《人工智能基础》课程教学大纲 一、课程基本信息 英文名称 Artificial Intelligence Basic 课程代码 BEEE3702 课程性颜 专业选修课程 授课对象 能源与动力工程等专业 学分 1.5 学时 主讲教师 陶永明 修订日期 2021年2月18日 指定教材讲文 二、课程目标 (一)总体目标 《从工智能基础》是一门能源与动力工程类专业选修课程，课程的总体目标是旨在桥助学生掌据人工智能的基本原理和相关技术，拓展知识和技能范 围。为利用人工智能拉术解决能源与动力工程领城中的问题打好基础，增强学生白主学习和终身学习的意识，增强其不新学习和适应发展的能力。 (二)课程目标： 课程目标1：帮助学生掌型人工智能的基本原理。 1.1帮助学生掌挥人工神经网络的基本原理。 ,2帮助学生巢据深度学习正则化的原理」 13帮助学生学握深度学习优化的原理。 1.4帮助学生学握卷积神经网络。循环神经网络和生成对抗网络的架构和工作原理。 1.5帮助学生了解大语言模型的基本原理和架构。 果程目标2：帮助学生掌据人工智能的相美技术。 2.1桥助学生学会Kms的安装和使用方法 2,2帮助学生掌握数据获取与处理的方法。 23帮助学生用Ks搭建各种神经网终模型，掌发模型的训练。评估和使用方法。 (三)课程目标与毕业要求、课程内容的对应关系 表1：课程日标与课程内容、毕业要求的对应关系表 课程目标 课程子目标 对应课程内容 对应毕业要求 第二章 年业受求2 1.2 第四章 毕业要求2 课程目标1 1.3 第五章 毕业要求2 14 第六章、第七章、第九章 毕业要求12 1.5 第十章 毕业要求12 课程日标2 2.1 第三章 毕业要求6
《人工智能基础》课程教学大纲 一、课程基本信息 英文名称 Artificial Intelligence Basic 课程代码 BEEE3702 课程性质 专业选修课程 授课对象 能源与动力工程等专业 学 分 1.5 学 时 36 主讲教师 陶永明 修订日期 2021年2月18日 指定教材 讲义 二、课程目标 （一）总体目标： 《人工智能基础》是一门能源与动力工程类专业选修课程。课程的总体目标是旨在帮助学生掌握人工智能的基本原理和相关技术，拓展知识和技能范 围，为利用人工智能技术解决能源与动力工程领域中的问题打好基础，增强学生自主学习和终身学习的意识，增强其不断学习和适应发展的能力。 （二）课程目标： 课程目标1：帮助学生掌握人工智能的基本原理。 1.1帮助学生掌握人工神经网络的基本原理。 1.2帮助学生掌握深度学习正则化的原理。 1.3帮助学生掌握深度学习优化的原理。 1.4帮助学生掌握卷积神经网络、循环神经网络和生成对抗网络的架构和工作原理。 1.5帮助学生了解大语言模型的基本原理和架构。 课程目标2：帮助学生掌握人工智能的相关技术。 2.1帮助学生学会Keras的安装和使用方法。 2.2帮助学生掌握数据获取与处理的方法。 2.3帮助学生用Keras搭建各种神经网络模型，掌握模型的训练、评估和使用方法。 （三）课程目标与毕业要求、课程内容的对应关系 表1：课程目标与课程内容、毕业要求的对应关系表 课程目标 课程子目标 对应课程内容 对应毕业要求 课程目标1 1.1 第二章 毕业要求12 1.2 第四章 毕业要求12 1.3 第五章 毕业要求12 1.4 第六章、第七章、第九章 毕业要求12 1.5 第十章 毕业要求12 课程目标2 2.1 第三章 毕业要求6
2.2 第人章 毕业婴求6 23 第六章、第七章、第九章 毕业要求6 三、教学内容 第一章绪论 1.数学目标 ()了解人工智使和深度学习技术的发展过程。 (2)理解人工智使、机器学习和深度学习之间的关系。 (3)举nacond由的安装方法。 (4)举报Anaconda Navigator、 n ca由Prt和的使用方法， 2.教学重难点 (1)掌握Anaconda的安装方法 (2)掌和upyter Notebookf的使用方过 3.教学内容 人工智能、机器学习和深度学习之间的关系 Navigator 4.教学方法 讲授与滴示相结合：讲授过程中滴示和的使用方法。 5.教学评价 思考题： (1)简述人工智能和深度学习技术的发展过程。 (2)请描述人工智能、机器学习和深度学习之的关系。 《3)使用Jupyterotb有哪些好处？ 第二章人工神经网络基础 1教学目标 (1)掌提感知器、igmid分类器、50fx分离器、多层感知器的模型架构和工作原理。 (2)读懂感知器、siid分类器、s0x分离器、多层感知器的实现代码. (3)了解深度神经网络的基本知识。 (4)草握利用人工神经网络解决回归问题的原理和代码实现， 2.教学重难点 (1)报梯度下降法进行机器学习的原理 (2)理解各种枝型性能指标。 (3)理解模型的输入和输出。 3教学内容 第一节感知器
2.2 第八章 毕业要求6 2.3 第六章、第七章、第九章 毕业要求6 三、教学内容 第一章 绪论 1.教学目标 （1）了解人工智能和深度学习技术的发展过程。 （2）理解人工智能、机器学习和深度学习之间的关系。 （3）掌握Anaconda的安装方法。 （4）掌握Anaconda Navigator、Anaconda Prompt和Jupyter Notebook的使用方法。 2.教学重难点 （1）掌握Anaconda的安装方法 （2）掌握Anaconda Prompt和Jupyter Notebook的使用方法 3.教学内容 第一节 人工智能、机器学习和深度学习 一、人工智能和深度学习技术的发展过程 二、人工智能、机器学习和深度学习之间的关系 第二节 编程环境 一、Anaconda的安装 二、使用Anaconda Navigator 三、使用Anaconda Prompt 四、使用Jupyter Notebook 4.教学方法 讲授与演示相结合：讲授过程中演示Anaconda Prompt和Jupyter Notebook的使用方法。 5.教学评价 思考题： （1）简述人工智能和深度学习技术的发展过程。 （2）请描述人工智能、机器学习和深度学习之间的关系。 （3）使用Jupyter Notebook有哪些好处？ 第二章 人工神经网络基础 1.教学目标 （1）掌握感知器、sigmoid分类器、softmax分离器、多层感知器的模型架构和工作原理。 （2）读懂感知器、sigmoid分类器、softmax分离器、多层感知器的实现代码。 （3）了解深度神经网络的基本知识。 （4）掌握利用人工神经网络解决回归问题的原理和代码实现。 2.教学重难点 （1）掌握梯度下降法进行机器学习的原理。 （2）理解各种模型性能指标。 （3）理解模型的输入和输出。 3.教学内容 第一节 感知器
第四多分类器用于二分类 决异或问愿的ytho?实现 深度种经网络的优化初探 用回归模型预测门店销售额 么.敦教学方法 讲找与演示相结合：讲授过程中演示各种神经网络的代码实现和运行情况。 教学评价 思考题 说说人工神经网络中的神经元、权重参数、激活函数的作用分别是什么？ 人工神经网络的输入层、隐藏层和输出层分别指什么？ 什么是阶跃函数、s1gmd数，sofa函数？能否写出其导函数的形式 什么是交义培指失函数？ 机器学习的本质是什么？梯度下降法的工作原理是什么？ 什么是有监督学习？什么是无监督学习 什么是模型的基准性能？如有度量一个模型的性能水平？ 二分类与多分类的区别有事些？ 什么是浅层神经网络？什么是深层神经网络 国妇问题与分类问题的有什么异同？ 第三章深度学习Python框架 1.教学目标 (1)了解使用框架的代缺点。 (2)了解深度学习框架的分类方法及流行的各种框架。 (3)Keras瓶架的安装和使用方法。 2.教学重难点 (1)Keras的安装. (2)keras的使用 3教学内容 第一节为什久要使用框朝 框架的优点
一、感知器的原理 二、Python实现 三、模型的性能度量 四、监督学习和无监督学习 第二节 sigmoid分类器 一、sigmoid分类器的原理 二、Python实现 第三节 softmax多分类器 一、softmax多分类器的原理 二、Python代码实现 三、softmax多分类器用于二分类 第四节 多层感知器 一、多层感知器的原理 二、用多层感知器解决异或问题的Python实现 第五节 深度神经网络 深度神经网络的优化初探 深度神经网络的设计 定义模型的基准性能 第六节 回归 回归问题与分类问题的异同 用于回归的损失函数 用回归模型预测门店销售额 4.教学方法 讲授与演示相结合：讲授过程中演示各种神经网络的代码实现和运行情况。 5.教学评价 思考题： 说说人工神经网络中的神经元、权重参数、激活函数的作用分别是什么？ 人工神经网络的输入层、隐藏层和输出层分别指什么？ 什么是阶跃函数、sigmoid函数、softmax函数？能否写出其导函数的形式？ 什么是交叉熵损失函数？ 机器学习的本质是什么？梯度下降法的工作原理是什么？ 什么是有监督学习？什么是无监督学习？ 什么是模型的基准性能？如何度量一个模型的性能水平？ 二分类与多分类的区别有哪些？ 什么是浅层神经网络？什么是深层神经网络？ 回归问题与分类问题的有什么异同？ 第三章 深度学习Python框架 1.教学目标 （1）了解使用框架的优缺点。 （2）了解深度学习框架的分类方法及流行的各种框架。 （3）掌握Keras框架的安装和使用方法。 2.教学重难点 （1）Keras的安装。 （2）keras的使用。 3.教学内容 第一节 为什么要使用框架 框架的优点
框架的缺点 第二节探索流行的深度学习框秀 一，低级深度学习框架 二、高级深度学习框架 第三节Kcms框架 keras概述 安装eras 使用keras 第四节kra形果应用示例 例1 例2 4教学方法 讲投与示相结合：讲授过程中清示cras的使用方法。 五教学评价 思考题： (1)说说使用框架的代缺点。 (2)有哪些流行的低级深度学习框果？有可些流行的高级深度学习框要 (3)如何安乾基em框果？ (4)如何使用cms框架进行机器学习 第四章深度学习正测化 1.教学目标 (1)理解深度学习正测化的目的， （2)掌各种正题化方法的原理， 《3)掌捏在Kerast中实现各种正则化方法， 2教学重难点 ()学暴各种正则化方法的原理 (2)掌报在eras中实现各种正则化方法 3.教学内容 第一节参数范数惩罚 一、参数范数惩拼正则化的厚理 二、泰数范数惩罚正则化在krm5中的实瑗方法 第二节稀硫表征 一、稀蔬表征的原理 二、稀疏表征在kerast中的实现方法 第三节数据扩充与注入噪声 数据扩充 注入梁声 第四节早停 一、早停的原理
框架的缺点 第二节 探索流行的深度学习框架 一、低级深度学习框架 二、高级深度学习框架 第三节 Keras框架 keras概述 安装Keras 使用keras 第四节 keras框架应用示例 例1 例2 4.教学方法 讲授与演示相结合：讲授过程中演示Keras的使用方法。 5.教学评价 思考题： （1）说说使用框架的优缺点。 （2）有哪些流行的低级深度学习框架？有哪些流行的高级深度学习框架？ （3）如何安装Keras框架？ （4）如何使用Keras框架进行机器学习？ 第四章 深度学习正则化 1.教学目标 （1）理解深度学习正则化的目的。 （2）掌握各种正则化方法的原理。 （3）掌握在Keras中实现各种正则化方法。 2.教学重难点 （1）掌握各种正则化方法的原理。 （2）掌握在Keras中实现各种正则化方法。 3.教学内容 第一节 参数范数惩罚 一、参数范数惩罚正则化的原理 二、参数范数惩罚正则化在keras中的实现方法 第二节 稀疏表征 一、稀疏表征的原理 二、稀疏表征在keras中的实现方法 第三节 数据扩充与注入噪声 数据扩充 注入噪声 第四节 早停 一、早停的原理
二、Kerast中设置早停的方法 第五节dropout dropo的原理 在Keras中实现dropout 4.教学方法 讲授法 5.教学评价 思考圈： (1)什么是参数范数惩罚正则化如何在ka中实现参数范数惩罚正则化？ (2)什么是稀疏表征？在kcra5中如何实现稀疏表征？ (3)数据扩充的日的是什么？如何对图片数据进行增强？ (4)为什么要往数据中注入晚声？如何实现噪声注入？ (5)模型训练时为什么要早停？KCms中如何设置早停？ (6)什么是dropout?知何在eras中实现dro? 第五章深度学习的代化 1.教学目标 (1)理解神经网络优化面临的各种困在和挑战。 (2)攀握各种常用的优化方法的原理。 (3)eras中常用的优化器的设置和使用方法 (4)了解各种参数初始化策略以及Keras中内置的初始化器。 (5)理解批量归一化的原理。 (6)掌拉Keras中BatchNor层的用法。 2.数学重难点 (1)理解神经网络优化面临的各种困难和挑战。 (2)理解各稀优化方法和参初始化策略以及批量日一化的原现。 (3)举eras中优化器、初始化策略和批量归一化的用法 3教学内容 第一节神经网络优化困难和挑战 局郎最优 皲点 梯度悬保 梯度消失 度爆炸 梯度不桔确 优化理论的局限性 第二节动量学习法 二、ReduceLROnPlateau 动量学习法的原理
二、Keras中设置早停的方法 第五节 dropout dropout的原理 在Keras中实现dropout 4.教学方法 讲授法 5.教学评价 思考题： （1）什么是参数范数惩罚正则化？如何在keras中实现参数范数惩罚正则化？ （2）什么是稀疏表征？在keras中如何实现稀疏表征？ （3）数据扩充的目的是什么？如何对图片数据进行增强？ （4）为什么要往数据中注入噪声？如何实现噪声注入？ （5）模型训练时为什么要早停？Keras中如何设置早停？ （6）什么是dropout？如何在Keras中实现dropout？ 第五章 深度学习的优化 1.教学目标 （1）理解神经网络优化面临的各种困难和挑战。 （2）掌握各种常用的优化方法的原理。 （3）掌握Keras中常用的优化器的设置和使用方法。 （4）了解各种参数初始化策略以及Keras中内置的初始化器。 （5）理解批量归一化的原理。 （6）掌握Keras中BatchNormalization层的用法。 2.教学重难点 （1）理解神经网络优化面临的各种困难和挑战。 （2）理解各种优化方法和参数初始化策略以及批量归一化的原理。 （3）掌握Keras中优化器、初始化策略和批量归一化的用法 3.教学内容 第一节 神经网络优化困难和挑战 局部最优 鞍点 梯度悬崖 梯度消失 梯度爆炸 梯度不精确 优化理论的局限性 第二节 动量学习法 一、LearningRateScheduler 二、ReduceLROnPlateau 三、动量学习法的原理