人工智能课程总结范例6篇

前言:中文期刊网精心挑选了人工智能课程总结范文供你参考和学习,希望我们的参考范文能激发你的文章创作灵感,欢迎阅读。

人工智能课程总结

人工智能课程总结范文1

关键词:人工智能;创新性教学;精品课程;课程建设;教学改革

人工智能课程是计算机类专业的核心课程之一,也是智能科学与技术、自动化和电子信息等专业的重要课程,其知识点具有不可替代的重要作用。该课程内容广泛,具有很强的综合性、应用性、创新性和挑战性[1],其开设能够更好地培养学生的创新思维和技术创新能力,为学生提供了一种新的思维方法和问题求解手段。同时,本课程能够培养学生对计算机前沿技术的前瞻性,提高他们的科技素质和学术水平。通过课程的学习,学生对人工智能的定义和发展、基本原理和应用有一定的了解和掌握,启发了对人工智能的学习兴趣,培养创新能力。

中南大学人工智能课程开设于20世纪80年代中期。1983年,蔡自兴作为访问学者赴美国普度大学研修人工智能,并与美国国家工程科学院院士傅京孙(K. S. Fu)教授及清华大学徐光v教授合作研究人工智能。在傅京孙院士教授的指导下,蔡自兴和徐光v教授执笔编著《人工智能及其应用》一书,并于1987年5月在清华大学出版社问世,成为国内率先出版的具有自主知识产权的人工智能教材。本教材不仅为我校人工智能课程提供了一部好教材,而且促进了国内高校普遍开设人工智能课程。此后,又陆续编著出版了《人工智能及其应用》第二版、第三版“本科生用书”和“研究生用书”、第四版等,修读该课程的学生也与日俱增。该书第二版还获得国家教育部科技进步一等奖。经过近20年建设,该我校人工智能课程于2003年评为国家精品课程,并在2008年评为国家双语教学示范课程。这是至今国内唯一同时获得国家级精品课程和双语教学示范课程的人工智能课程。同时,我们还开发了人工智能网络课程,具有网络化、智能化和个性化等特色,被国家教育部评为优秀网络课程,供兄弟院校人工智能教学参考使用,受到普遍欢迎[2]。

作为国内第一门人工智能精品课程,我们按照教育部精品课程标准建设《人工智能》课程,尤其是在教学内容、创新性教学方法和教学模式上进行不断进行改革与探索,取得了很好的效果。本文即为我校人工智能精品课程建设与改革经验的初步总结

1教学内容优化

1.1课堂教学内容优化

教学内容的确定是课程的首要任务。如何选好教学内容,使学生既能了解本领域的概貌,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,是一件难事。教学内容除了包含基础理论外,还应该反映人工智能领域的新发展和新动态,跟上学科发展的步伐。本课程最初设定的教学内容分基础部分和扩展应用部分。基础部分主要包括人工智能的定义和发展、知识的表示以及推理,而扩展应用部分主要包括专家系统、机器学习、机器规划、机器视觉等。

近年来人工智能科学的快速发展,涌现出了大批新的方法和算法,研究热点问题也从符号计算发展到智能计算和Agent等。

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,是一件难事。教学内容除了包含基础理论外,还应该反映人工智能领域的新发展和新动态,跟上学科发展的步伐。本人工智能课程最初设定的教学内容分基础部分和扩展应用部分。基础部分主要包括人工智能的定义和发展、知识的表示以及推理,而扩展应用部分主要包括专家系统、机器学习、机器规划、机器视觉等。

近年来人工智能科学的快速发展,涌现出了大批新的方法和算法,研究热点问题也从符号计算发展到智能计算和Agent等。

随着科学技术的不断进步,在科学研究和工程实践中遇到的问题变得越来越复杂,传统的计算方法无法在一定时间内获得精确的解。为了在求解时间和求解精度上取得平衡,很多具有启发式特征的智能计算算法应运而生。这些算法通过模拟大自然和人类的智慧来实现对问题的优化求解。计算智能作为人工智能的一个新的分支是目前的研究热点,它主要涉及神经计算、模糊计算、进化计算和人工生命等领域,在如模式识别、图像处理、自动控制、通信网络等很多领域都得到了成功应用。另一个近10年来人工智能的研究热点是Agent和多Agent系统,其理论最早来自分布式人工智能,并随着并行计算和分布式处理等技术的发展而逐渐成为热点。

以上两个内容都是人工智能的重要分支。因此,我们在《人工智能及其应用》第三第3版[3]和第四第4版教材[4]中已经顺应形势加入了这方面的内容,并将教学内容也进行了相应的扩展,加入了计算智能、分布式人工智能与Agent。由于不确定性推理和基于概率的推理方法应用也越来越广泛,我们也将此类非经典推理方法单独作为一章来进行教学。另外,还增加了一些新的内容,如本体论和非经典推理、粒群优化和蚁群计算、决策树学习和增强学习、词法分析和语料库语言学,以及路径规划和基于Web的专家系统等。图1给出本课程的教学内容大纲。

人工智能的教学内容涉及面广且内容较多,要在有限课时内完成教学计划并让学生掌握,具有一定难度。因此需要根据教学对象的需求有所取舍。中南大度。因此需要根据教学对象的需求有所取舍。中南大学在智能科学与技术、计算机、自动化三3个专业中均开设了人工智能课程,根据相关专业课程教学对象,对学时和教学内容进行适当调整。对于智能科学与技术专业,人工智能课程为必修课,共48个学时含实验8个学时。表1表示为相关专业的人工智能课程教学内容分配情况。对于计算机和自动化专业,人工智能课程为选修课,共32个学时含实验8个学时。许多兄弟院校的计算机专业都把人工智能定为必修课,课程学时也在50学时左右。因此,我们一再强烈建议我校的计算机专业把人工智能列为必修课,并适当增加学时。由于智能科学与技术专业开设有专家系统和智能计算选修课程,因此在人工智能教学内容中只将这两部分做简要阐述,而将重点放在知识表示和推理以及扩展应用上。对于计算机专业学生来说,除基本的知识表示和推理外,计算智能和Agent技术也是他们在软件开发和通讯技术理论学习中需掌握的重要概念。同时,计算智能、专家系统对自动控制和电气工程也十分重要,对自动化专业则应掌握该方面的内容。

1.2实验实践教学创新

国内人工智能课程在开设之初大多没有安排实验内容,仅为理论基础和概念讲授。由于理论比较抽象,很难理解,学习效果不理想,学生们对于其应用实现也十分困惑。此后,各高校也逐步在该课程中分配了实验学时,大多数采用prolog语言和专家系统作为实验语言和对象[5]。为了改进该课程的教学,我们也从没有实验到将实验学时从零调整为设置4个学时的实验课时,然后到现在的8个学时的实验课时。随着课堂教学内容的改革,实验内容也进行了优化和更新。

人工智能课程实验的目的是帮助学生掌握基本理论,发挥主动性,研究探讨人工智能算法和系统的运行和实现过程,提出思路并验证自己探索的思路,从而更好的地掌握知识,培养研究能力和创新能力。因此,在实验教学内容的设计上,实验项目应具备研究性和综合性。实验项目目标明确,要求学生带着问题和任务进行实验,但实验过程又要有一定的灵活性,学生可以根据自己的思考进行适当的调整。再者,充分采用虚拟实验方式进行实验,大大提高了学生的兴趣,提供了分析和探讨智能算法的很好平台。同时,学生的实验数据和实验结果分析既有格式要求,又给学生报告自己的研究的过程和结果留有空间,并在评分时加以充分考虑。这些做法能够鼓励学生,特别是鼓励优秀学生进行独立性研究,满足他们学习的需求。

1) 人工智能课程的实验环节不足和课时分配问题。

中南大学的人工智能课程的实验环节经历了从精品课程建设前没有到开设,一直到其内容和形式上的不断改进过程。但目前实验还主要处于演示性和编程的实验阶段,而非设计和训练阶段。此外,由于人工智能课程涵盖范围广、内容多,而课程所设置的学时有限。,如何分配好课堂教学与实验课时也是一个需要在今后课程建设中不断探索的问题。

对于某些专业的人工智能课程,可以考虑单独开设人工智能实验课程或人工智能程序设计与实验课程。

2) 人工智能技术发展迅速情况下如何保持该精品课程持续发展的问题。

人工智能作为一门高度融合的交叉科学,其发展速度迅速,不断有新理论、新问题涌现出来。我们的

人工智能教学既要注重基础理论知识,又要紧跟学科发展的步伐,势必要求对课程内容进行不断更新,这对我们的教学资源和教师素质都提出了更高的要求。

4结语

本文介绍了中南大学的精品课程――人工智能课程教学内容和创新性教学方法的一些探索,已在课堂教学内容的优化、实验环节的改进、教学方法的创新的实施上取得了很好的效果,充分激励了学生的学习积极性和主动性,多方位培养学生发现问题、分析问题和解决问题的能力。我们的想法和做法可供兄弟院校同行参考。不过,仍然存在一些不足之处。随着智能科学与技术的发展和更为广泛的应用,人工智能课程的重要地位必将更加突显,我们也需要继续努力,与时俱进,不断完善人工智能精品课程的建设。

注:本文受教育部质量工程国家级精品课程人工智能(2003)、全国双语教学示范课程人工智能(2007)项目支持。

参考文献:

[1] 薛莹. 创新教育新途径人工智能与机器人教育:哈尔滨市教育研究院张丽华院长访谈录[J]. 中国信息技术教育,2010(1): 20-22.

[2] 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.

[3] 蔡自兴,徐光佑. 人工智能及其应用[M]. 3版. 北京:清华大学出版社,2003.

[4] 蔡自兴,徐光佑. 人工智能及其应用[M]. 4版. 北京:清华大学出版社,2010.

[5] 韩洁琼,闫大顺. 人工智能实验教学探讨[J]. 计算机教育,2009,(11):135-138.

[6] 刘丽珏,陈白帆,王勇,等. 精益求精建设人工智能精品课程[J]. 计算机教育,2009,(17):69-71.

Exploration of Innovative Teaching Mode of Artificial Intelligence Elabrate Course

――Construction and Reformation in Elaborate Course of Artificial Intelligence

CHEN Bai-fan, CAI Zi-xing, LIU Li-jue

(Institute of Information Science and Engineering, Centnal South University, Changsha 410083, China)

人工智能课程总结范文2

【关键词】大规模开放在线课程;人工智能课程;翻转教学法

0 引言

近年社会对计算机专业人才能力的要求越来越高,而学生所学与实际需求存在不少差距,高校计算机专业课程教学因而遭遇诟病。依托信息与网络技术支撑的大规模网络开放课程(massive online open course,MOOC)较好贯彻了以学为中心的理念,其翻转教学模式与灵活有效的交互极大提升了学习兴趣[1]。搭建MOOC平台的计算机技术既是技术基础,也是热门MOOC课程。在此浪潮下传统高校计算机专业的教学首当其冲受到冲击,遇到前所未有的挑战。纵观国际三大MOOC巨头的课程建设均始于计算机类专业课程,同时也是所占比例较大的课程系列,其中人工智能(Artificial Intelligence,AI)课程在Coursera、Udacity[1]两个平台上均是最早开设的课程之一。采用何种教学模式更适应社会对人才的需求呢?这是应对挑战的关键问题。

1 人工智能课程的课堂教学困境

人工智能是研究模拟、延伸和扩展人类智能的理论、方法、技术及应用的前沿交叉学科,涉及面广、研究性强,还不断产生新的理论和方法。课程难度大理论强实践难,也是公认难讲的课程之一,该课程具有如下特点:

1.1 先导课多,知识抽象,涉及面广,更新快

前期知识包括:数据结构、离散数学、程序设计、图像处理等。如果前期知识不扎实,很难理解内容并融会贯通。传统内容包括:知识表示和推理、搜索策略、模糊理论、神经网络、机器学习、专家系统、遗传算法等,涉及大量抽象理论和复杂算法。教材普遍特点是:内容滞后,枯燥深奥的理论和解决现实问题的实践联系不紧密。

1.2 研究性强

该领域很多内容仍是科研热点,并不断涌现出新的研究方向、新内容、新方法、新技术和新应用。

1.3 教学方式单调

技术和管理的局限也制约了教学方式,教学方式基本以教为中心,停留在讲授、问答等简单互动上,教学方法单一。很少能提供学生自学、讨论、合作和实践的一整套互动实践机会,难以真正体现以学为中心的理念。

1.4 学生缺乏兴趣

一方面,课程本身特点使得课程容易陷入枯燥的纸上谈兵的尴尬。另一方面,即将毕业的高年级本科生对未来规划明确,抽象的人工智能课程无论从职业发展还是继续深造对学生并没有立竿见影的效果,进一步拉低兴趣。此外,教材滞后,教学方法单一等也会影响兴趣。

如火如荼发展的MOOC的课程,尤其Udacity的课程设计之初就立足于解决实际问题的导向,做法上的独特之处成功吸引了大批学生。课堂教学中借鉴在MOOC上被证明有效的教学模式和方法,不啻为一种尝试,以期摆脱教学困境,提高学习兴趣,最终提升教学质量。

2 MOOC的教学模式

MOOC的教学模式分为三种:cMOOC、xMOOC 和 tMOOC[2]。早期的cMOOC的教学模式特点是学习者完全做主,但复杂的网络互动产生庞大而混杂的知识网,缺乏识别主次和归纳总结能力学生常因信息过载陷入茫然无措的境地。2011年Udacity 创始人之一在网上开设的“人工智能导论”课程改变了表现风格,把互联网作为教学媒体的呈现潜力发挥到极致,按知识点分割内容成短小视频,其间插入现场对问题的解决,突出了Udacity有别于传统教育机构及其先行者的地方:注重发现并解决问题。这就是xMOOC的教学模式,沿袭并创新了熟悉的学习风格,使得MOOC如鱼得水渐渐发展壮大。随着MOOC逐步成熟,为了适合具有专业基础的职业技能培训,发展培养针对具体任务的探究学习教学模式,即tMOOC模式,这是Udacity网站课程的另一个设计目标。表1显示了MOOC的三种模式的对比。

以Udacity的人工智能导论课程为例,只要高中毕业具有概率论和数理统计基础的学生就可以学习,该课程适合入门,但难度较低,内容较少。清华大学的马少平编写的人工智能教材是很多大学,包括我院人工智能课程的教材,清华大学的人工智能课程经过多年发展已经形成了一个系列教学资源库,包括教材、课程视频、教学课件、作业及答案和实验设计等。根据Udacity网站的人工智能导论课程的展示,表2从几方面对比了Udacity人工智能课程与清华大学马少平版的人工智能课程情况:

从表2可以发现Udacity的人工智能视频采用了按知识块分割成短小视频,在期间和完毕之后都准备了测试,细节上体现了以学为主的理念。纵观类似人工智能的国家精品课程[3],学习资源多为文本类,重用难,对教学重难点没有拓展和转化。这种以内容共享为中心的呈现模式,缺乏与学习者充分交互,难以体现以学为中心的教学理念。

在MOOC的教学设计中,调动学习者极大热情的是翻转课堂,在学习环境中引入了自主协作[4-5],在交流机制中融入了多元互动,给学习者带来积极、主动、高效的学习,翻转课堂和传统课堂的区别如表3所示:

3 MOOC的教学模式对人工智能课堂教学的启示

3.1 教学内容的优化与调整

MOOC的教学通过把理论抽象的知识点分割成小段录制的微课视频,时长不超过15分钟,内容衔接处具有一定交互性,讲解形象化,提供给学生反复观看,这种用技术处理分解知识点和把难点从抽象变成具象的过程降低了理解难度。

课堂教学也可以通过分而治之的方式对教学内容优化调整。人工智能涉及内容与范围多而杂,作为入门课程并不要面面俱到,根据学生层次,可以区分重点掌握和一般介绍的内容,以点带面铺开,因此,根据学生特点,把成熟的基础理论和这些理论的实际应用整合,辅以其他新技术的穿插介绍,主要分三块:

①人工智能的概念和发展,熟悉人工智能的研究和应用领域;

②人工智能的基本技术,包括知识表示,逻辑推理、搜索策略、模糊理论等;

③涉及现实应用,如:机器学习,模式识别,自然语言理解,智能控制等。

为了反映人工智能领域最新进展,教师还可以收集学生感兴趣的最新成果专题信息,及时更新、调整教学内容,通过与实际更紧密的融合接轨,对课堂上没时间介绍而又较热点的新知识,通过提供方向和资料解决,注重提高兴趣的同时,也展示出课程学科特点、主流技术及发展趋势。

3.2 紧密结合实际

Udacity的开设之初的目的就是学习为了解决现实问题,其人工智能课程设计也不例外,包含有实际遇到问题的解决,这种立竿见影的好处就是极大激发了兴趣。

考虑到高年级学生对解决实际问题技术的兴趣远远大于技术理论等细节,不想花太多时间去理解复杂而难以看到实践效果的理论上,更想通过实际体验解决问题增强成就感。教学内容的设计尤其紧密结合实际运用。

传统人工智能讲授通过实例解答或推证式讲述理论,如知识表示和搜索推理技术,该部分理论强,应用实例少,往往学生感觉枯燥乏味,教师也感觉晦涩抽象,学生对所讲内容基本靠死记方法和步骤,这种僵化的教与学影响了教学效果。

因此,设计教学时尤其注重内容的实用性。除了讲授至今仍沿用和有效的基本原理和方法外,引入近年发展起来的方法和技术,如智能算法等,对这些内容重点在技术的具体实现上,强调与实际的融合贯通。教学过程中加入与课程内容对应又可以用计算机实现的试用内容。如模式识别应用于手写数字识别,通过仿真软件模拟实现算法,获得立竿见影的效果体验,加深对算法的认识,引起学生浓厚的兴趣。同时也对某些很有发展前景的技术兴趣导入,如目前人工智能研究侧重人类理性逻辑功能的模拟,而如果把情感智能考虑进去,才更有人性化的智能决策。这就是经过了将近20年发展的情感计算,随着可穿戴技术渐渐渗透进生活,引起更多关注,这些接地气的内容提升了兴趣。

3.3 实践能力的培养

Udacity 创始人史蒂芬斯博士的说过,“即使是最好的大学,其计算机课程所传授的技能也是浮于理论的”。学习的目的是为了解决实际问题,带着问题学习和思考,有利于主动学习的激发。这些方面,可以参考Udacity人工智能课程的实验内容修正。强调学习是为了解决实际问题服务的目标。

3.4 教学模式及教学方法的变化

3.4.1 实例教学法

人工智能内容的抽象性决定了知识点的难度,Udacity人工智能课程教学中尽量把难懂的知识点结合现实中有趣实例,通过感性体验提高理性理解,让学生容易接受。笔者进行了一些化难为易的尝试:如利用汉诺塔问题讲解状态空间的知识表示,通过野人过河的游戏程序步步领会理论精髓;结合下棋软件体验模拟人脑思考的计算机博弈的极大极小搜索思路,这些实例教学激起了兴趣,扩展了学生思路,拓宽了视野。

3.4.2 翻转教学法

整门课程录制课程小视频还有一定难度,作为尝试,选择少量知识点录制视频进行翻转教学。如抽象的理论部分,借鉴网上已有视频资源融入教学过程,分解知识点破解难点,形象化与短时间的重复讲解,增加学生对抽象内容的理解,期间穿插核查对理解内容的核查,并留出思考时间,强化学习效果。

3.4.3 交互环境的营造,辅助教学过程完善

1)基于联通主义的学习交互[6-7]

在MOOC课程中,提供在线交流论坛,学习者建立课程组,学习组等方式交流,这种教与学、学与学的交互不但是网状进行的,而且是即时的。学生将互动产生的内容作为学习的中心,通过学习者不同认识的交互,建立新的认知结构,拓宽了视野,更有利于问题的有效解决。这种互动交流分成三种形式:

①教师对统一回答提问集中且意义较大的疑难问题;

②学习者分享学习感悟;

③学生间交流带来不同认知的碰撞。

以上三种情况的互动在课堂教学中也可以运用于课堂教学:及时分析整理共同问题,集中回复;课堂教学的互动除了课堂上及时了解学生反馈的互动,还有对解决问题的互动。课下互动可以利用学者网建立课程组,提供了较好的师生交流形式与效果,同时利用学习组在小组中分享互助,小组成员的交流引起认知碰撞,这种实际参与的体验加深了理解,并巩固学到内容,这些资料的逐渐积累还可以复用。

2)基于行为主义的学习反馈[8]

MOOC 遵循了程序教学的一般原则,尤其注重学生反馈,像游戏一样关卡设置让整个过程充满挑战性,一些机器评分实现了及时学习反馈,摆脱了单向提供课程资源的弊端。课堂教学可以借鉴这种借助技术手段互动了解学生学习的情况,促使有意义学习的发生。

4 教学改革的实施

利用以上措施在《人工智能》课程的教学中实践,通过在xMOOC教学模式中部分适当内容引入翻转教学法与利用学者网的课程交互,探索提高兴趣,促进理论与实践的融合,促进有意义学习的发生,提高学生实践能力的途径。通过观察,调查与访谈等方式,了解学生在该教学模式中兴趣与能力改善状况,同时研究教师教学法转变与教学水平变化的关系,根据追踪研究效果,发现这种改善调动了学习兴趣,促进了教学效果。实践中通过建立实验组(班)与对照组(班)、评价教学模式和教学效果等因素,不断总结、修正和完善,期望建立适应当前形势与环境的有效的该课程的教学模式与教学方法。

5 结束语

笔者结合人工智能课程的教学实践,针对本科高年级的教学特点和人工智能课程学科特点,提出在设计人工智能教学时,通过MOOC的教学模式和教学方法完善课堂教学,注重内容的实用性和新颖性,适当穿插新方向的内容,目标是将难学、枯燥、难理解的问题,变得易学、有趣、易理解。从学生反馈来看,这些方法起到了积极的实际效果,有效地提高了学习积极性。

【参考文献】

[1]udacity的人工智能导论课程网[EB/OL].https:///course/cs271.

[2]王萍.大规模在线开放课程的新发展与应用:从cMOOC 到xMOOC[J].现代远程教育研究,2013(03):13-19.

[3]国家精品课程资源网[DB/OL].[2013-04-22].http://.

[4]徐明,龙军.基于 MOOC 理念的网络信息安全系列课程教学改革[J].高等教育研究学报,2013,36(03).

[5]王文礼.MOOC 的发展及其对高等教育的影响[J].江苏高教,2013(2):53-57.

[6]李青,王涛.MOOC:一种基于连通主义的巨型开放课程模式[J].中国远程教育,2012(3):30-36.

人工智能课程总结范文3

当前高职教育中为计算机专业学生所开设的人工智能课程很大程度上沿用了普通高等教育环境下的教学方式和内容,这显然与高职教育本身培养人才的目标和方式不一致。高职教育的最终目标是要培养适应生产需要的技能型、应用型人才,而高职教育在教学方式上应更为注重实践教学,包括各种实验、实训、实习和设计。因此,人工智能课程中单纯的理论讲授并不能有效地适应高职教育的实际教学环境要求,有必要对人工智能课程在教学内容和方式上加以改革。三个改革途径(一)引导学生阅读应用研究文献

高职教育强调培养学生的知识应用技能,其中重要的一点是要培养学生把理论知识应用到实际生产中的能力。然而在教学实践过程中,学生普遍反映由于人工智能课程理论性强,难于从课本理论联系到实际的专业应用上,这样对激发学生的学习兴趣,提高技能应用水平是不利的。

实际上,人工智能涉及的应用领域极为广泛,其中在专家系统、模式识别、智能控制、数据挖掘、自然语言理解等方面尤为突出,每一种应用都能够很好地体现出人工智能学科的基本理论方法特点。因此,在课程学习的开始阶段,应让学生按照个人兴趣自行选定某个应用领域,在一定的提示和引导下通过检索有关文献,访问相关的科研院校网站等方式获取资料,了解当前该领域的发展现状和具体产品的开发和使用情况,最后在课程的结束阶段以学习报告的形式在课堂上加以演示和共同讨论,这样可以大大激发学生学习人工智能课程的主观能动性,开阔学生的知识视野。资料的收集阅读与思考是知识应用的首要环节,对于培养应用型人才的知识应用技能很有帮助。(二)安排学生对经典算法程序进行实验

与普通高等教育相比,高职教育更加强调实践教学的重要性。从实践中学习和理解理论知识,并且把所学知识运用到实践中,这是高职教育的重要特点。人工智能课程内容抽象而概念性强,单纯的理论讲解学生难以从中得到启发,也难以体现出高职教育突出实践教学的特点,为此需要安排学生动手实验,从实践中理解人工智能科学的理论原理和应用途径。

在人工智能科学的发展过程中,先后提出了一些经典的优秀算法程序,如A*算法、遗传算法、神经网络的BP学习算法等,在科研和工程实际中得到了广泛的应用,在实践教学中同样有着重要价值。根据教学要求和实际情况,学生并不需要自行设计关于这些算法的具体程序,在提倡开放和共享源代码的今天,通过网络能够获得大量相关的程序代码资源。同时,一些软件平台也集成了一些工具箱,如遗传算法工具箱、神经网络工具箱等,只需设定相关输入参数和数据,便可通过调用工具箱函数实现算法,极为简便而易于理解。

学生应通过对这些程序作验证性实验来理解所学内容。为安排学生有效地进行实验,教师应结合当前阶段所讲授的内容准备相应的算法程序,当该部分内容结束后在课堂上讲解和演示算法程序的运行方法。学生获得该算法程序以及具体的实验任务后在课后完成实验并提交实验报告。

例如,在讲授启发式搜索时,可向学生提供A*算法求解八数码难题的算法程序,并对某个学生给定某个初始棋盘状态,要求学生动手运行程序并记录由算法扩展所得的每个棋盘状态的估价函数计算结果,以及相应的OPEN表和CLOSED表的变化情况,从中理解A*算法的原理特点。又如,在讲授BP学习算法时,可根据学生的实际情况对内容进行调整,强调BP神经网络的实际工程应用价值,而对BP算法的基本原理只作简单介绍。向学生提供利用BP神经网络学习特定目标函数的MATLAB程序代码后,要求学生动手运行该程序,并且记录和对比神经网络在训练前后对目标函数的逼近效果。

(三)启发学生引入人工智能理论方法对毕业设计加以创新

毕业设计是高职教育的重要环节,学生通过毕业设计对以往所学知识作系统性总结,通过毕业设计能进一步加强学生的技能训练,提高学生的技能应用水平。从实践教学的角度来讲,毕业设计不仅仅要求学生对已学知识和技能的简单重复运用,更重要的是强调学生能够主动独立地分析实际问题,对问题的解决方法提出新的观点并付诸实践。然而从教学的实际来看,在毕业设计中学生创新的主动性不足,往往停留在继承和模仿阶段,毕业设计作品少有突破和创新。究其原因,并非学生所学知识和技能不足,而是学生未懂得如何分析已有问题,在其基础上引入新的解决方法或提出新的应用内容。

人工智能课程总结范文4

关键词:人工智能;专家系统;ARM;单片机

人工智能(AI)[1]是计算机科学的重要分支,是计算机科学与技术专业的核心课程之一。本课程在介绍人工智能的基本概念、基本方法的基础上,主要是研究如何用计算机来模拟人类智能,即如何用计算机实现诸如问题求解、规划推理、模式识别、知识工程、自然语言处理、机器学习等只有人类才具备的“智能”,本课程重点阐明这些方法的一般性原理和基本思想,使得计算机更好得为人类服务。

1人工智能课程体系

人工智能主要研究传统人工智能的知识表示方法,包括状态空间法、问题归约法谓词逻辑法、语义网络法、框架表示、剧本表示等;搜索推理技术主要包括盲目搜索、启发式搜索、消解原理、规则演绎算法和产生式系统等。

人工智能的研究论题包括计算机视觉、规划与行动、多Agent系统、语音识别、自动语言理解、专家系统和机器学习等。这些研究论题的基础是通用和专用的知识表示和推理机制、问题求解和搜索算法,以及计算智能技术等。

人工智能课程在我校计算机科学与工程学院是作为大三年级的一门专业选修课开设,总共学时数为:60(其中理论学时为36,实验学时为24),随着计算机技术的不断更新发展,人工智能的应用领域变得越来越广,因此人工智能(AI)这个学科已不再陌生,很多学生对其充满兴趣,所以在选课人数上远远超过其他选修课的人数,另外结合我校的实际情况,部分理论或实验设计项目可以与其他相关专业结合起来而应用。

2人工智能教学实践

50多年以来,人工智能获得很大的发展,已经引起众多学科和不同专业背景学者们的日益重视,成为一门广泛的交叉和前沿科学,但是到目前为止人工智能至今仍尚无统一的定义,要给人工智能下一个准确、科学和严谨的定义也是困难的。

由于人工智能[2]是一门交叉性的学科,涉及到了控制论、语言学、信息论、神经生理学、心理学、数学、哲学等许多学科。所以该学科具有知识点多、涉及面广、内容抽象、不易理解、理论性强、需要较好的数学基础和较强的逻辑思维能力等特点,导致了在教学过程中老师讲得吃力、学生听得吃力。尽管在多年的教学过程中积累了一些经验,但是对于如何把握这门课程的特点,提高学生的学习兴趣,帮助学生更好的理解这门课程,目前仍然有很多问题需要研究解决。

目前在整个教学过程中存在的主要问题[3]是:

1) 教学内容陈旧,部分参考书相关内容或案例都过于陈旧。在整个教学过程中,多数教学案例涉及到人工智能理论的高级应用――机器人,目前在国际及国内机器人的水平已经达到相当高的水平,但是部分教科书中仍沿用关节型机器人为例,教学内容稍显陈旧。

2) 教材难易程度不均匀,部分章节学生难以理解。由于人工智能课程的部分章节,本身就可以独立成一门课程,但由于是面向本科生的内容,因此很多内容压缩于一章来讲解,同时由于课时所限,完全不能将相关的内容讲透讲通;例如:神经计算中的神经网络,与模糊逻辑控制的相关理论与应用。

3) 教学手段单一,教学过程中缺乏师生之间的沟通与交流。经过自己的实践教学及对兄弟院校的人工智能的教学内容与教学手段的调研,同时也在学生之间进行沟通交流,发现多数同学反映,理论与应用虽然前沿,但是在学习过程中,教师教学手段单一,内容枯燥乏味,一般的教学模式,多采用“老师讲,学生听”的方法,整个教学效果并不理想。

4) 考核方法不科学,不能体现学生实际的学习情况。目前对于课程学习的考核采用闭卷考试的方式,很多考点有的同学根本不理解,完全死记硬背,考后又将内容丢弃,从学习的效果来讲,收获甚微且完全没有达到真正学习及应用的能力。

3教学方法改进

3.1注重激发学生的学习兴趣

科学家爱因斯坦曾说过:“兴趣是最好的老师。”如何在教学工作中激发和培养学生的学习兴趣,提高他们学习的主动性和积极性是当前教学改革中迫切需要解决的重要问题。

在实际的课堂教学中发现,刚开始听课由于有兴趣学生整体学习的积极性很高,但是一段时间过后发现部分学生由于教学内容抽象,难点比较多,不便于理解,兴趣日渐变少,针对此种情况,可以采用任务驱动式教学或案例教学。

例如:在讲专家系统章节时,在授课之前先通过互联网,采取案例教学法,给学生们实时在线演示一个医疗专家诊断系统,演示其中的功能,同时与学生互动,以问答式与学生互动,了解目前专家系统的具体应用、可以解决的问题、给人民生活带来的益处等。通过这种教学的形式,一方面可以激发学生的学习兴趣;另一方面也使同学们体会到人工智能与我们生活的贴近程度。第二步,采用任务驱动法,具体来说,它是指教学全过程中,以医疗专家诊断系统若干个具体任务为中心,通过完成任务的过程,介绍和学习基本知识和具体设计方法。

3.2注重教材选择

这一任务的执行者主要是由教研室主任或任课老师来完成。目前在各高校中所使用的人工智能相关教材的种类繁多,章节和内容的设置上也存在差别。笔者在订阅教材或参加教材展销的活动中,都比较重视人工智能教材的情况,通过比较发现,有的教材内容及难度太低,完全不符合高等本科院校的要求,而部分出版社的教材则是内容及章节安排内容太多太泛,有些知识点讲的又过于深奥,限于学时所限也不适合选用。在选教材方面,除了关注内容方面外,还要注重书上所讲的一些实例,注重这些例子的典型性、时效性及新颖性,例如,部分教材在自动规划这一章,选用机械手作为例子来说明积木世界的机器人规划问题,还有一些选择关节机器人,前些年这样的机器人技术确实是个难点,但是依据现在成熟的机器人技术,无论是国际还是国内都已不再是技术难点,再拿这个例子去配合理论去讲解,无论内容还是形式都稍显陈旧,目前机器人技术发展水平基本上达到尽可能高仿真状态。

3.3运用现代化的多媒体教学手段

针对人工智能课程相关内容比较抽象,公式推导比较繁琐,除了具有完善的教学大纲、合理的教学计划以及好的教材外,还应该根据学校的实际硬件条件尽可能地选择多媒体教学手段来辅助教学。因此在实践教学中,配合教学内容,充分利用计算机、投影仪以及互联网的优势,结合多种教学方法与手段组织整个教学过程。例如:在讲述搜索推理技术时,使用一些小的演示软件,将相关推理技术的理论通过动画的形式一步一步演示出来;在讲专家系统相关理论知识时,尤其是各种类型的专家系统,采用互联网上的一些在线视频资源为例,给同学进行详细讲解,同时结合农业院校的特点,在线资源有如农业专家系统或动物专家诊断系统等,这样学生可以加强对理论知识的理解,同时也体会到理论不再是抽象空洞的文字描述;在自动规划这一章,给同学们选择演示发达国家目前研制的各种类型机器人,通过这些形象生动、行为举止逼近真实人的机器人来给学生讲理论,这样学生通过观看视频资源,不仅可以拓宽知识面及视野,同时也可以及时地了解国际及国内机器人的发展水平及差距,不断更正自己的错误观点并更新自己新的专业认识,另一个方面也可以同时激发学生们的学习热情和积极性,这一点在课堂实践教学中得到验证,得到广大同学的认可和接受,整个教学课堂不再那么单调枯燥呆板了,基本可以达到在娱乐中传授专业知识。

3.4加强对实验教学的重视

目前高校在人工智能的教学过程中,实验所占的学时比较少,有的甚至就不安排实验课学时;另外实验内容也相对比较简单,应用不到理论课堂上所学到的人工智能原理,实验效果不是很好。面向人工智能课程的程序设计语言,多采用Prolog程序设计语言,该语言是一种基于一阶谓词的逻辑程序设计语言,它在AI和知识库的实现技术方面具有十分重要的作用,具有表达力强、表示方便、便于理解、语法简单等优点。但在整个实验教学环境也遇到了如下问题:首先是目前有关人工智能的专门配套实验教程很少;其次是即使有诸如《面向人工智能程序设计Prolog》教程,则主要是侧重介绍这门自然语言的程序设计,而其中很多部分与AI实验环节关联度不大,另外教材价位也比较高。针对此种情况,笔者在24个学时的实验教学过程中,安排7个实验内容,其中最后一个专家系统的设计与实现作为一个综合性实验来设计。在进行实验教学的过程中,首先参考多本Prolog程序设计教程,选择其中与实验教学计划中相关的内容,专门编写相应的电子教程,同时也结合我校学生本身的特点[4],有侧重地体现和编写,总的目的是给学生一份完整的、系统的、规范的电子教程。这样做的目的是:一方面作为学生参考的技术文档;另一方面也可以节省学生的部分经济开支。电子教程的结构分为三个部分来完成,首先为人工智能理论及原理,Prolog语言的使用说明;其次具体的例子演示(均经过调试正常运行);最后为布置给学生具体的实验内容及相关题目,以提供给学生自己动手实践的机会。此外在实验教学过程中,同时也会给学生们自由发挥的机会,比如专家系统的设计与实现作为一个综合性实验,学生可以采用Prolog编程实现,也可以采用其他自己擅长的程序设计语言,例如有的同学选择C语言、VC++、Visual Basic、Java及网页开发设计语言ASP/JSP等,此外在实验内容方面,实验递交的专家系统涉及多个领域(有动物辨别、医疗诊断、动物养殖咨询等专家系统)、范围也颇广,实验内容重复性很小,在设计过程中,绝大部分同学均是结合自己的兴趣爱好来完成设计。

4结语

人工智能的研究成果将能够创造出更多、更高级的智能“制品”,并使之在越来越多的领域超越人类智能,同时将为发展国民经济和改善人类生活做出更大的贡献。作为一名当代的大学生有必要学好这门课程,但是根据实际教学情况,教师与学生仍然需要继续进行相应的研究与发展,只有不断地探索和提高,才能使我们的教学工作更上一层楼,才能培养出符合时代和社会需求的人才。另外人工智能与农业等方面存在很多结合应用的契机,这样计算机就可真正地服务于社会、服务于人类、服务于农业、应用于农业、发展农业。

参考文献:

[1] 蔡自兴. 人工智能及其应用[M]. 3版. 北京:清华大学出版社,2007.

[2] 陈峰,文运平. 浅谈人工智能课程的教学[J]. 消费导刊,2006(12):123.

[3] 赵蔓,何千舟. 面向21世纪的人工智能课程的教学思考[J]. 沈阳教育学院学报,2004,6(4):131-132.

[4] 王莲芝. 高等农林院校人工智能教学的探讨[J]. 高等农业教育,2003(12):64-65

Study of the Artificial Intelligence Teaching Methods

HAN Jie-qiong1, YU Yong-quan2

(1. School of Computer Science and Engineering, Zhongkai University of Agriculture and Engineering, Guangzhou 510225, China;

2. School of Computer, Guangdong University of Technology, Guangzhou 510075, China)

人工智能课程总结范文5

关键词:人工智能;智能分类;知识体系

文章编号:1672-5913(2010)08-0025-04

中图分类号:G642

文献标识码:A

1 人工智能

斯坦福大学的Nilsson提出人工智能(ArtificialIntelligence AI)是关于知识的科学,即知识的表示、知识的获取以及知识的运用。人工智能在AI学科的基本思想和内容是研究人类智能活动规律,研究模拟人类某些智能行为的基本理论、方法和技术,构造具有一定智能的人工系统,让计算机去完成以往需要人的智力才能胜任的工作。

AI涉及计算机科学、控制论、信息论、神经心理学、哲学及语言学等多个学科,是一门新理论和新技术不断出现的综合性边缘学科。AI与思维科学是实践和理论的关系,属于思维科学的技术应用层次,延伸了人脑的功能,实现脑力劳动的自动化。

作为一门多学科交叉的课程,人工智能在机器学习、模式识别、机器视觉、机器人学、航空航天、自然语言理解、Web知识发现等领域取得了突破性进展。机器学习与知识表达的关系,模式识别与机器人学、机器视觉的关系,是学习的难点。人工智能的研究方法、学术流派、理论知识非常丰富,应用领域十分广泛。没有一个比较科学的AI知识体系,学生找不到体系和关系,会对AI产生神龙见首不见尾的感觉,严重影响学习兴趣。

本文从以下几个方面进行阐述:(1)智能与AI的关系;(2)AI的知识单元;(3)AI的相关学科、理论基础、代表性成果及方法;(4)AI的知识体系及应用。把握好上述的几个方面,就可以确准地表达知识,利用知识进行问题求解,掌握发现知识的方法,感知与理解智能系统构建的成果及技术。

2 AI及分类

认为智能源于脑,把脑(主要人脑)宏观层次的智能称为脑智能。而蜜蜂群、蚂蚁群等群体行为表现出的智能称为群智能。两种智能分属不同的层次和应用,脑智能是个体智能,群智能是社会智能或系统智能。模拟上述智能而生成的AI分两种,模拟脑智能的符号智能和模拟群智能的计算智能。

AI划分为符号智能和计算智能有些笼统。如进行仔细区分,AI来源于心理模拟、生理模拟、行为模拟和群体模拟。

2,1心理模型,符号推演

以心理模拟为依据,智能模型起源于数理逻辑。因人脑的记忆、联系、推理等思维活动在心理层面进行。Boole在《思维法则》中首次用符号语言描述思维活动的基本推理法则。

符号智能将信息和知识表示为符号形式,逻辑建模人的思维活动,通过逻辑推理,模拟人脑的思维过程进行问题求解。称为心理学派、逻辑学派或符号主义。

2,2生理模拟,神经计算

认为AI源于仿生学,特别是人脑模型。代表性成果是生理学家McCulloch和数理逻辑学家Pitts创立的脑模型,即MP模型。Hopfield提出用硬件模拟神经网络,Rumelhart提出多层网络中的反向传播BP算法。从模型到算法,从理论分析到工程实现,生理模拟及神经计算成为AI的一个研究流派。

2,3行为模拟,控制进化

基于行为模拟的AI称为行为主义及控制论学派。起源于控制论,模拟人及动物与环境交互、控制过程中的智能活动或行为,认为智能只有在环境中才是真正的智能。其批评符号主义和仿生学派对真实世界的过分简化。控制论的系统研究在上个世纪60年代播下智能控制和智能机器人的种子,在80年代诞生智能控制和智能机器人系统。

2,4群体智能,仿生计算

模拟生物群落的群体智能行为,将仿生计算的成果,直接付诸应用。代表性成果有遗传算法,进化计算,蚁群算法和粒子群算法等。计算智能以数据为基础,主要通过数值计算,运用算法进行问题求解。通过符号智能的知识表达、推理及模式识别等前期处理得到的数值,运用计算智能算法进行搜索计算。

AI主要体现为符号智能和计算智能,符号智能的研究内容主要有知识模型化及表示、搜索理论、推理、不确定性推理、系统结构和符号学习等。计算智能的研究内容有进化计算、模糊逻辑、神经计算和统计学习。这些研究内容所涵盖的研究方法在表1中进行详细的说明,同时较为完整地体现AI课程的知识体系结构。

3 AI的知识体系

从思维观点看,AI不仅仅限于逻辑思维,同时需要形象思维和灵感思维。数学是基础科学,也进入语言和思维领域,在逻辑、模糊数学等范围发挥作用。

AI是一个庞大的家族,包括众多的基础理论、重要的成果及算法、学科分支和应用领域等。如果将AI家族作为一棵树来描述,智能机器应作为树的最终节点。将AI划分为问题求解、知识与推理、学习与发现、感知与理解、系统与建造等五个知识单元。表2总结了AI家族的知识体系及其相关的学科、理论基础、代表性成果及方法。

3,1问题求解

1957年,Newell和Simon通过心理学实验,发现人在问题求解时思维过程的一般规律大致可分为三个阶段:①先思考出大致的解题计划:②根据记忆中的公理、定理和推理规则组织解题过程:③进行方法和目的分析,不断修正解题计划。

搜索是问题求解的核心技术,符号智能进行图搜索,计算智能进行智能优化搜索。

3,2知识和推理

知识就是力量,知识是智能基础和来源。推理是人脑的基本功能,知识与推理是AI的重要内容,在表1中对这部分内容进行了详细描述。知识表示模型有谓词逻辑、产生式表示、语义网络、框架等方法。推理方法有自动推理和不确定推理等。

AI的研究对象,大多具有不确定性。不确定性是针对系统或问题含有的不确定结构、参数等信息,如天气预报下雨概率45.6%,此预报属结论的不确定性。

3,3学习与发现

机器学习是指机器对自身行为的修正或性能的改善,使计算机具有学习能力,自动获取新的事实及新的推理算法。机器学习的研究重点是学习过程的认知模型、机器学习的计算理论、新的学习算法、综合多种学习方法的机器学习系统等。主要有符号学习、连接学习和统计学习等。

机器发现客观规律的过程称为知识发现,主要从大规模数据集或数据库发现知识或模式。知识发现方法有统计方法、粗集和模糊集、机器学习、智能计算等方法。知识发现的任务分为数据总结、概念描述、分类、聚类及相关性分析等。

机器学习的研究成果主要是机器的直接学习,类似人类通过阅读、讲课等间接继承性学习涉及很少。在智能硬件方面却举步维艰,要实现人工智能的最终目标,作为载体的智能计算机系统必须由质的飞跃。 人工智能的研究仍然是机遇与挑战并存。

3,4感知与理解

机器感知涉及图像、声音、文字等信息的识别问题。

模式识别的主要目标是用计算机模拟人的识别能力,运用知识表达和推理方法,主要从图形、图像和语音抽取出模式,表征或刻画被识别对象类属特有的信息模型。模式识别前,先提取样例模式,通过模式辨识或机器学习识别出分类知识,并对新的待识别模式进行类比判决。

目前有基于模式、基于判别函数、基于统计决策、神经网络、自适应等模式识别方法。

理解包括自然语言、图形和图像的理解,是智能系统进行交流的关键。

自然语言理解需要大量知识表示方法和推理技术,在机器翻译和语音理解程序方面取得了长足进步。

机器视觉在图像处理基础上,需要模式识别、机器学习理解视觉对象。由低层视觉提取对象特征,通过机器学习理解视觉对象。

3,5系统与建造

自从1965年第一个专家系统DENDRAL问世后,出现了各种实用的系统。专家系统的发展依托大量知识表示技术和推理技术,是最先发展的智能系统。

Agent系统是典型的分布式智能系统,由多个智能个体协作或竞争体现智能,是比群智能高级的社会智能。Agent系统采用了知识表示、推理、机器学习、模式识别等领域知识。

智能机器人是一个具有感知机能、运动机能、思维机能、通信机能的Agent系统,需要Agent理论和多Agent协同系统的技术支持。机器人是人工智能标志性研究成果,是一个实用的Agent系统。是人工智能多个基础应用的综合,同时依据了融合了多种基础理论。

4 结论

人工智能源于数理逻辑,20世纪30年代开始用于描述智能行为。并在计算机上实现了逻辑演绎系统。正是这些符号主义者,首先采用“人工智能”这个术语,后来又发展了启发式算法一专家系统一知识工程理论与技术。专家系统的成功开发与应用,为人工智能走向工程应用和实现理论联系实际奠定了基础。在AI其它学派出现之后,符号主义仍然是主流派。

人工智能课程总结范文6

人工智能在培训行业的应用,除非已经进化到像电影《黑客帝国》中的场景一样,可将所需知识直接下载至脑中,否则,还是得回归学习的本质。人工智能无法替代人类学习,学习是个性化的,并且还要经历内化的过程,才能最终完成。然而,这并不代表人工智能在培训行业没有用武之地,恰恰相反,“智能化”学习技术的发展正为培训行业注入一股新动能,而其中有些应用值得重点关注。

辅助系统

在学习环境中,与传统学习管理平台注重管理与记录不同的是,智能化辅助系统会提供给学习者(learner)个性化的反馈。学习者参加完测验后,可以更好地了解自己的弱项,进一步获取相关的学习资源及后续所建议的学习路径。智能化辅助系统扮演了助教的角色,有效指导并促进学习者的学习。在工作环境中,智能化辅助系统可以依照角色或流程等属性,即时提供给任务执行者(performer)个性化且适量的内容,扮演了教练的角色,加速问题解决并提升工作成效。

课程规划

想像一下,你所经历的学习与工作都留下了记录,你曾经去过哪儿、看过什么、读过什么,都被记录分析。之后通过电脑演算模型,人工智能就可以根据你的程度与需求,为你匹配相关的资源,选取真正对你有用的内容,提供多元与个性化的学习历程(learning experience),从而摒弃以往齐头并进式的课程规划。

内容资源

通过学习元件(learning objects)或知识元件(knowledge objects)在元数据(meta data)的标签,内容资源可以具备学习者能力、角色、工作场景及业务流程等属性。之后,结合智能推荐引擎,内容便可以依照单一或多元属性呈现,作为获取知识的来源被自动推送给学习者,或者作为问题解决的资料来源被推送给任务执行者。

精确搜索

语言可能是模棱两可的,通过建立知识图谱(knowledge graph),学习者可以快速缩小搜索范围。智能化搜索也可以更好地理解学习者搜索的信息,总结出与搜索话题相关的内容。由于知识图谱构建了一个与搜索结果相关的完整知识体系,所以学习者往往会获得意想不到的发现。在搜索中,学习者可能会了解到某个新的知识或新的联系,从而进行一系列全新的搜索与学习。

数据分析

学习无处不在,当学习或者历程记录可以通过xAPI这类学习技术标准,来收集多元数据的时候,学习数据就不会只停留在以往SCORM课件阅读的纪录模式,而是可以实现学习历程数据的集中。过去单纯的学习记录也可以上升到预警及预测的层次,甚至通过数据收集与深度分析,提供学习者如何建构所学内容的意义、如何形成理解、以及学习过程中所做决策的报告,这对教学设计会有莫大的帮助。

项目运营