技术对决策影响”的主题,学生自拟题目;②2周时间内,学生完成1 000字左右(2页A4幅面)的论文,其中内容需要包括摘要,关键词,问题或观点概述,目前发展状况,结论或结语;③制作演示幻灯片。

3) 提供信息查阅途径:通过网络教师自己已经掌握的文献资源和网络地址资源,指出查询方法和基本技巧。

4) 抽查式演讲:①使用幻灯片;②介绍主要内容;③结论;④点评、提问与回答。

5) 评价标准:①文档编制能力;②问题发现与分析能力;③表达与陈述能力。

在实施中,要防止出现如下情况:①题目太难或太容易,以免挫伤学生积极性;②提前告示和监督,防止学生偷懒或拷贝;③灵活掌握考评手段,鼓励创新,保护学生学习积极性。

2.2案例教学方法

案例教学法是在教师指导下,根据教学目标的要求,创设学生身临案例场境的教学氛围,使用案例来组织学生的学习、研究、实践等活动的教学方法。本课程利用该方法,加强了理论与实际的结合,为学生学习提供模仿案例,提高了学生对理论知识的理解和实践能力,培养学生综合运用所学知识解决实际问题的能力。案例教学法需要掌握好2个重要环节:

1) 案例选编。必须选择学生容易理解、常见的例子,案例选编必须围绕课程某个具体的教学目标,要适当加工,剔除与课程内容关联性小的内容和技术,降低难度,方便学生理解。同时,案例必须来自于实际,并且问题明确。

2) 案例讲解与分析。案例本身只是对实例的某些情况描述,表面上平铺直叙,但是,其中必须隐藏着多个问题,要引导学生积极思考、深入分析,以发现其中隐藏的问题,并找出问题产生的原因,提出解决方案。在思考和分析过程中,既要培养和开发学生智力,又要培养学生综合运用所学理论知识的能力。案例分析不能苛求解决问题的结果如何,而应该重点强调分析过程是否正确、方法是否恰当,案例讲解和分析的主要任务是培养学生发现问题、分析问题和逻辑思维等能力,通常解决问题的能力正是课程后续需要实施的教学目标。

本文在第4知识单元中,以6子棋计算机博弈系统为例,通过对6子棋计算机博弈平台的仿真实验,选择不同的博弈策略,比如不同的估值函数、不同的搜索策略等,获得不同的实验结果,实现人-机对战、机-机对战,让学生切实体会到机器智能的魔力及其智能系统的构造方法,有力地促进了学生对理论知识的理解,并激发了学生的学习兴趣。

3实验教学内容

3.1实验教学内容的设置

实验课是智能决策系统课程的重要环节,由于总课时有限,实验课时也就不多。但是,本校在专业课程中,仍然坚持设置了0.5学分的实验,以使学生能将理论知识与实践联系起来,使抽象的理论不再是深奥,提高学生灵活运用知识的能力。本课程实验学时为8学时,主要设置了表1中的3个实验。

3.2实验课的操作

为提高学生对课程理论知识的理解和应用设计能力,针对课程实验教学课时少和实验复杂特点,需要注意以下几点。

1) 简化平台、降低实验难度。实验教学过程重在是一个训练学生动手、动眼和动脑的过程,旨在培养学生好奇心和操作技能,以及观察问题、分析问题和解决问题能力。因此,在实验中,要尽量将实验平台简化,以将学生注意力集中于实验内容,保证实验效果。比如实验2,提供给学生智能交通灯控仿真平台,它实际上是一个软件模拟平台,能实现固定交管模式的全部功能,学生能通过标准接口建立自己设计的智能交通管理模式;又如实验3,以FIRA机器人足球5vs5比赛项目的仿真平台为实验平台,利用平台已设置的运球、传球、前进、后退、转动等命令,学生能通过这些命令建立足球机器人的路径规划和避障策略。

2) 科学分组、培养协作能力。由于实验3工作量比较大,需要多人协作完成,发挥集体智慧作用,因此,在实验3中,按照3~5人/组,实行组长负责制。组长监督、管理、协调本组实验过程,每个组员都有明确的任务,并对组长负责,组长对教师负责。实验3的课内实验设置4学时/2次,学时主要在课外完成实验3,历时1个月。

3) 设计算法、培养智能意识。引导学生,模仿人类智能,设计智能算法,实现简单的智能决策。由于课时有限,必须注意控制算法的简洁、实效,以使学生能在短时间内模拟实现简单的智能行为,着重引导学生分析业务行为,发现系统流程,构造智能算法,以此培养学生开发信息系统的智能意识。

4结语

智能决策系统是人工智能、计算机科学、自动控制科学交叉结合的一门新兴专业课程,对推动信息化向智能化方向发展具有重要意义。该课程作为在校主要面对电子信息、计算机专业学生,通过该课程学习,学生反映加深了对智能的理解,提高了对计算机技术应用的认识深度,培养了学生的智能化设计意识,激发了学生的求知欲望。本文的研究成果是源于智能决策系统课程,但是,对其他信息技术课程,也具有积极的借鉴意义。

参考文献:

[1] 钟义信. 智能科学技术导论[M]. 北京:北京邮电大学出版社,2006:1-38.

[2] 张彦铎,王海晖,刘昌辉. 地方工科院校智能科学建设的若干思考[J]. 计算机教育,2009(11):39-42.

[3] 韩力群. 智能科学与技术专业培养规范[R]. 北京:第二届全国智能科学与技术教育学术研讨会.2004.

[4] 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.

[5] 杨德广,谢安邦. 高等教育学[M]. 北京:高等教育出版社,2009.6:1-50.

[6] 张伟峰. 本科高年级人工智能教学的几点思考[J]. 计算机教育,2009(11):139-141.

Research on Teaching Reform of Intelligent Decision System Courses

ZHANG Xiao-chuan, CHEN Feng

(School of Computer Science, Chongqing University of Technology, Chongqing 400054, China)

Abstract: Analyses the problem of intelligence decision system course, and discusses the teaching content of the course, and puts forward the exploratory teaching methods and case teaching methods, and the paper builds the practice teaching content. Although these studying content is from intelligence decision system course, but it has also for reference effect for the other courses.

人工智能导论论文范文第10篇

关键词:智能科学与技术;本科专业;创建历程;北京大学;个人回顾

中图分类号:G642 文献标识码:A

1 智能系・信科院

智能科学系是2002年9月初正式成立的,它完全根植于北人信息科学中心,末作增扩。后者的简称――“信息中心”――虽然易与“计算中心”或“情报资料中心”混淆,却是上世纪八十年代中期北大一些有识之士倡议建立的第一个多学科交叉研究中心。它以数学系、无线电f电子学)系和计算机系为主,联合心理学、中文、遥感等共十个系所而组成,宗旨是开展多学科交叉研究,充分发挥北大的综合优势。即使放在二十余年后的今天来看,这样的举措也是颇有前瞻性和魄力的。在此基础上,北大很快于1986年建立了第一个国家重点实验室。就是这样人数不多的一个机构,先后出过三名院士和一名北大常务副校长。以指纹识别为代表的研究成果进入国际先进行列,在国内得到广泛应用。

2003年9月10日,北京大学最大的学院――信息科学技术学院――成立。它包括计算机、电子学、微电子学和智能科学四个系,有十二个(研究)所和中心,两个国家重点实验室和若干部门实验室。系是教学单位,所和中心是研究实体。从此,智能科学系(暨信息中心、国家实验室三位一体)翻开了新的一页。

2 专业增列・学会指导

成立智能科学系除了要顺应北大“系并院”的潮流,也是完善作为学校基本建制单位所必备的。何新贵院士为系取了名称,如今许多学校也大都采用这样的称谓。查红彬教授担任系主任,笔者是主管学科建设和教学的副主任,具体参与负责各项相关工作。创办国内第一个智能科学与技术本科专业也是我们这一班人继承传统的首要任务。事实上,早在一年多前,大家就进行了酝酿,特别是中国人工智能学会教育工作委员会多次组织的相关研讨,成为重要的准备基础。

北大是一级学科下自主增设、增列学科专业的学校。系领导上任伊始第一件事就是要在当年申办智能本科专业,而且志在必得。为此,我们在前期制定了详细的步骤计划,进行了深入调研和各项准备工作。我们起草完成了所需的各项材料(人才需求论证、专业建设规划和适应培养目标的教学计划与课程设置方案、教师教辅队伍和基本办学条件说明以及国内外背景对比材料等),中国人工智能学会涂序彦等学者对此进行了专家论证,协助完成了论证报告。这些工作就绪后,我们在2003年10月下旬向学校主管副校长、教务部负责领导和学院领导做了汇报说明,并于10月30日正式提交申请材料。经学校的学部讨论通过,校教务部审核和校教学科研工作委员会论证(由于是国家公布专业目录外者),再经校学术委员会审议,报校长办公会批准,最后于12月15日前顺利完成了全部程序,报教育部备案。2004年初,教育部正式批复并公布了北京大学“智能科学与技术”新的本科招生专业。这个专业名称是查红彬教授建议的,日后成为教育部批复新申办学校的统一提法。

由于“智能科学与技术”未在国家公布的专业目录中,因此是增列而非设置,北京大学将其置于计算机科学与技术一级学科之下。由于北大历来严格控制招生规模,我们的30名招生计划是由信息学院其他三个系从原有计划分配名额中挤出来的。新专业的计划发展规模最终为50名。

3 教学计划・四校会议

智能科学系虽然成功地创建了国内第一个“智能科学技术本科”专业,但也面临着许多挑战。首先是缺乏本科教学的经验。尽管信息中心前身具有北大最早的硕士点、博士点和博士后流动站,研究生培养己历十余年,但一直实施科研主导体制,未曾从事过本科教学。师资队伍扩充快,新进年轻博士比例大,而真正有过本科教学经历者寥寥无几。此外,信息学院成立后开始调整教学计划,制定了一年级统一课程内容,新生是按学院统一招进来,第一年共同学习,后三年才分专业培养。我们虽然为申办专业制定了一套课程计划,但因不兼容学院的统一规划而未能第一次通过学院教学指导委员会的审核。为此,我们组织学院经验丰富的老教授,为本系青年教师进行教学培训,听取学院主管负责领导和几位多年从事本科教学管理的老系主任对教学计划的修订意见。

通过几个月的努力,我们完善了智能科学系的课程体系,并最终通过学院教学指导委员会的审核。这个教学计划具有几个特点:一个大基础――以学院的数、理和信息类为主,强调宽厚扎实;三个核心课程群作为专业理论基础,包括智能基础课程群(智能科学技术导论、人工智能、脑与认知科学、信息论、信号与系统)、机器感知课程群(生物信息处理、图像处理、数字信号处理、模式识别)和计算智能与知识发现课程群(智能信息处理、机器学习、数据挖掘、计算智能等),以及两门实验(机器感知和机器智能)和其他各种选修课。四年学分150分,其中必修88学分(包括全校公选26学分、大类平台20学分、学院要求的13学分、专业必修2分),专业选修56学分(含专业课44学分、通选课12学分),毕业设计6学分。

为了更好地交流经验,扩大本专业的影响力,2005年5月,我们发起并与第二批获准的学校(南开、北邮、西电)在北大召开了四校研讨会,围绕各个学校在智能科学与技术本科专业的建设、招生、教学计划制定和未来发展设想等方面进行交流研讨,并建立了联系机制和网站。全国一些兄弟院校也纷纷来北大了解情况,开展座谈,我们则尽可能贡献自己的经验,给予支持。

4 招生・分流

从2004年开始,信息科学技术学院按学院大类招生,每年接收330~340名本科生,占全校的1/9左右。学生高考排名在全校属中上,但成绩分布差异较大。与学校的其他学院(多从一个系成长为一个学院,如数、理、化、生等)相比,信息学院是由四个不同的系合并而来的,专业跨度大,因此采用一年分流的模式(上述学院为二年分流),笔者被指定负责这项工作。我们提出自愿为主、计划为辅的方针,尽量满足同学们的兴趣志向。制定的分配计划是:电子学系120人、计算机系110人、微电子系70人、智能科学系30人,允许有10%的调整。分流工作在大一下学期(每年4月份)进行,包括全院动员、四个系专题介绍宣传、开放日参观咨询等几个步骤,可谓热闹非凡,同学们可以充分了解了四个系的专业特色。

为了克服盲目性引发的偏差,我们建立了一个网上分流系统,在正式填报专业前,增加了摸底预填报的环节, 及时反馈群体意向的分布信息,指导学生们的选择,也便于学院掌握动向,调整措施。这种大类招生、进来一段时间后再分专业的举措体现了北大的人文关怀。智能专业初办,基础条件差,缺乏毕业生记录的宣传说明,与学院其他三个老牌系(电子学系50年历史、计算机和微电子系30年历史)相比较并无优势可言,但是我们通过扎扎实实的工作和细致有效的改进,使这个新方向日益显现出魅力。随着智能专业的成熟,特别是有了第一届毕业生后,就愈加受到更多学生的喜爱。

选择智能专业的人数逐年上升,2004级34人、2005级36人、2006级39人、2007级43人,目前正在进行的2008级分流达到45人。除了在信息学院内部的影响力不断扩大,北京大学其他学院的转系情况也开始有了可喜的变化。北大最好的元培计划实验班今年第一次有4名学生选择智能专业,医学部和光华管理学院也有申请者(本文成稿时这项工作还在进行),2008级学生肯定突破50名,我们在第五年就达到了创办智能科学专业的规划目标。

5 首届生・班主任

在新办专业中,有一项由教授担任智能本科专业班主任的举措。这是利用教授的学识、经验和责任心来更好地管理呵护自己的学生,避免了年轻教师因职称晋升等压力可能出现的疏漏。这一做法取得明显效果,不仅受到同学们的普遍欢迎,信息学院也开始考虑推行。笔者担任了智能专业的第一任班主任。首届学生(2004级)有34名,他们进入北大后毅然选择全新的智能专业是很有勇气的,全班有11名来自北京的学生,5名女同学,这个比例迥异于整个信息学院的总体分布。

该班学生的年龄恰与我自己的孩子相同,我天然地熟悉他们的一般特点,也理解家长们的想法。北大信息学院的淘汰率平均是7%,每年都有20多人退学。这班学生在大一时的成绩并不占优,其中有几人处在边缘位置,因此,我立下的最低目标就是确保所有同学不掉队。我首先通过全班民主选举任命了一个5人组成的班委会,这个5人机构在随后的几年中发挥了重要作用:其次走访宿舍,了解每个人的情况,为了消除代沟,我努力融入同学当中,学习熟悉他们的语境和思维想法。我同多数同学家长有过接触,从中更深入地掌握学生的性格特点,也包括寻求家长的必要配合。我与所有同学做过不止一次的个人交谈,经常是在晚间,很多时候是他们主动找我,谈遇到的各种困惑、自己的想法、志向等,我利用这些机会及时解决了具体问题。在学习上,我组织全班同学开展互帮互学,尤其对几门有难度的专业课程进行“联合攻关”。全班的“数据结构与算法”课程成绩甚至超过了计算机系。

几年来,全班团结互助,像一个大家庭,班委会也一再连任,得到全体拥护。到毕业时全部合格,实现了我的愿望。不仅如此,全班的学习成绩在学校的综合评估中优良率达93‰毕业设计都在良以上,有14人获优秀,更有三名同学的毕业论文被评为学院“十佳”论文。学院的第一、三名也都出自我班。34名同学中有22名继续保送本校读研(其中20人仍在本系),4名同学去了大的国企和知名外企工作,8名同学出国深造,在欧、美一些名校攻读博士,其中有一名学生同时拿到了包括哈佛、MIT、CMU、UCLA在内的著名大学的全额奖学金(最后选择MIT)。第一届智能专业学生的良好成绩极大鼓舞了我们,增强了我们办智能专业的信心,也为以后的几届同学做出榜样。

几年班主任的经历让我深深地体会到,进入二十一世纪的大学,教书、育人同等重要。要适应新时代年轻人的特点,保持我们民族的优良传统,把人格培养放在首位。能够进入北大的学生都是各地的尖子,当他们聚集在这所著名学府时,首先要调整原来俯视周围的习惯,学会平视甚至仰视其他同学,平和自己的心态,开阔胸怀,树立人生抱负和刻苦努力的决心,这样才能正确对待困难和挫折,才有所作为。班主任的工作往往细致入微,其实是把70%的精力用到30%的人上面。一些学生掉队是否可以避免,关键看班主任的工作是否到位。

6 培养体系・本研贯通

北大是(文)理科性质的学校,“智能科学与技术”专业也是按理学设置,尽管它更强调学科交叉。从智能科学的内涵来看,我们设立的培养方向更多地是继承自身传统和学校的综合优势,突出“以人为本”的脑认知和与心理生理结合,开展机器感知(视、听、触)和数据转换信息,进而发现知识的机器智能两个方面的研究。同时,我们配合学院的教学指导规划设置课程计划,除了全校的公共必修课程(外语、政治和体育),还有学院的公共平台课。第一年主要是夯实数学、物理和信息类的基础,后三年的专业课程安排是以必修的专业基础和机器感知与机器智能两个方向的专业核心课程为架构。为了强调学生的动手能力,还重点建设了两门实验课程。此外,还利用学校的各种本科科研基金项目(包括大学生创新基金、著政基金、泰兆基金、校长基金)和各个实验室承担的项目来吸引学生,培养他们思考问题的能力,提高他们的研究兴趣,为日后进一步深造打基础。由于绝大多数学生都将读研,这样的安排无疑起到了积极作用,并成为撰写毕业论文的基础。我们还打通了本科高年级与研究生一年级的课程,利用各种机会举办研究讲座,如龙星计划、专题报告、国际人工智能远程教学等活动,开阔学生的视野,引导研究方向,调动学生的潜质。从专业特点来看,我们的智能学科更偏向于“软”的一侧,因此也充分利用信息学院,特别是计算机系的各类教学资源来帮助扶持新办专业的成长。

我们原有的博士、硕士点是计算机应用技术和信号与信息处理两个方向,为了让我们的培养体系更加系统,我们进行了两年的精心准备。2007年底,我们正式向北大研究生院申请增列“智能科学与技术”硕士和博士点。经过必要的论证,最终获得批准,及时衔接第一届本科毕业生升研。至此,本、硕、博一以贯通,作为计算机科学与技术下的二级学科,一个完整的智能科学技术专业培养体系建立起来,从培养体制上保证了新兴智能专业的顺利发展。

7 特色专业・教学团队

五年来,北京大学智能科学技术本科专业从酝酿到创办,可谓初见成效,走过了颇具挑战的历程。除了确定具有特色的培养目标和方向外,还需要扎扎实实落实每一个环节,并在实践中检验。本科教学迥异于研究生培养,它的计划性、按部就班执行的严格性以及每堂课程的内容安排和效果评估必须一丝不苟。

信息学院秉承了北大的优良传统,对这个新办的专业给予了巨大支持和关怀,使我们能迅速成长起来。我们从一开始就有一套严格的课程设置审核程序、教案检查制度和新教师上岗准入的试讲考核手续。学院有一支由经验丰富的退休教师组成的督导组,随堂听课评估每一位教师的讲课内容、方式和教学效果,及时纠正问题。作业批改和试卷出题也都有严格规定。在课程体系的建设方面,信息学院打通了一年级的公共部分,深化和夯实了数理基础。 在专业课程上,智能科学系提炼了三个课程群,并组织教师进行重点建设。此外还加强对学生动手能力和独立思考解决问题能力的培养。

除了在专业上实施分流培养外,我们还针对北大学生的特点,在基础课采用实验班的A、B分级组合方式,满足不同专业对各自基础培养的要求。在专业课程群中,也允许不同兴趣的组合选择,充分发挥和提升学生的能力。为了更好地关怀学生顺利成长,我们除规定教授担任班主任外,还设立了本科生学术导师制,加强对学生的各种指导。智能科学系也注重师资队伍建设,引进了一大批(半数以上)优秀的年轻教师,其中信息学院中从国外回来的教师比例是最高的,为这一新兴学科注入了最具活力和新思想的力量。在招聘教师时,教学需求和能力成为评价的重要指标。

2007年,我们接受了教育部的学科评估,新办专业得到好评。学校开始关注我们的进步,在随后的一年中,我们一再从学校的竞争中脱颖而出,陆续获得了国家一类特色专业、北京市一类特色专业和北京市优秀教学团队等称号,2008年又获得部级教学团队称号。我们的培养体系和人工智能双语教学也分获北京大学的教学一、二等奖。

8 结语・致谢

尽管北大年轻的“智能科学与技术”本科专业建设初见成效,但征程是漫长的,我们还会面临更多的挑战和问题。然而,智能科学这个本科专业方向是很有希望的,它不仅吸引了大学的新生,也在高考人群中产生着愈加重要的影响,它的健康发展需要大家共同的努力和精心培植。每所大学都有不同的特点,我们应该从学校、师资、方向、生源以及学科培养性质和目标等条件出发来建设新兴专业。以上是笔者对北京大学第一个“智能科学与技术”本科专业创建历程的回顾,希望与同行共享。

在专业建设过程中,许多人给予了热情帮助和支持。这里要特别感谢北大信息学院陈徐宗教授,感谢中国人工智能学会涂序彦和王万森教授。

最后引龚定庵一句名言:“但开风气不为师”。

4 总结与展望

本文介绍了厦门大学智能科学与技术系在学科发展、科学研究和人才培养方面的基本建设情况。我们希望这些初步的工作总结能对目前正积极筹办本专业的兄弟院校起到一定的借鉴作用。

上一篇:研究生自动化论文范文 下一篇:电气工程及自动化范文