第一篇:《人工智能》课程教学指南.
《人工智能》课程教学指南
课程编号:
英文名称:Artificial Intelligence 周讲课时数:34 学分数:2 课程简介:
人工智能是计算机科学的一个分支,是研究计算机实现智能的原理以及建造智能计算机的科学,人工智能的研究将拓展计算机更深层次的应用。本课程介绍人工智能的基本原理和一般理论,学习和研究知识表示、逻辑推理和问题求解、自然语言理解等内容。课程教学目的和要求:
本课程的目的是使计算机专业的学生在掌握了相关的计算机基本理论的基础上,对人工智能的基本概念和原理有一个较为全面的了解,掌握现代流行的智能处理的主要技术和方法,为智能信息分析和构建专家系统、智能决策支持系统等各类智能系统奠定基础。
教材:
1、《人工智能原理》 石纯一
清华大学出版社
参考书:
1、《人工智能原理及其应用》 周西苓
南京航空航天大学出版社
2、《人工智能与知识工程》 陈世福
南京大学出版社
成绩考核方式及评分标准:理论与技能综合考查(期末)。主讲教师:张亮1
第二篇:人工智能课程论文解读
人工智能课程论文
题目:人工智能:用科学解密生命与智慧
姓
名:
学
号:
指导老师:
人工智能:用科学解密生命与智慧
摘要
本文是对人工智能及其应用的一个综述。首先介绍了人工智能的理论基础以其与人类智能的区别和联系。然后简要介绍了人工智能的发展现状以及未来趋势,并列举了一些人工智能在生活中的应用。对人工智能的一个热门分支——神经计算进行了着重介绍,人工神经网络通过模拟人脑的学习机制,将人工智能的重点从符号表示可靠的推理策略问题转化到学习和适应的问题,描述了其在字符识别问题上的实际应用。
人工智能:用科学解密生命与智慧
目录
一,人工智能与人类智能..............................................................................................4
1,什么是智能?.................................................................................................4 2,机器智能不等同于人类智能.........................................................................5 二,人工智能当前进展..................................................................................................6 三,人工智能在生活中的应用......................................................................................7 四,人工智能的前沿分支:神经计算..........................................................................9
1,人工神经网络:从大脑得到灵感.................................................................9 2,神经网络应用实例:基于Deep autoencoder的字符图像识别...............10 五,人工智能未来发展趋势........................................................................................12 小结................................................................................................................................13 参考文献........................................................................................................................1
4人工智能:用科学解密生命与智慧
一,人工智能与人类智能
人工智能(Artificial Intelligence,AI)是计算机科学的一个分支,它关心智能行为的自动化。AI是计算机科学的一部分,因而必须建立在坚实的理论知识之上并应用于计算机科学领域。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。1,什么是智能?
虽然大多数人确信看到智能行为是能判断它是智能的,但是似乎没有人能够使“智能”的定义既足够又具体以评估计算机程序的智能性,同时又反映了人类意识的生动性和复杂性。
这样实现一般智能就是塑造特定智能的人工制品。这些制品通常以诊断、预测或可视化工具实现,能够使得人类使用者完成复杂的任务。例如:用语言理解的马尔可夫模型,提供新数学理论的自动推理系统,通过大脑皮层网跟踪信号的动态贝叶斯网络,以及基因表达的数据模式的可视化,等等。
因此,定义人工智能完全领域的问题就变成了定义智能本身的问题:智能是一种独立的才能,还是一系列独一无二且不相关的能力的总称?在多大程度上可以说智能是学到的不是预先存在的?准确的说,学习时发生什么?什么是创造力?什么是直觉?智能是从可观察行为推断出的,还是需要特定内部机制的证据?在一个生物体的神经组织中,知识是以何种方式表示的?什么是自觉,它在智能中起着怎样的作用?另外,有必要按照已知的人类智能模式来设计智能计算机程序吗?智能实体是不是需要只有在生物中存在的丰富感受和经历?
这一系列的问题很难回答,但这些问题帮助我们勾勒出现代人工智能研究的核心问题以及求解方法。实际上,人工智能提供了一种独特而强大的工具来精确探索这些问题。AI为智能理论提供了一种媒介和实验台:首先用计算机程序语言表达出这些理论,然后在实际计算机上执行来进行测试和验证。
人工智能:用科学解密生命与智慧
2,机器智能不等同于人类智能
玛丽·雪莱在她的《弗兰肯斯坦》一书的序言中这样写道:
大多是拜伦勋爵和雪莱之间的对话,而我只是一个虔诚、安静的听众。其中有一次,他们讨论了各种哲学学说,以及有关生命原理的问题,并且谈到这些原理有否可能曾被发现和讨论过。他们谈及了达尔文博士的实验(我不能确认达尔文博士是否真正做过这个实验,我只是说当时有人讲他做过这样的实验),他把一段蠕虫(vermicelli)储藏在玻璃罐中,在采取了一些特殊方法之后,它开始自发运动。难道生命不是这样形成的吗?或许死尸还可能复活;流电电流实验已经让我们看到了这样的迹象:生命体的组成部分可以被制造、组合并注入活力(Butler 1998)。
玛丽·雪莱告诉我们,诸如达尔文的进化论和发现电流这样的科学进步已经使普通民众相信:自然法则并非奥妙无穷,而是可以被系统分析和理解的。弗兰肯斯坦的魔鬼并不是“萨满教”咒语或与地狱可怕交易的产物;而是由一个个单独“制造”的部件组装起来的,并且被注入了强大的电能。尽管19世纪的科学还不足以使人认识到理解和创造一个完全智能主体的意义,但它至少加深了这样的认识:生命和智慧的奥秘可以被纳入到科学分析中。也就是说,人可以让机器拥有所谓的“智能”。[1] 1936年,哲学家阿尔弗雷德·艾耶尔思考心灵哲学问题:我们怎么知道其他人曾有同样的体验。在《语言,真理与逻辑》中,艾尔建议有意识的人类及无意识的机器之间的区别。
1950年,图灵发表了一篇划时代的论文,文中预言了创造出具有真正智能的机器的可能性[1]。由于注意到“智能”这一概念难以确切定义,他提出了著名的图灵测试:如果一台机器能够与人类展开对话(通过电传设备)而不能被辨别出其机器身份,那么称这台机器具有智能。这一简化使得图灵能够令人信服地说明“思考的机器”是可能的。论文中还回答了对这一假说的各种常见质疑。[2] 图灵测试是人工智能哲学方面第一个严肃的提案。
1952年,在一场BBC广播中,图灵谈到了一个新的具体想法:让计算机来冒充人。如果不足70%的人判对,也就是超过30%的裁判误以为在和自己说话的是人
人工智能:用科学解密生命与智慧
而非计算机,那就算作成功了。
2014年6月8日,一台计算机成功让人类相信它是一个13岁的男孩,成为有史以来首台通过图灵测试的计算机。这被认为是人工智能发展的一个里程碑事件,但专家警告称,这项技术可用于网络犯罪。[3-5]。
尽管图灵测试具有直观上的吸引力,图灵测试还是受到了很多无可非议的批评。其中一个重要的质疑时它偏向于纯粹的符号求解任务。它并不测试感知技能或要实现手工灵活性所需的能力,而这些都是人类智能的重要组成部分。另一方面,有人提出图灵测试没有必要把机器智能强行套入人类智能的模具之中。人工智能或许本就不同于人类智能,我们并不希望一台机器做数学题像人类一样又慢又不准,我们希望的是它自身有点的最大化,比如快速准确的处理数据,长久的存储数据,没有必要模仿人类的认知特征。
但是,人工智能中一部分主要的研究着偏重于研究对人类智能的理解。人们为智能活动提供了一种原型实例,一些应用(比如诊断理解)通常有意地将模型建立在该领域的权威专家的解决过程上。更为重要的是,理解人类智能本身就是一个吸引人的、有待研究的科学挑战。
二,人工智能当前进展 问题的求解
人工智能中的问题解求,就是如何让机器去解决人类会遇到的问题,如何根据某一具体问题找到思考问题并解决这个问题的方法。目前,人工智能技术已经可以通过计算机程序解决了如何考虑要解决的问题,并能寻求较为准确的解决方案。2逻辑的推理与定理的证明
人工智能研究中最持久的探究领域之一就是逻辑推理。有关定理的证明就是让机器证明非数值性的真假。其中比较重要的是,通过找到合理、准确的方法,集中注意力在大型数据库中的有效事实,关注可信度证明,并在出现新信息时适时修改这些证明。[2] 3 人工智能应用之自然语言的处理
智能的另一表现就是进行自然语言的交流,自然语言处理就是让机器与人类进行
人工智能:用科学解密生命与智慧
无阻碍的沟通,这正是人工智能技术应用于实际领域的典型范例。目前此领域的主要研究内容是:如何利用计算机系统以主题和对话情境为基础,生成和理解自然语言。[3] 4 人工智能应用之模式的识别
如何使机器具有感知能力也是智能的表现。模式的识别是利用人工智能技术开发智能机器的关键,主要是通过计算机用数学技术方法来研究模式的自动处理和判读,让计算机实现“看见”,“听见”等功能。计算机模式识别的主要特点是速度快,准确率高,效率高,计算机模式识别也为人类认识自身智能提供了有利帮助。5 人工智能应用之智能信息的检索技术
在科学技术飞速发展的今天,人类已进入了“知识爆炸”的时代。传统检索系统已经满不足了对如今如此数量巨大以及种类繁多的文献检索要求。人工智能科技持续稳定发展的重要前提就是智能检索模块,可以说,智能信息的检索技术的运用势在必行。人工智能应用之专家系统
我们常说的专家系统就是指从人类专家那里获取的知识,并用来解决只有专家才能解决的疑难问题。这是一种基于知识的系统,从而也被称为知识基系统。专家系统是人工智能技术中研究最活跃,最有成效的一个领域。现在的专家系统尤其特殊的模仿了专家在处理故障时的思维方式,其水平有时甚至可以超过人类专家的水平。人工智能应用之机器人学
机器人对我们并不陌生,已在多个领域获得了越来越普遍的应用,诸如农业、工业、商业、旅游业、航空和海洋等。那么,机器人学所研究的问题主要包括从机器人手臂的最佳移动到实现机器人目标的动作序列的规划方法。机器人和机器人学的研究对人工智能思想的发展都起到了促进作用。
三,人工智能在生活中的应用
计算机科学
人工智能产生了许多方法解决计算机科学最困难的问题。它们的许多发明已
人工智能:用科学解密生命与智慧
被主流计算机科学采用,而不认为是AI的一部份。下面所有内容原在AI实验室发展:时间分配,介面演绎员,图解用户介面,计算机鼠标,快发展环境,联系表数据结构,自动存储管理,符号程序,功能程序,动态程序,和客观指向程序。[3] 金融
银行用人工智能系统组织运作,金融投资和管理财产。2001年8月在模拟金融贸易竞赛中机器人战胜了人。
金融机构已长久用人工神经网络系统去发觉变化或规范外的要求,银行使用协助顾客服务系统;帮助核对帐目,发行信用卡和恢复密码等。 医院和医药
医学临床可用人工智能系统组织病床计划;并提供医学信息。
人工神经网络用来做临床诊断决策支持系统。计算机帮助解析医学图像。这样系统帮助扫描数据图像,从计算X光断层图发现疾病,典型应用是发现肿块、心脏声音分析。 重工业
在工业中已普遍应用机器人。它们常做对人是危险的工作。全世界日本是利用和生产机器人的先进国;1999年世界范围使用1,700,000台机器人。 顾客服务
人工智能是自动上线的好助手,可减少操作,使用的主要是自然语言加工系统。呼叫中心的回答机器也用类似技术,如语言识别软件可使计算机的顾客较好操作。 运输
汽车的变速箱已使用模糊逻辑控制器。 运程通讯
许多运程通讯公司正研究管理劳动力的机器;如BT组研究可管20000工程师的机器。 玩具和游戏
1990年企图用基本人工智能大量为教育和消遣生产民用产品。现在,大众在生活的许多方面都在应用人工智能技术。 音乐
人工智能:用科学解密生命与智慧
技术常会影晌音乐的进步,科学家想用人工智能技术尽量赶上音乐家的活动;现正集中在研究作曲,演奏,音乐理论,声音加工等。
四,人工智能的前沿分支:神经计算
1,人工神经网络:从大脑得到灵感
神经计算科学是从信息科学的角度来研究如何加速神经网络模仿和延伸人脑的高级精神活动,如联想、记忆、推理、思维及意识等智能行为。这涉及到脑科学、认知科学,神经生物学、非线性科学、计算机科学、数学、物理学诸学科的综合集成。它是综合研究和实现类脑智能信息系统的一个新思想和新策略。[6] 深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。
一个神经网络的结构示意图如图1所示
图1 神经网络的结构示意图
神经网络将人工智能的重点从符号表示和可靠的推理策略问题转移到学习和适应的问题。同人和其他动物一样,神经网络是适应世界的一种机制:经过训练的神经网络结果是通过学识形成的。这种网络是通过和世界交互形成的,通过经验的不明确痕迹反映出来。神经网络的这种途径对我们理解智能起了极大的作用。
人工神经网络特有的非线性适应性信息处理能力,克服了传统人工智能方法对于直觉,如模式、语音识别、非结构化信息处理方面的缺陷,使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。人工神经网络与其它传统方法相结合,将推动人工智能和信息处理技术不断发展。近年来,人工神经网络正向模拟人类认知的道路上更加深入发展,与模糊系统、遗传算法、人工智能:用科学解密生命与智慧
进化机制等结合,形成计算智能,成为人工智能的一个重要方向,将在实际应用中得到发展。将信息几何应用于人工神经网络的研究,为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快,已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。
神经网络在很多领域已得到了很好的应用,但其需要研究的方面还很多。其中,具有分布存储、并行处理、自学习、自组织以及非线性映射等优点的神经网络与其他技术的结合以及由此而来的混合方法和混合系统,已经成为一大研究热点。由于其他方法也有它们各自的优点,所以将神经网络与其他方法相结合,取长补短,继而可以获得更好的应用效果。目前这方面工作有神经网络与模糊逻辑、专家系统、遗传算法、小波分析、混沌、粗集理论、分形理论、证据理论和灰色系统等的融合。
2,神经网络应用实例:基于Deep autoencoder的字符图像识别
深度信念网络(Deep Belief Network, DBN)[7]由 Geoffrey Hinton 在 2006 年提出。它是一种生成模型,通过训练其神经元间的权重,我们可以让整个神经网络按照最大概率来生成训练数据。我们不仅可以使用 DBN 识别特征、分类数据,还可以用它来生成数据。
DBN 由多层神经元构成,这些神经元又分为显性神经元和隐性神经元(以下简称显元和隐元)。显元用于接受输入,隐元用于提取特征。因此隐元也有个别名,叫特征检测器(feature detectors)。最顶上的两层间的连接是无向的,组成联合内存(associative memory)。较低的其他层之间有连接上下的有向连接。最底层代表了数据向量(data vectors),每一个神经元代表数据向量的一维。
DBN 是由多层 RBM 组成的一个神经网络,它既可以被看作一个生成模型,也可以当作判别模型,其训练过程是:使用非监督贪婪逐层方法去预训练获得权值。训练过程:
1.首先充分训练第一个 RBM;
2.固定第一个 RBM 的权重和偏移量,然后使用其隐性神经元的状态,作为第二个 RBM 的输入向量;
人工智能:用科学解密生命与智慧
3.充分训练第二个 RBM 后,将第二个 RBM 堆叠在第一个 RBM 的上方; 4.重复以上三个步骤任意多次;
5.如果训练集中的数据有标签,那么在顶层的 RBM 训练时,这个 RBM 的显层中除了显性神经元,还需要有代表分类标签的神经元,一起进行训练: a)假设顶层 RBM 的显层有 500 个显性神经元,训练数据的分类一共分成了 10 类;
b)那么顶层 RBM 的显层有 510 个显性神经元,对每一训练训练数据,相应的标签神经元被打开设为 1,而其他的则被关闭设为 0。6.DBN 被训练好后如下图:
图2 训练好的深度信念网络。图中的绿色部分就是在最顶层 RBM 中参与训练的标签。注意调优(FINE-TUNING)过程是一个判别模型
调优过程(Fine-Tuning):
生成模型使用 Contrastive Wake-Sleep 算法进行调优,其算法过程是:
1.除了顶层 RBM,其他层 RBM 的权重被分成向上的认知权重和向下的生成权重;
2.Wake 阶段:认知过程,通过外界的特征和向上的权重(认知权重)产生每一层的抽象表示(结点状态),并且使用梯度下降修改层间的下行权重(生成权重)。也就是“如果现实跟我想象的不一样,改变我的权重使得我想象的东西就是这样的”。
3.Sleep 阶段:生成过程,通过顶层表示(醒时学得的概念)和向下权重,生成底
人工智能:用科学解密生命与智慧
层的状态,同时修改层间向上的权重。也就是“如果梦中的景象不是我脑中的相应概念,改变我的认知权重使得这种景象在我看来就是这个概念”。
在附件中提供了程序代码。实验利用MNIST字符图像,验证该方法的特征提取与识别能力。
五,人工智能未来发展趋势
科学技术是第一生产力,但技术的发展往往是远远超越我们的想象。就目前的一些前瞻性研究可以看出,未来人工智能技术的发展有如下几大趋势: 1 问题求解
问题求解一般包括两种,一种是指解决管理活动中由于意外引起的非预期效应或与预期效应之间的偏差。正在逐渐发展成为搜索和问题归约这类人工智能的基本技术;另一种问题的求解程序,是把各种数学公式符号汇编在一起。其性能已达到非常高的水平,并正在被许多工程师和科学家应用,甚至还有些程序能够用经验来改善其性能。2 机器学习
人工智能研究的核心课题之一就是机器学习。我们知道学习是人类智能的重要特征,那么机器学习就是指机器自动获取知识的过程。机器学习是机器获取知识的根本途径,也是机器智能的重要标志。计算机的机器学习主要研究内容为如何让计算机模拟或实现人类的学习能力。今后机器学习的研究主要是研究人脑思维的过程、人类学习的机理等。3 模式识别
用计算机实现模式(文字、声音、人物、物体等)的自动识别,弥补计算机对外部世界感知能力低下的缺陷,使计算机能够通过感官接受外界信息,识别和理解周围环境。依然是人工智能技术今后研究的重要方向。因为模式识别能为人类
人工智能:用科学解密生命与智慧
认识自身智能提供线索,也是开发智能机器的一个最关键的突破口。目前计算机模式识别系统的研究热点主要为三维景物、活动目标的识别和分析方面。传统的用统计模式和结构模式的识别方法将会被近年来迅速发展起来的模糊数学模式、人工神经网络模式的方法逐渐取代,特别是神经网络方法在模式识别中取得较大进展。4 专家系统
专家系统是根据某领域中一个或多个专家提供的知识或经验,进行推理和判断,模拟人类专家的决策过程,以便解决那些需要人类专家处理的复杂问题的智能软件,它是一个具有大量的专门知识与经验的程序系统。目前各种专家系统已遍布各个专业领域,因此专家系统还将是人工智能应用研究最广泛和最活跃的应用领域之一。5 人工神经网络
人工神经网络,常被简称为神经网络或类神经网络。是未来人工智能应用的新领域,人工神经网络是指由大量处理单元(神经元)互连而成的网络。人工神经网络具有很强的自学习能力,主要擅长处理复杂的多维的非线性问题,不但可以解决定量的问题,还可以解决定性的问题,同时人工神经网络还具有大规模并行处理和分布的信息存储能力。或许未来智能计算机的结构可能就是作为主机的冯• 诺依曼型机与作为智能外围的人工神经网络的结合。
小结
人工智能是一个年轻而充满希望的研究领域,其宗旨是寻找一种有效的方式把智能问题求解、规划和通信技巧应用在更广泛的实际问题中。人工智能的工作者是工具的制造者。我们的表示、算法和语言都是一些工具,用来设计和建立那些展现智能行为的机制。通过实验,我们同时检验了它们解决问题的计算合适性,也检验了我们对智能现象的理解。然而,人工智能仍有很多尚待解答的问题,需要探索和研究。
人工智能:用科学解密生命与智慧
参考文献
[1] Artificial intelligence507, 28 July 2006.读书的好处
1、行万里路,读万卷书。
2、书山有路勤为径,学海无涯苦作舟。
3、读书破万卷,下笔如有神。
4、我所学到的任何有价值的知识都是由自学中得来的。——达尔文
5、少壮不努力,老大徒悲伤。
6、黑发不知勤学早,白首方悔读书迟。——颜真卿
7、宝剑锋从磨砺出,梅花香自苦寒来。
8、读书要三到:心到、眼到、口到
9、玉不琢、不成器,人不学、不知义。
10、一日无书,百事荒废。——陈寿
11、书是人类进步的阶梯。
12、一日不读口生,一日不写手生。
13、我扑在书上,就像饥饿的人扑在面包上。——高尔基
14、书到用时方恨少、事非经过不知难。——陆游
15、读一本好书,就如同和一个高尚的人在交谈——歌德
16、读一切好书,就是和许多高尚的人谈话。——笛卡儿
17、学习永远不晚。——高尔基
18、少而好学,如日出之阳;壮而好学,如日中之光;志而好学,如炳烛之光。——刘向
19、学而不思则惘,思而不学则殆。——孔子
20、读书给人以快乐、给人以光彩、给人以才干。——培根
第三篇:人工智能及其应用课程总结
《人工智能及其应用》课程总结
20世纪40年代,计算机的发明揭开了人类发展的新篇章,使得人类追寻已久的脑力劳动机械化问题获得了解决的方法和途径。计算机能够代替人类大脑进行复杂的计算,并且能够根据计算对某些问题做出判断,从某种程度上代替了人脑的部分功能。而随着计算机计算机技术的发展,20世纪50年代人工智能(AI)这一新的学科门类的诞生,对人类的发展和进步有着重大的意义。
人工智能是指人类的各种脑力劳动或智能行为,诸如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动,可用某种智能化的机器来予以人工的实现。诸如机器编译、机器诊断、机器推理以及各种专家系统。随着人工智能技术的发展,引起了众多学科和不同专业背景学者们的日益重视,并且发展出了若干个研究子学科,如计算机科学、哲学、生理学、社会学、生物学、信息学和计算机数学等,人工智能成为一门广泛的交叉和前沿学科。因此,《人工智能及其应用》课程的学习,对于计算机应用研究技术、机械技术以及本人的专业——农业机械工程的学习和科研工作中,具有十分重要的作用。《人工智能及其应用》课程所讲授的知识涵盖面广、内容较多,其中许多章节所设计的知识都可以单独作为一门课程学习。因此,通过本学期对《人工智能及其应用》课程的学习,我重点总结一下主要学习和掌握的几方面知识:
1.人工智能的研究与应用领域。在人工智能这门学科中,包含有多个研究领域,每个研究领域都有其特有的感兴趣的研究课题、研究技术和术语,它们包括:自然语言处理、自动定理证明、智能数据检索系统、机器学习、模式识别、视觉系统、问题求解、人工智能方法和程序语言以及自动程序设计等。通过对这些研究领域的研究和应用介绍,我发现其中专家系统、机器学习、神经网络、模式识别、机器视觉和数据挖掘等方面的知识,是我所研究的专业领域和课题中,使用计算机软件进行数据处理和自动判别所需要的知识,对我课题的研究和完成将会有很大帮助。
2.知识表示与推理。本部分研究了传统人工智能的知识表示方法、搜索技术和知识推理。以符号和逻辑为基础的传统人工智能问题求解是通过知识表示和
知识推理来实现的。知识表示的方法有很多,包括图示法、公式法、结构化方法、陈述式表示、过程式表示、状态空间法和问题归约法等。表示问题是为了进一步求解问题,从问题表示到问题的解决有一个求解的过程,也就是搜索过程。因此,学习了图搜索策略和A*算法的方法和步骤。学习了消解原理这一用于一定的子句公式的重要推理规则,包括消解推理规则、含有变量的消解式、消解反演求解过程等。并且学习了规则演绎系统和产生式系统。它们是解决比较复杂的系统和问题的较为先进的推理技术和系统求解方法,能够解决搜索推理方法难以解决的一些问题。
3.计算智能。包括人工神经网络计算、模糊计算、粗糙集理论、遗传算法、进化策略、进化编程、人工生命、粒群优化、蚁群算法、自然计算和免疫计算。其中每一部分都可以作为单独的一门课程和知识进行深入的学习和研究。其中,我结合课程内容,重点学习和研究了人工神经网络。人工神经网络是模拟生物神经元的特性而产生的,是基于生物神经元特性的互联模型制造的算法及机器。包括有以下几个重要特性:并行分布处理、非线性映射、通过训练进行学习、适应与集成、硬件实现性。在本部分学习了神经网络是由基本处理单元——神经元及其互联方法构成的。其网络基本结构分为两类:递归网络和前馈网络。人工神经网络的主要学习算法有:有师学习、无师学习和强化学习三种。具体学习了自适应谐振理论网络、学习矢量量化网络、Kohonen网络、Hopfield网络,并且学习了基于神经网络的知识表示方法和推理方法。通过这部分的学习,了解了神经网络的应用方法和应用领域,由于其学习和适应、自组织、函数逼近和大规模并行处理等能力,因而在模式识别、信号处理、系统辨识和优化等方面有着广泛的应用。
4.机器学习。机器学习是一门研究机器获取新知识和新技能,并实现现有知识的学问。在此部分,主要学习了机器学习的主要策略、系统的基本结构和各种机器学习算法,包括:机械学习、归纳学习、类比学习、解释学习、神经学习和知识发现。而其中的一些学习方法又与以前学习章节中的内容有所交叉,如神经学习和人工神经网络。介绍了各种学习方法的定义、结构、基本计算方法和流程等知识。机器学习广泛的应用于图像处理、模式识别、机器人动力学与控制、自动控制、自然语言理解、语音识别、信号处理和专家系统等领域。
通过对《人工智能及其应用》课程的学习,使我学习了人工智能的各种基本算法和思想,了解了各种方法的应用领域和适用范围。由于我的研究课题中,也需要对采集的数据进行处理和做出判断,因此必然涉及人工智能的相关知识。课程包含内容很多,涵盖的领域非常广泛,虽然学习深度有限,但是正是对人工智能知识的广泛了解,才能扩展我的研究思路,选定方向和研究算法,进行更深层次的研究。
第四篇:“人工智能”课程实践教学改革探索
“人工智能”课程实践教学改革探索
摘要:实践教学是人工智能课程的重要组成部分,对培养学生的创新能力和动手能力起着很大的作用。本文阐述目前实践教学中存在的问题,指出集中式基础课内实验不能有效提升学生的学习兴趣,不能充分发挥学生个性和创造力,提出多层次开放式实践教学模式,引入多元化学业评价方法,激励学生主动参与学习,从多方面提高学生实验课质量,帮助学生深入理解人工智能的基本概念和理论,培养了学生的创新能力,也加强了学生的实际动手能力和科研能力。
关键词:人工智能;实践教学;多元化学业评价方法
中图分类号:G642
文献标识码:A
论文编号:1674-2117(2015)08-0107-02
● 引言
人工智能是计算机科学的一个分支,被认为是21世纪三大尖端技术之一。它是在科学技术迅速发展及新思想、新观点、新理论、新技术不断涌现的形势下出现的一门学科,也是一门涉及数学、计算机科学、控制论、信息论、系统论、神经生理学、心理学、哲学、语言学等学科的交叉和边缘学科。[1]人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的“容器”。
人工智能学科研究的主要内容包括知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。与其他计算机课程相比,人工智能课程知识点多、涉及面广、内容抽象,算法复杂,理论枯燥,无法引起学生的兴趣,通常理论教学效果欠佳。实验教学是课堂内容的实例化和延伸,可以让学生从实验中体验到人工智能的价值,充分激发学生潜能,极大提高学生的动手能力,人工智能实验课是人工智能课程不可缺少的一个重要环节。
● “人工智能”课程实践教学的不足之处
现阶段人工智能实践课程主要不足之处表现在以下两个方面:
①主要采取集中式实验教学方法。该方法能够确保与课堂教学保持同步,便于统一进度和统一管理,但这种集中式实验教学模式不利于兼顾众多不同层次水平学生的要求,也不能充分重视学生的个性发展。对于学生实践能力的培养,由于存在个体差异,笼统地对以班级为单位的学生采用相同的实验教学进度和时数,并不能达到理想的实验教学效果。[2][3]
②评价方式单一,无法激发学生的自主学习性。长期以来实践教学评价以教师为主体,教师根据学生实验操作结果和实验报告定优劣。该评价方式没有注重实验过程,无法体现学生对自身素质评价的自主性和民主性,进而教师忽略了学生的实践过程,无法调动学生的自律性,不能有效激发学生自主学习的积极性。
● 多层次开放式实践教学模式
实践教学不仅能传授知识、验证理论、培养技能,而且相对于理论教学具有直观性、实践性、综合性、设计性与创新性等特点。[4]学生到大三,虽然专业课程学习比较全面,但编程能力参差不齐,个体差异较大。一方面,教师很难把握该阶段学生所具备的能力;另一方面,学生也不知道自己到底可以综合运用哪些知识来完成什么任务。现有的集中式实践教学模式内容过于单一,无法兼顾不同层次水平学生的要求,故不能很好地发挥所有学生的特长,不能体现学生的创新能力。在人才培养过程中单纯依靠课程实践教学环节还远远不够,还需与教学、科研创新活动相结合,为了拓展专业实践范围和方式,综合现有实践教学环节和创新活动,笔者提出了一种多层次开放式的实践教学模式。
这种模式是一种鼓励式教学模式。教师制定统一的实验大纲,为学生提供具有多个不同层次(验证性、设计性和综合性)的系统案例供学生选择。学生根据自己的兴趣和能力选择案例,在完成一部分内容后,自己确定下一步目标,在实践过程中不断提高自己的目标。结果就是能力较差的学生选择简单案例,能力强的学生可以完成较难的案例,不同层次的学生都有热情参与,都有机会挑战自己,提高动手能力。
● 多元化学业评价方法
传统的学生实践课程评价则以教师为主导,由教师对学生实施评价,学生被动地接受评价及其评价结果,导致学生参与的主动性、积极性不高。过程性评价[5]应该贯穿学生实践课程的整个过程,即需要采用多元化的评价方式,根据实践内容进行多方面的评价。与传统的教学评价相比,多元化评价具有以下优势:第一,改变评价的功能,重在促进学生发展。第二,评价的内容更加全面化。第三,评价的方法更加多样化。第四,评价的主体更加多元化。多元化评价强调评价主体的多元化,包含学生自评、同伴互评、教师评价等,多元的评价主体不仅能从不同的视角发现问题、反馈信息,而且各主体均能从中受益。评价者与被评价者之间成了一种互动的过程。[6]
1.注重评价过程
对于实践课程不能仅仅以最终的实验结果及实验报告为评价结果,还应该将学生在实践过程中的态度和相关过程结果纳入评价考核中。另外,要对学生的自我评价、学生之间的互评和阶段性成果进行整理,并最终形成评价结果。评价结果体现过程评价不仅可以充分激发学生的自律性,还能调动学生自主学习的积极性。
2.激励性原则
在每个层次的实验内容中可以定期组织几次对抗赛,充分发挥它的对抗性、趣味性的优点,这样大家通过比赛可以互相切磋、互相鼓励、互相促进。在开展每次对抗赛的同时,可以让每个实验小组撰写开发报告,通过报告,可以检验大家对人工智能理论的理解程度,也可以达到让大家交流自己设计的心得和体会的目的,在报告过程中,教师要对于那些有创意的设计和技术应用给予指导和肯定。
3.差异性原则
不同层次的系统案例设定满足不同层次学生发展的需要。与此同时,在评价标准上也要体现出每位学生为实现自我发展所付出的努力程度和难易程度。在学生选择不同层次系统案例时,对于其评价标准应该了解。难度越大,则评价成绩越高,反之则略低。对于有创意的算法可给以加分或奖励,从而实现对差异性的尊重和对全面发展的激励。
● 结束语
人工智能是一门正在发展中的综合性前沿学科,实践教学将人工智能从第一课堂延伸到第二课堂,活跃了气氛,提升了学生的创新能力。然而,现阶段人工智能实践课程主要以集中式实验教学模式为主,并采用单一的学业评价方法,很难调动学生的学习积极性和创新研发动力。因此本文提出多层次开放式实践教学模式,引入多元化学业评价方法,激励学生主动参与学习,从多方面提高学生实验课质量,帮助学生深入理解人工智能的基本概念和理论,培养了学生的创新能力,也加强了学生的实际动手能力和科研能力。
参考文献:
[1]蔡自兴,徐光?v.人工智能及其应用(第4版)[M].北京:清华大学出版社,2010.[2]段俊花,张森社,等.人工智能实验课教学改革研究[J].计算机教育,2013(19):80-84.[3]李鸣华,李欣.高校实验教学的现状与改进策略研究[J].实验室科学,2008(3):8-10.[4]于猛,单亦先,王绍兰,等.构建完善的实践教学体系[J].实验室研究与探索,2009(5):126-128.[5]谢琪.信息技术课程教学中学生成绩的多元评价模式[J].学科教育,2002(6).[6]谢琪,刘向永.《信息技术教学法》课程多元化评价实践[J].中国信息技术教育,2014(11).基金项目:本文系2014年浙江师范大学校级教改项目“《人工智能》课程实验教学研究”的研究成果。
第五篇:人工智能教学设计
《用智能工具处理信息》教学设计
泰安长城中学 彭玉梅
学习目标
1.能在操作过程中了解智能信息处理工具的基本工作原理。2.认识智能信息处理这一前沿技术的实际应用价值。
3.通过本节课的学习,形成对人工智能的正确认识,产生对信息前沿技术探索的强烈欲望。
学习重点:
体验智能信息处理工具的工作过程
学习难点:
领会智能信息处理工具的工作原理
学习方法
1.实践、交流、探究的学习方法,分享获得的感受。
2.通过教师的讲解加深对原理的理解。3.通过练习反馈学生的学习效果。
教学过程:
导入:播放人工智能新科技视频,引出这节课。
一.智能工具处理信息的应用:(一)模式识别
1.模式识别的概念:模式识别中“模式”的原意是提供模仿的标准样式或标本,模式识别就是识别出给定的物体和哪一个标本相同或相似。
2.模式识别的一般过程:样本采集、信息的数字化、预处理、数据特征的提取、与标准模式进行比较、分类识别。
3.通过活动来体验模式识别中的“OCR”识别
活动一:用“汉王OCR”软件识别图片中的文字
要求:
(1)安装并启用“汉王OCR”软件、快速阅读软件帮助.(2)利用“汉王OCR”识别两个已经扫描的文件【文件1(平整),文件2(褶皱)】,分析其识别正确率。
(3)就两次识别结果讨论分析其识别的简单原理
学生开始活动,教师观察、了解学生活动并作必要的指导。小结:
(1)OCR识别原理:首先将汉字图象进行处理,抽取主要表达特征并将其特征与字的代码存在计算机中。识别过程就是将输入的汉字图像经处理后与计算机中所保存的全部汉字进行比较,找出最相近的字作为识别结果。(2)影响识别正确率的因素: ①原稿扫描图像是不是清晰可“辨”。②分辨率应选择适宜。(300dpi)③调整好亮度值和对比度值。
4.列举日常生活中模式识别应用的更多例子:指纹识别、手写识别、语音识别等。
(二)自然语言理解
1.自然语言理解的研究领域:主要是研究如何使计算机能够理解和生成自然语言的技术。2.自然语言理解的过程可分为三个层次:词法分析、句法分析、语义分析。3.通过活动来体验自然语言理解
活动二:访问自然语言处理网站,与智能语言机器人对话。
自然语言处理网站:http://alice.pandorabots.com
http://www-ai.ijs.si/eliza/eliza.html
要求:
(1)登陆智能网站,通过自然语言进行交流,感受人工智能的不足。并通过与智能机器人对话,来验证机器人的智能程度。
(2)回顾与机器人聊天过程,谈谈你对机器人的认识,想想他是如何回答你的?
(3)就与网络机器人交流的过程,小组内交流一下自已的体会。
学生开始活动,教师观察、了解学生活动并作必要的指导。
小结:
(1)“对话机器人”的工作原理:语言理解、思考和语言的生成。即当我们输入一段话,机器人首先要理解这段话的意思,然后根据并利用它所具有的知识,生成一段文字,给出回答。
(2)“对话机器人”的回答存在的问题及可能的原因
存在的问题:
①似乎不能与我们进行实质性的谈话。②回答问题经常答非所问。主要原因可能有以下几点:
①机器人还不能很好地识别人类自然语言。②机器人的“知识”有限。③机器人没有“感情”和“情绪”。
4.列举日常生活中自然语言理解应用的其它例子:翻译系统
二、让学生根据本节课的体会,展开讨论。
智能处理工具与一般处理工具的区别 小结:
一般处理工具(Word,Excel)通常是处理有固定算法的问题,智能处理工具(汉王OCR软件,双向翻译系统)通常处理的问题是不确定的,非结构的,没有固定算法,处理的过程是推理控制的过程,最终得到的结果常常是不太确定的,可能是正确的,也可能是不正确的。
三、提升:我们应该怎样正确认识人工智能?
1.人工智能给我们的生活学习带来了很多方便,但他并不是万能的,有局限性。2.人工智能的实质:机器的思维是人通过编写程序给予的。
3.机器不能完全代替人,我们不能完全依赖机器,一方面我们要自力、自强、自信;同时也要热爱科学,积极探索、发展、创新,让机器成为人类的得力助手和合作伙伴,用人类自己创造的智慧,更好地为人类服务。
四、课堂小结:
1.人工智能的研究领域
(1)模式识别:OCR识别、指纹识别、手写识别、语音识别等。(2)自然语言处理:与智能机器人对话、翻译系统等。2.智能处理工具与一般处理工具的区别 3.对人工智能的认识
五、课堂练习:
1.本节课中的两个活动分别属于智能信息处理的哪个领域?
2.指纹锁的工作原理是通过提取指纹图象的特征进行身份识别。指纹锁的工作流程可分为以下步骤,顺序应该是()(08年高考题)①指纹图象采集 ② 指纹图象处理 ③ 控制门锁开启④ 指纹图象特征匹配 ⑤ 指纹图象特征提取
A、①②⑤④③
B、①⑤②④③
C、①②③④⑤
D、①④⑤②③
3.目前在机器人足球赛中,足球机器人通过自身的摄像系统拍摄现场图像,分析双方球员的位置,运动方向以及与球门的距离和角度等信息,然后决定下一步的行动。下列说法正确的是()(08年高考题)①足球机器人具有图像数据的获取、分析能力 ②足球机器人的研制采用了人工智能技术 ③足球机器人具有人的智能
④足球机器人既有逻辑判断能力又有形象思维能力
A、① ②
B、① ③
C、② ④
D、③ ④