Skip to content

人工智能基础（A）

课程信息

课程名称／课程号 适用范围与修读要求
人工智能基础（A）
CS1241G		 能环、过控、车辆 · 25级及以前、26级
通识必修

储能普通班 · 26级
通识必修

课程简介

展开查看

人工智能基础（A）是一门面向理工农医本科专业低年级学生开设的通识课程，旨在帮助学生理解掌握人工智能的理论基础原理和安全伦理知识，掌握人工智能常用算法、模型及框架工具的使用以及AI数据建模应用开发技术，逐步培养能够结合本专业领域实际进行人工智能应用创新的能力。本课程采用案例驱动、实战导向的教学方式，结合理工农医专业领域应用实际，为每个知识点引入生动有趣和实用性强的案例，逐步使学生掌握AI平台部署和技术工具的使用，掌握熟练运用Python语言及其相关的包、库以及深度学习框架技术进行开发AI应用，掌握从需求分析与问题定义、数据收集与预处理、模型选择与开发、模型训练与评估、系统设计与实现、测试与优化以及部署与维护等全生命周期过程的AI数据建模应用开发方法，掌握预训练大语言模型的微调、生成式AI工具的使用方法，掌握正确辨识人工智能的伦理安全和社会责任问题的方法，最终培养学生既懂AI理论基础知识有会用AI技术解决实际问题的能力，同时养成既具有伦理安全意识和社会责任感又能结合实际领域进行AI交叉应用创新的人工智能素养，为国家数智化战略培养更多具有人工智能素养的新质人才。

来源：教务网。

课程内容

分数构成

采用过程性评价方案，课程考评包括两个部分，理论（40%）和平时（60%）。其中，理论部分安排在期末统一组织的卷面考试。

平时部分60%分配权重如下：

（1）课堂考勤5%：调查问卷、报告、随堂小测（次）5次以上都参加得5%

（2）理论作业10%：学在浙大、PTA或Mo平台，至少按周或按月布置1次理论作业

（3）阶段测试20%：原则上安排4次，差不多每月1次，随堂小测4次抵（4%）+阶段测试2次（6%）+期中测试1次（10%）

（4）实验作业25%：实验报告小作业7次（），综合报告大作业1次（10%，建议3人一组合作，体现分工和工作量比例，根据人数情况最多选出10个组的优秀作业进行答辩展示）

（5）设置附加5%，基于AI实际项目或参加相关的AI比赛，可获额外平时分。

特别说明：

（1）阶段性测试原则上须安排4次，建议每月安排1次，利用上课时间进行（10～15分钟）。阶段性测试不统一安排，由各教学班自行组织。其中一次作为期中小测。

（2）随堂小测、阶段小测和期中小测可在课前/课中进行，题型以选择、判断为主。随堂小测5分钟时间，做3～5道选择判断题，以检查学生当前阶段知识掌握情况为主。鼓励开展随堂，用不少于4次的随堂小测可以抵一次阶段性测试且只能抵一次。阶段性小测按10分钟（10～15道题），期中小测按20分钟（20～30道题）进行。

（3）阶段性测试内容根据教学进度安排。各次阶段性测试的成绩比例，由各教学班自行确定。考试结束后一周内将成绩上传到“学在浙大”。

（4）关于考勤：为督促学生到课，原则上课堂授课至少点名5次（可在学在浙大数字签到，结合随堂小测），并记平时成绩。教务处规定：缺课达1/3及以上的，不能参加该课程期末考试。

（5）设置期末理论考试的最低合格分数线（由课程组根据考试情况统一确定），低于最低合格分的总评为不及格。

课程大纲

展开查看

根据知识图谱设计，四个篇的组织是由钱入深循序渐进，案例驱动教学，配备丰富案例。具体教学安排如下表。课程32学时安排16周，每周2学时。

周次

授课章节

知识点

主要教学方式内容

单元能力目标

课外学习与作业要求

学时

1

第一章

1.1～1.4

初始人工智能

1.1人工智能的新时代

1.2人工智能的起源定义

1.3人工智能的主流学派

1.4人工智能的发展浪潮

（1）课程简介，mo平台

（2）演示大模型（DeepSeek、文心一言、通义千问、kemi等）

（3）知识点讲解：

人工智能的新时代、人工智能的起源定义、三个学派、发展浪潮

思政：国产大模型平台，新时代人工智能国家战略

（1）列举发生在身边的人工智能例子

（2）解释人工智能的起源、定义

（3）列举人工智能的学派和技术类型

（4）列举人工智能发展的三次浪潮重要性事件，分析两次低谷的原因

实验1（AI大模型DeepSeek工具使用初步和windows系统操作）（具体见实验报告1）

2

2

第一章

1.5

初始人工智能

1.5人工智能的伦理安全：AI造假、道德困境、伦理冲突、幸存者偏差、伦理安全的应对

（1）基于大模型AI应用案例操作，介绍人工智能对社会发展的影响

（2）介绍人工智能的造假、道德困境、伦理冲突、幸存者偏差、伦理安全应对知识

（3）介绍课程总体知识图谱分布情况

（4）介绍课程综合实践要求，如何选题等

思政：国家在人工智能伦理安全应对方面的政策措施

（5）判断人工智能的能与不能

（6）分析人工智能伦理安全、幸存者偏差现象、道德困境与伦理冲突以及如何应对

扩展学习：计算机系统介绍视频并完成配套的基础练习。大作业组队

2

3

第二章

2.1-2.3

2.1 认识人工智能系统

2.2人工智能的系统基础

2.3人工智能的数据基础

（1）介绍AI系统架构：基础设施、算法和技术及应用、人工智能系统的三要素

（2）介绍计算机系统组成原理

（3）介绍数据表示基础

思政：人工智能算力芯片卡脖子问题和国家发展战略

（1）能够解释人工智能系统技术架构

（2）能够列举人工智能系统三个要素及能够分析三者之间的关系

（3）能够列举计算机系统组成及分析其工作原理

（4）能够列举AI系统的算力基础设施资源

（5）能够辨识人工智能数据的结构和模态以及分析AI系统各种数据的表示方法

（6）能够列举和辨识典型AI应用算法

实验2

2

4

第三章

3.1-3.5

3.1 从手写数字识别应用说起

3.2 基本环境搭建与配置

3.3 PYTHON入门

3.4 AI算法库和开发工具包

3.5深度学习框架

（1）介绍手写数字识别案例，体验AI应用

（2）介绍AI开发环境：Anaconda IDE平台及其使用操作

（3）回顾Python基础入门

（4）介绍常用的AI算法库和开发工具包

（5）介绍常用的深度学习框架

思政：国产AI算法框架的崛起，百度的飞浆、华为的 Mindspore等框架，鼓励学习支持国产大模型。

（1）能够熟练操作搭建AI开发环境

（2）能够熟练使用Python语言编程

（3）能够列举和使用常用人工智能算法库和包

（4）能够列举和使用常用深度学习框架

布置AI理论作业

2

5

第4章

4.1-4.5

4.1 问题求解理论基础

4.2 通用问题求解与算法方法学

4.3 人工智能问题求解，状态空间求解、启发式搜索、其他求解方法

4.4 机器学习求解，机器学习的定义、分类及应用

4.5 机器学习算法库scikit-learn及使用

（1）先介绍一个案例：装箱、倒水问题，引出问题求解的含义，问题求解的理论基础

（2）介绍通用问题求解与算法方法学，以及介绍人工智能问题求解的经典方法

（3）介绍机器学习的求解方法，阐述机器学习的定义、分类及应用

（4）最后介绍机器学习算法库scikit-learn及使用操作方法

o列举装箱、倒水等经典问题及求解方法

o解释人工智能问题求解的含义

o列举传统人工智能问题求解的典型方法

o解释机器学习的概念和列举机器学习的类型

o分析机器学习求解问题的一般工作过程、分析机器学习的三个要素及关系

o列举机器学习的应用

o熟练使用机器学习算法库scikit-learn

实验3：机器学习算法库scikit-learn使用与回归分类

2

6

第5章

5.1-5.4

5.1 监督学习方法

5.2 回归模型的定义、类型及线性回归模型

5.3 分类模型的定义、类型及线性分类器 以及决策树分类模型

（1）从通俗例子介绍监督学习方法分为回归与分类模型

（2）以二氧化碳浓度预测案例引出回归模型的含义，回归模型有哪些类型，详细介绍最简单的线性回归模型（3）以垃圾邮件识别为案例介绍引出分类模型及类型，介绍简单的线性分类器和经典的决策树分类模型

o能够解释监督学习及列举主要类型

o能够解释回归模型的概念和列举回归的类型

o能够解释分类模型的概念和列举分类的类型

o能够熟练使用线性回归与线性分类算法求解

o能够分析和运用决策树分类模型

2

7

第6章

6.1-6.3

6.1无监督学习方法

6.2 聚类分析的用途与K-means算法

6.3 数据降维与主成分分析算法

（1）介绍无监督学习方法概念，鸢尾花分析案例、数据相似度和距离度量计算方法；（2）介绍聚类分析技术与Kp-means算法；最后，介绍数据降维与主成分分析算法。

o解释无监督学习方法和列举其类型

o分析聚类技术的核心思想和列举常用方法

o分析使用Kp-means算法实现聚类

o分析降维技术的重要性和使用主成分分析算法。

实验4: 机器学习2-无监督

2

8

第7章

7.1-7.6

深度网络基础组件

7.1深度学习的基本概念与三要素：算法、数据和算力

7.2 机器图像识别破冰：从人眼识别物体的基本过程，人工神经网络的概念、神经元和激活函数

7.4 感知机模型（Perceptron）：拓扑结构

7.3 浅层人工神经网络模型，包括单隐含层、损失函数、BP算法、梯度下降法、以及激活函数、损失函数以及优化器的选择

7.7神经网络与MNIST手写数字分类

（1）介绍深度学习的基本概念与三要素：算法、数据和算力

（2）介绍人眼识别物体过程引出神经网络相关概念，包括神经元、感知机模型（Perceptron）及求解算法

（3）介绍人工神经网络模型，包括单隐含层、多隐含层、损失函数、BP算法、梯度下降法、激活函数、损失函数以及训练过程权重调整，损失函数、激活函数、优化器的选择

（4）介绍神经网络与MNIST手写数字分类

o列举人眼识别物体的关键部位

o阐述深度学习三要素

o解释神经元的全或无特性

o列举不同的损失函数使用条件

o比较不同的优化器的优缺点

o比较不同的激活函数优缺点

o对一元二次方程进行梯度下降法计算

o详细阐述BP算法的基本过程、特点和局限性

o阅读理解Scikit-learn编写的感知机模型代码并注释

实验5：深度学习之CNN实践

2

9

第8章

8.1-8.4

卷积神经网络

8.1多隐含层MLP的实现方法：Tensorflow和PyTorch实现

8.2 卷积神经网络的基本概念：数学中的卷积、感受野、图像的数字化表示

8.3 CNN的实现，包括卷积运算、池化、归一化、基于tensorflow实现简单的CNN以及CNN的实战案例：基于AlexNet的图像识别模型训练——pyTorch框架

8.4 CNN的主要应用领域

本次课重点介绍深度学习的概念和CNN。

（1）介绍多隐含层MLP案例，包括TensorFlow实现MLP案例，PyTorch和 CIFAR-10数据集实现动物识别

（2）介绍卷积神经网络基本概念，包括卷积、卷积核（感受野）池化、归一化等介绍深度学习框架（3）结合案例介绍CNN实现过程，AlexNet图像识别模型训练

（4）介绍CNN应用领域

o列举CNN的应用领域

o画出AlexNet的拓扑结构

o对一张图像进行卷积运算和池化运算

o阅读理解Pytorch实现CNN、MLP并补代码和注释

o阅读理解tensorflow实现CNN、MLP并补代码和注释

2

10

第9章

循环神经网络

9.1 经典RNN：RNN基本结构、按序列展开以及RNN结构分类

9.2 LSTM：LSTM的结构和计算方法、LSTM的应用领域与局限性

9.3 其他循环神经网络：GRU、Bi-RNN、Deep RNN

9.4 案例：股票走势预测

重点介绍RNN的原理。案例：自然语言处理

介绍词袋模型，vord2Vect，词向量等，知识表示。

（1）介绍经典RNN：RNN基本结构、按序列展开以及RNN结构分类

（2）介绍LSTM：LSTM的结构和计算方法、LSTM的应用领域与局限性

（3）介绍其他循环神经网络：GRU、Bi-RNN、Deep RNN

（4）介绍案例：股票走势预测

o判断前馈型和反馈型神经网络

o熟练掌握根据拓扑图写出t时刻的输出公式

o列举LSTM、RNN的应用领域

o列举LSTM的局限性

o列举4个以上循环神经网络结构

o对简单的RNN结构计算输出序列

o阅读理解tensorflow实现股票预测代码并给出注释

实验6:深度学习-RNN（时间序列预测）

2

11

第10章

10.1-10.4

综合应用实践

10.1 综合实践基本要求：实践目标与意义、项目实践必备技能、团队协作与沟通、项目管理与时间规划

10.2 AI应用系统开发基本流程：需求分析与问题定义、数据收集与预处理、模型选择与开发、模型训练与评估、系统设计与实现、系统测试与优化、部署与维护

10.3 项目案例：人脸情感识别应用实践

本次课通过介绍一个典型综合应用案例，学习AI应用的开发方法。并介绍布置组队完成的大作业设计要求。

o列举人工智能开发实践基本要求

o分析人工智能开发实践的方法过程

o能够模仿所提供的案例进行人工智能综合应用开发

布置大作业实践要求

2

12

第11章

11.1-11.3

自然语言处理建模

11.1 概述：NLP任务分类、技术演变

11.2 NLP技术基础：分词、词向量与词嵌入、文本相似度

11.3 经典NLP模型：词袋模型、Word2Vec、Seq2Seq

本章介绍自然语言处理建模知识。

（1）介绍NLP任务分类及技术演变，从基于规则的算法、统计语言模型、序列生成到预训练大模型等

（2）介绍NLP技术基础，包括分词、词向量与词嵌入、文本相似度等

（3）介绍经典NLP模型：包括词袋模型、Word2Vec以及Seq2Seq等

o列举NLP的任务分类

o绘图解释NLP模型的四大主要技术

o比较不同的分词方法的作用

o计算二个文本的余弦相似度、欧氏距离、曼哈顿距离、jaccard相似度

o计算TF、IDF、TF-IDF

o熟练掌握矩阵的线性变换进行词向量降维

o列举和判断word2vec的2个模型

实验7:自然语言处理语义相似度分析

2

13

第11章11.4-5

自然语言处理建模

第12章

12.1-12.3

大语言模型与生成式人工智能

11.4 Transformer结构：编码器、解码器、多头注意力机制、3种类型的Transformer模型

11.5 案例：用Gensim库分析小说中的人物关系

12.1 概述

12.2 公开数据集

12.3 LLM平台

本周介绍Transformer和大语言模型与生成式人工智能有关知识。

（4）介绍Transformer结构，涉及编码器、解码器、多头注意力以及三种类型的Transformer模型

（5）介绍一个案例：用Gensim库分析小说中的人物关系

（1）介绍相关概念包括AIGC与LLM、GAI与AGI、GPT与ChatGPT、预训练与微调、AI造假

（2）介绍公开数据集，包括中文、英文，还有数据集工具

（3）介绍LLM平台：文心一言、通义千问、万象、豆包、Kimi、ChatGLM等

o绘图说明Transformer编码器、解码器工作原理

o绘图说明多头自注意力的实现以及中Q、K、V的作用

o列举三种基于transformer不同结构的预训练模型

o阅读理解Gensim实现NLP任务代码并注释

o名词辨析AIGC、LLM、GAI、AGI、GPT、ChatGPT

o简述预训练和微调的不同目标

o阐述AI造假的原因、危害和预防措施

o使用国内大语言模型平台解决学习和工作上的问题

布置AI理论作业4（学在浙大）

2

14

第13章

13.1-13.3

预训练——微调和多模态模型

13.1 私人助手定制

聊天大语言模型

微调大语言模型

13.2 多模态大语言模型

AI绘画、扩散模型、MLLM研究前沿

首先介绍（1）私人助手定制工具，聊天大语言模型和微调大语言模型的方法

接着，（2）介绍多模态大语言模型，AI绘画、扩散模型以及MLLM研究前沿知识

o绘图说明扩散模型的训练过程

o绘图说明CLIP模型的实现过程

o列举AI绘画的发展三阶段及代表模型

o根据需求设计一个MLLM结构

o阅读理解基于预训练大模型实现聊天机器人的代码并注释

o阅读理解个性化助手微调预训练模型的代码并注释

2

15

大作业展示

综合应用开发成果展示

大作业答辩展示（～10组），学生互评

所有同学到场学习优秀作品

2

16

总结复习

所有内容总结

课程总结复习和答疑

为理论考做准备

2

学习资料链接

CC98 原帖需登录访问。