本课程概述人工智能基础概念，探讨数据驱动的人工智能网络模型、算法与平台。课程循发展脉络，精选人工智能发展里程碑与关键节点，旨在激发学生对人工智能的兴趣与探索精神。通过学习，学生将扎实掌握人工智能基本原理，紧跟深度学习技术前沿，为职业发展与学术研究铺设稳固基石。本课程基于人工智能赋能问题导向，也适合非计算机系同学。
Overview
Syllabus
- 人工智能导论 第一讲
- 1 课程介绍
- 2 课程教材
- 人工智能导论 第二讲
- 1 课程学习方法（一）
- 2 课程学习方法（二）
- 人工智能导论 第三讲
- 1 人工智能定义（一）
- 2 人工智能定义（二）
- 3 人工智能定义（三）
- 人工智能导论 第四讲
- 1 人工智能7个里程碑算法（一）
- 2 人工智能7个里程碑算法（二）
- 3 人工智能7个里程碑算法（三）
- 人工智能导论 第五讲
- 1 人工智能3个流派（一）——符号主义流派
- 2 人工智能3个流派（二）——连接主义流派
- 3 人工智能3个流派（三）——行为主义流派
- 人工智能导论 第六讲
- 1 人工智能测试（一）——图灵
- 2 人工智能测试（二）——中文屋测试
- 3 人工智能测试（三）——智能测试
- 人工智能导论 第七讲
- 1 人工神经元（一）——生物神经元
- 2 人工神经元（二）——M-P人工神经元
- 3 人工神经元（三）——M-P人工神经元计算
- 4 人工神经元（四）——M-P人工神经元计算举例
- 人工智能导论 第八讲
- 1 感知机（一）——感知机定义
- 2 感知机（二）——感知机的学习机制
- 3 感知机（三）——感知机的学习算法
- 人工智能导论 第九讲
- 1 ADALINE自适应线性神经元
- 2 机器学习
- 3 监督学习
- 人工智能导论 第十讲
- 1 异或问题
- 2 异或问题证明
- 人工智能导论 第十一讲
- 1 多层感知机与反向传播（一）——多层感知机
- 2 多层感知机与反向传播（二）——反向传播
- 3 多层感知机与反向传播（三）——反向传播的特点
- 4 多层感知机与反向传播（四）——损失函数
- 5 多层感知机与反向传播（五）——回归与分类问题的损失函数
- 6 多层感知机与反向传播（六）——梯度
- 7 多层感知机与反向传播（七）——梯度下降
- 8 多层感知机与反向传播（八）——激活函数
- 9 多层感知机与反向传播（九）——反向传播算法
- 人工智能导论 第十二讲
- 1 机器学习（一）——决策树
- 2 机器学习（二）——决策树特征选择
- 3 机器学习（三）——集成学习
- 4 机器学习（四）——朴素贝叶斯
- 5 机器学习（五）——无监督学习
- 人工智能导论 第十三讲
- 1 支持向量机（一）——定义
- 2 支持向量机（二）——SVM的间隔
- 3 支持向量机（三）——SVM的种类
- 人工智能导论 第十四讲
- 1 深度学习（一）——定义
- 2 深度学习（二）——深度学习7个关键节点
- 3 深度学习（三）——节点1卷积神经网络
- 4 深度学习（四）——节点2 深度学习复兴元年
- 5 深度学习（五）——节点3 ImageNET
- 6 深度学习（六）——节点4 AlphaGO
- 7 深度学习（七）——节点5 Transformer
- 8 深度学习（八）——节点6 ChatGPT
- 9 深度学习（九）——节点7 生成式AI
- 人工智能导论 第十五讲
- 1 人工智能机器学习Scikit Learn开发工具库
- 人工智能导论 第十六讲
- 1 人工智能深度学习飞桨开发框架
- 期末考试
Taught by
Southern University of Science and Technology
