人工智能与机器学习

发表时间：2026-03-19 点击次数：

《人工智能与机器学习》是管理科学与工程、计算机科学与技术、软件工程、网络工程、数据科学与大数据专业的一门专业教育课程，属于人工智能范畴，本课程旨在加强学生对机器学习技术的了解，以及现代人工智能技术的基本方法、算法。
     本课程大多数章节都有典型的Python算法和案例，深入浅出的解释理论，方便学习和理解；课程在介绍传统机器学习理论的基础上，突出了机器学习目前主流的一些内容，包括深度学习典型算法与应用、知识图谱、机器学习在电子推荐领域的应用等。
    通过本课程的学习，学生能掌握常见的机器学习算法，对国际上机器学习研究、应用领域现状和发展有全面的了解，能够根据实际问题的需要选择相应的机器学习算法。
    
    课堂在线教学资源：https://mooc1.chaoxing.com/course/portal/VIVYjVmL5KAt9dZaOkvQ3g==

课程编号：0072003

课程名称：人工智能与机器学习

英文名称：Artificial Intelligence and Machine Learning

总 学 时：36

学    分：3

课程类型：专业选修课

先修课程：数据科学、决策理论与方法

适用范围：管理科学与工程学科研究生

一、课程简介

   《人工智能与机器学习》是关于人工智能领域的一门基础介绍性课程。本课程从机器学习相关算法和应用的角度对人工智能领域所涉及的研究内容，以及针对各种研究内容所采用的解决方法进行了介绍。希望通过学习使学生了解人工智能领域中主要涉及的问题以及采用的机器学习方法，掌握目前人工智能领域的主流研究方向。

二、课程教学目标

   通过学习本课程，使学生对人工智能及机器学习的发展历程以及主要的研究内容有较为全面的认识。了解人工智能领域中经常采用的问题描述方法和求解方法，为以后在管理科学与工程领域进行智能方法结合的深入研究奠定基础。

三、课程教学内容及要求

第一章  绪论

【教学目的与要求】

重点掌握人工智能的几种定义，掌握目前人工智能的三个主要学派及对人工 智能的理解，一般了解人工智能的主要研究范围和应用领域。

重点掌握人工智能与机器学习的关系，了解机器学习的主要内容和应用领域

【教学重点与难点】

1．怎么样理解人工智能和机器学习，以及相互关系；

2．人工智能作为一门学科有什么意义；

3．人工智能的主要学派与其争论焦点；

【教学内容】

人工智能基本概念、历史、发展。

机器学习基本概念、主要技术及发展。

人工智能及机器学习的典型应用。

【教学方法】

 课堂教学为主，前沿文献阅读为辅。充分利用网络课程中的多媒体素材来表示抽象概念

【思考与讨论】

1. 强人工智能的未来发展

2. 人工智能的三次浪潮代表性技术是什么？

3. 目前人工智能主要的应用领域是什么？

第二章  人工智能及机器学习基础

【教学目的与要求】

通过对本章的学习，使学生掌握人工智能的结构、模型和算法，了解人工智能所涉及的领域和范围，了解人工智能的特性、表示和推理等。

机器学习是继专家系统之后人工智能应用的又一重要研究领域。主要介绍机器学习的有个数学基础，如线性代数、概率论等。

【教学重点与难点】

1．线性代数和概率论的基本知识；

2．机器学习方法的基本范式；

【教学内容】

人工智能及机器学习的数学基础：线性代数、概率论知识

机器学习的主要策略与基本结构

机器学习系统的基本结构

【教学方法】

 课堂教学为主。注意结合学生已学的内容。及时提问、收集学生学习情况，多实用具体实例来加以说明，注意难易结合，将课程讲述得较为浅显易懂。

【思考与讨论】

强人工智能的未来发展

第三章  机器学习方法分类

【教学目的与要求】

重点掌握监督学习、非监督学习和强化学习的机器学习方法分类原则。

重点掌握各种机器学习方法的特点和适用范围。

能正确选择并设计相应机器学习算法解决问题。

【教学重点与难点】

1．机器学习方法的分类原则及所包含的各种算法。

2．能根据具体问题设计相应算法。

【教学内容】

1. 监督学习分类

2. KNN，决策树及SVM监督学习方法

3. 聚类、降维非监督学习方法

4. 机器学习算法的实现

【教学方法】

 课堂教学为主，前沿文献阅读为辅。充分利用网络课程中的多媒体素材来表示抽象概念

【思考与讨论】

1. 阅读文献，说明为何非监督学习是目前研究的主流方向？

2. 非监督学习目前需要解决的主要问题是什么？

第四章  机器学习与Python实战

【教学目的与要求】

学习Python语言的基本语法、编程思维。

掌握Python机器学习常用库的功能及使用方法。

能运用Python开发相应机器学习算法。

【教学重点与难点】

1． Python语言的基本语法及设计思路

2． 机器学习的python实现

【教学内容】

1． Python语言的基本语法

2． Python语言的机器学习库

3． Python的集成开发环境

4． Python实现KNN机器学习算法

5． Python实现决策树学习算法

 【教学方法】

  课堂教学为主，课堂上机实验为辅，要求学生能课后完成机器编程实验，并在课堂进行演示和讲解。

 【思考与讨论】

1. 为何Python成为主流的人工智能编程语言？

2. Python实现机器学习算法的主要库有哪些？

第五章  深度学习与强化学习

【教学目的与要求】

了解目前深度学习的发展及基本技术

掌握神经网络、深度学习的基本理论、算法

掌握深度强化学习的应用

【教学重点与难点】

1．深度学习目前的基本模型原理；

2．强化学习的基本原理及未来发展路径。

【教学内容】

1．神经元模型；

2．感知机及多层网络；

3．反向传播神经网络基本原理；

4. 深度学习

5. 强化学习

6. 深度强化学习

【教学方法】

 课堂教学为主，前沿文献阅读为辅。充分利用网络课程中的多媒体素材来表示抽象概念

 【思考与讨论】

1. 为何说强化学习是实现强人工智能的主要发展方向？

2. 深度学习为何对硬件的依赖大？

四、实践教学环节

Python语言在人工智能与机器学习中的应用

Python语言的基本语法、机器学习库

Python实现监督学习算法实践

Python实现非监督学习算法实践

五、教学计划与课时分配

六、考核要求与方式

考核方式：考查，开卷。成绩评定方法：本课程的考核是平时成绩、实验成绩和期终考试研究报告成绩相结合。具体比例为：上课出勤、作业占20%，实验占20%，期末成绩占60%。其中期未考试为研究报告一份。

七、推荐教材与主要参考书目

（一）推荐教材：

[1] 蔡自兴，人工智能及其应用(第五版)，北京：清华大学出版社

[2] 史蒂芬·卢奇（Stephen Lucci），人工智能（第2版），北京：人民邮电出版社

[3] 王秋月，《人工智能与机器学习》， 北京：中国人民大学出版社

[4] 周志华，机器学习，北京：清华大学出版社

（二）主要参考书目：

[1] 李航，统计学习方法，北京：清华大学出版社

[2] Christopher Bishop，Pattern Recognition and Machine Learning，spring