《人工智能基础》教学大纲(自考)解析.doc

1、人工智能基础（8017）考试大纲一、课程性质与设置目的（一） 课程性质和特点“人工智能”是21世纪计算机科学发展的主流，为了培养国家建设跨世纪的有用人才，在计算机专业本科开设人工智能基础课程是十分必要的。人工智能基础是计算机专业本科的一门必修课程，本课程中涉及的理论、原理、方法和技术有助于学生进一步学习其他专业课程。开设本课程的目的是培养学生软件开发的“智能”观念；掌握人工智能的基本理论、基本方法和基本技术；提高解决“智能”问题的能力，为今后的继续深造和智能系统研制，以及进行相关的工作打下人工智能方面的基础。（二） 本课程的基本要求（课程总目标）人工智能基础是理论性较强，涉及知识面较广，方法和

2、技术较复杂的一门学科。通过对本课程的学习，学生应掌握人工智能的一个问题和三大技术，即通用问题求解和知识表示技术、搜索技术、推理技术。具体要求是：学生在较坚实打好的人工智能数学基础（数理逻辑、概率论、模糊理论、数值分析）上，能够利用这些数学手段对确定性和不确定性的知识完成推理；在理解Herbrand域概念和Horn子句的基础上，应用Robinson归结原理进行定理证明；应掌握问题求解（GPS）的状态空间法，能应用几种主要的盲目搜索和启发式搜索算法（宽度优先、深度优先、有代价的搜索、A算法、A*算法、博弈数的极大极小法、剪枝技术）完成问题求解；并能熟悉几种重要的不确定推理方法，如确定因子法、主观B

3、ayes方法、DS证据理论等，利用数值分析中常用方法进行正确计算。另外，学生还应该了解专家系统的基本概念、研究历史、系统结构、系统评价和领域应用。学生还应认识机器学习对于智能软件研制的重要性，掌握机器学习的相关概念，机器学习的方法及其相应的学习机制，几个典型的机器学习系统的学习方法、功能和领域应用。（三） 本课程与相关课程的联系、分工或区别与本课程相关的课程有：离散数学、算法设计、数值分析、程序设计语言等。离散数学中的命题逻辑、谓词逻辑、树/图、表等知识是本课程的数学基础之一。本课程中的知识表示需要利用矩阵、表、树/图、多元组等手段，因此学生前期的离散数学学习，对于本课程起到了基础作用。本课程

4、涉及到许多算法设计（尤其是问题求解），算法分析中的算法的可计算性和计算复杂性、算法的可纳性等理论作为本课程中搜索算法的理论支撑。数值分析中的曲线插值方法要在本课程中仅作为数学工具进行使用，本课程并不象数值分析课程那样去介绍方法的理论。在本课程中，研究问题求解方法需要从算法到代码的转换，而这种转换的工具是程序设计语言，所以本课程要求学生已经掌握了这方面的知识。二、 课程内容与考核目标第一章 绪论（一） 学习目的与要求 本章内容是本课程的导论。本章的重点是：人工智能研究目标、研究内容、研究的途径（方法）、研究的领域等内容。通过对本章的学习，学生应理解什么是智能、深刻理解什么是人工智能、人工智能研究

5、的目标（近期目标和长远目标）、人工智能研究的内容、人工智能研究的途径，要了解人工智能研究的历史和研究领域的大致情况（不少于八个领域）。同时，学生要掌握图灵测试的过程。（二） 课程内容第一节 人工智能概况1、什么是人工智能：学者们从不同的研究角度对人工智能有多种不同的定义，在这些定义中学生应掌握其定义的实质。2、人工智能研究的对象是知识3、人工智能研究概括为一大问题和三大技术4、关于智能的定义5、图灵测试6、D.B.Lenat和E.A.Fengenbaum的知识阈Nilsson的物理符号假设7、日本渡边慧的定义第二节 人工智能研究途径1、以思维理论和认知心理学基础的符号主义学派基本思想2、符号主

6、义学派的代表人物3、以阈值理论为基础的联结主义学派基本思想4、联结主义（神经网络）研究不存在符号运算5、联结主义研究的历史6、联结主义研究的代表任务7、以进化理论为基础的行为主义学派基本思想8、行为主义学派的代表人物第三节 人工智能研究的目标1、人工智能近期研究目标2、人工智能远期研究目标第四节 人工智能研究的内容1、机器感知2、机器思维3、机器学习4、机器行为5、智能系统及智能计算机的构造技术第五节 人工智能研究领域1、模式识别（Pattern Recognition）2、问题求解（Problem Solving）3、自然语言理解（Natural langrage Understanding

7、）4、专家系统（ Expert System）5、机器学习（Machine Learning）6、自动定理证明（Automatic Theorem Proving）7、自动程序设计（Automatic Programming）8、机器人学（Robots）9、博弈（Game）10 、智能决策支持系统（Intelligent Decision Support System）11、人工神经网络（Artificial natural networks）第六节 人工智能研究的历史回顾及进展1、对人工智能起到奠基作用的几项工作2、人工智能诞生的时间和地点3、1957年纽厄尔、西慕的GPS4、1960年麦卡

8、锡的LISP语言5、1964年鲁宾逊的归结原理6、70年代的专家系统黄金时代（1977年费根鲍母提出知识工程概念）7、1987年Computational Intelligence杂志发表“纯粹理性批判”的论文，次年又发表“计算机理解质疑”，开展了对人工智能发展的理性辩论8、1991年Artificial Intelligence杂志发表了人工智能基础专集，著名专家们对人工智能基础性假设进行了辩论。（三）考核知识点1、人工智能定义2、人工智能研究的对象3、图灵测试4、人工智能研究的三大途径5、人工智能研究的近期目标和远期目标6、人工智能研究的五大内容7、人工智能研究的主要领域（四）考核要求1、

9、人工智能定义（1）识记：人工智能的通常定义（2）领会：人工智能的其他定义2、人工智能研究的对象（1）识记：人工智能研究的对象是知识（2）领会：与计算机科学其他学科的区别（3）简单应用：知识+推理=智能程序；数据+算法=程序3、图灵测试（1）识记：图灵测试过程的描述（2）领会：图灵测试是判断机器是否是智能机的一个标准4、人工智能研究的三大途径（1）识记：人工智能研究的三种途径（2）领会：每种研究途径的理论基础和基本思想（3）简单应用：结合系统的研制，举例说明各个研究途径的实施方法（4）综合应用：结合机器人的研制，说明三种研究方法在其中的应用5、人工智能研究的近期目标和远期目标（1）识记：人工智能

10、研究的近期目标和远期目标的内容（2）领会：为什么近期目标只能是研制模拟人思维的智能程序6、人工智能研究的五大内容（1）识记：人工智能研究的五个内容（2）领会：每种研究内容的理论基础和基本方法（3）简单应用：利用机器学习的概念，判断程序是否是智能程序7、人工智能研究的主要领域（1）识记：至少记忆人工智能研究的八个领域（2）领会：每个研究领域的研究内容、基本方法以及应用第二章 问题求解的基本原理（一）学习目的与要求本章讨论问题求解的基本原理和基本方法，它直接关系到智能系统的性能和效率，因而它是本课程的重点章节。本章的重点知识有：知识的状态空间表示法、盲目搜索的宽度优先和深度优先法、启发式搜索的估价

11、函数、与/或树、A算法和A*算法、博弈树的-剪枝算法。通过对本章的学习，学生应掌握状态及状态空间表示问题的几种主要方法（矩阵法、多元组法、树/图法等），掌握问题通过等价变换和分解，分别形成或节点和与节点以及节点的可解性；掌握搜索的各种算法；掌握启发函数的含义并能根据问题实际正确构造估价函数；理解OPEN表和CLOSED表的作用及其特点；深刻理解博弈树节点值和值的意义和其倒推值的计算，并掌握-剪枝技术。（二）课程内容第一节 基本概念1、什么是搜索：搜索分为盲目搜索和启发式搜索2、状态空间表示法：由状态和算法表示慰问体的一种方法3、与/或树表示法：分解、等价变换、本原问题、节点的可解性第二节 状态

12、空间搜索策略1、状态空间的一般搜索过程OPEN表：用来存放刚生成的节点CLOSED表：用来存放将要扩展或者已扩展的节点2、宽度优先搜索策略3、深度优先搜索策略4、有界的深度优先搜索策略5、代价树的宽度优先搜索策略6、代价树的深度优先搜索策略第三节 启发式搜索1、启发信息和启发函数2、局部择优搜索3、全局择优搜索4、A*算法第四节 与/或树的搜索策略1、与/或树的一般搜索过程2、与/或树的宽度优先搜索3、与/或树的深度优先搜索4、与/或树的有序搜索第五节 博弈树1、博弈树的启发式搜索2、极大极小法3、-剪枝技术（三）考核知识点1、状态空间搜索的基本概念2、宽度优先搜索算法的基本思想3、深度优先搜

13、索算法的基本思想4、有界的深度优先搜索算法的基本思想5、代价树的宽度优先搜索的基本思想6、代价树的深度优先搜索的基本思想7、启发式搜索8、与/或树的有序搜索的基本思想（四）考核要求1、状态空间搜索的基本概念（1） 识记：状态、状态空间的定义；本原问题、可解节点、不可解节点、解树的定义（2） 领会：节点的等价变换和分解（1） 简单应用：对应用问题构造状态空间（树）2、宽度优先搜索算法的基本思想（1） 识记：盲目搜索与启发式搜索的区别 宽度优先搜索算法的描述（2） 领会：宽度优先搜索算法OPEN表的数据结构是队列 宽度优先搜索算法的优缺点（3） 简单应用：宽度优先搜索算法的程序设计（4） 综合应用

14、：八数码问题的宽度优先搜索3、深度优先搜索算法的基本思想（1） 识记：深度优先搜索算法的描述（2） 领会：深度优先搜索算法OPEN表的数据结构是堆栈 深度优先搜索算法的优缺点（3） 简单应用：深度优先搜索算法的程序设计（4） 综合应用：黑白将牌问题的深度优先搜索4、有界的深度优先搜索算法的基本思想（1） 识记：有界的深度优先搜索算法描述状态空间节点的深度定义（2） 领会：有界的深度优先搜索与深度优先搜索的区别（3） 简单应用：有界的深度优先搜索算法的程序设计（4） 综合应用：三阶汉诺塔问题的有界的深度优先搜索5、代价树的宽度优先搜索的基本思想（1） 识记：代价树的概念：代价树的宽度优先搜索的算

15、法描述（2） 领会：代价树的宽度优先搜索仍然是一种盲目搜索方法 在OPEN表中全部节点按代价从小到大排序（3） 简单应用：代价树的宽度优先搜索算法的程序设计6、代价树的深度优先搜索的基本思想（1） 识记：代价树的深度优先搜索的算法描述（2） 领会：代价树的深度优先搜索与代价树的宽度优先搜索 扩展的子节点按代价从小到大排序，并存放在OPEN表的首部（3） 简单应用：代价树的深度优先搜索算法的程序设计7、启发式搜索（1） 识记：启发性信息和估价函数： 估价函数各项的物理意义（2） 领会：估价函数各项的物理意义局部择优搜索和全局择优的基本思想A*算法的基本思想（3） 简单应用：写出黑白将牌问题的估价

16、函数（4） 综合应用：八数码问题的局部择优和全局择优算法8、与/或树的有序搜索的基本思想（1） 识记：与/或树的有序搜索的一般过程与/或树的有序搜索的宽度优先算法与/或树的有序搜索的深度优先算法与/或树的有序搜索的有序搜索算法 博弈树的启发式搜索算法（2） 领会：博弈树的假设条件大极小法-剪枝技术（3） 简单应用：节点的值、值的计算；-剪枝技术的应用（4） 综合应用：博弈树中各节点倒推值的计算以及-剪枝的应用第三章 知识与知识表示（一）学习目的与要求人类的智能活动过程主要是一个获取知识和应用知识的过程。因而，知识表示构成了人工智能的一种重要技术，它是研究知识和智能系统的基础。本章的重点知识有：

17、关于知识的概念以及特征；知识表示的主要模式。通过对本章的学习，学生应掌握人们社会活动和科学研究中的知识表示的形态，知识的特征与知识的分类。掌握一阶谓词逻辑的知识表示、产生式系统的知识表示、框架的知识表示法、语义网络的知识表示法。理解脚本的知识表示法、Petri网的知识表示法和面向对象的知识表示法。（二）课程内容第一节 基本概念1、什么是知识2、知识的特征3、知识的分类4、知识的表示第二节 一阶谓词逻辑表示方法1、表示知识方法2、一阶谓词逻辑表示方法的特点第三节 产生式表示法1、产生式的基本形式2、产生式系统3、产生式系统的分类4、产生式表示法的特点第四节 框架表示法1、框架理论2、框架3、框架

18、网络4、框架中槽的设置与组织5、框架表示法的特点第五节 语义网络表示法1、语义网络的概念2、知识的语义网络表示3、常用的语义联系4、语义网络中问题求解的过程5、语义网络表示的特点第六节 脚本1、概念依赖理论2、脚本第七节 过程表示法1、过程的知识表示方法2、过程表示法的特点第八节 Petri网表示法1、Petri网知识表示2、Petri网表示法的特点第九节 面向对象的知识表示1、面向对象的基本概念2、面向对象知识表示（三）考核知识点1、关于知识的基本概念2、知识的一阶谓词逻辑表示3、知识的产生式表示4、知识的框架表示5、知识的语义网络表示（四）考核要求1、关于知识的基本概念（1） 识记：数据、

19、信息的定义；知识的一般定义（2） 领会：知识的特性；从不同角度对知识的分类（3） 简单应用：针对不同类型的知识，应用不同的知识表示方法2、知识的一阶谓词逻辑表示（1） 识记：一阶谓词逻辑表示知识的一般形式（定义谓词、连接词和量词的使用）；（2） 领会：一阶谓词逻辑适合于表示事物的状态、属性、概念（描述性、确定性知识）；一阶谓词逻辑表示知识的特点（3） 简单应用：用一阶谓词逻辑表示法表示数学定理（4） 综合应用：用一阶谓词逻辑表示法表示机器人的状态3、产生式系统（1） 识记：产生式的基本形式：或者，其中是产生式前提，是一组结论或操作。产生式系统的组成（规则库、综合数据库、控制系统）（2） 领会：

20、产生式系统把知识表示成“模式动作”对；产生式系统分类；产生系统知识表示的特点（2） 简单应用：用产生式系统表示动物世界问题4、知识的框架表示（1） 识记：框架是一种所论对象属性的数据结构；框架结构组成；框架表示知识的特点（2） 领会：框架的BNF描述；框架网络；框架网络重要特征：继承性（3） 简单应用：系统预定义的槽名：ISA、AKO、Subclass、Instance、Part -of、Infer、Possible- Reason等（3） 综合应用：框架系统中求解问题的基本过程5、知识的语义网络表示（1） 识记：语义网络是通过概念及其关系来表达知识的一种网络图；它是一个带有标识的有向图；简单

21、语义网络三元组表示（2） 领会：语义网络的BNF描述；用语义网络表示事实；用语义网络表示事实之间的关系；用语义网络表示复杂的知识；语义网络知识表示的特点（3） 简单应用：分类关系、聚集关系、推论关系、时间、位置关系、多元关系的语义网络表示（4） 综合应用：常用的语义联系：A-Member-of、Composed-of、Have、Before、After、At、Located-on（at,under,inside,outside）、Similar-to,Near-to；语义网络系统第四章 基于一阶谓词逻辑的问题求解（一）学习目的与要求基于一阶谓词逻辑的问题求解是模拟机器思维能力，使之能运用推理，

22、完成问题求解。本章讨论应用有关推理的方法和推理的控制策略，特别是基于一阶谓词逻辑的归结演绎方法。作为本课程的重点章节，本章的重点知识有：关于推理的基本概念、推理的控制策略、置换与合一、归结演绎推理、归结反演控制策略、与/或形演绎推理等。通过对本章的学习，学生应掌握推理的基本概念和推理的控制策略；掌握置换与合一技术；掌握归结演绎（反演）实现定理证明方法；掌握归结反演的控制策略；理解Herbrand域和Horn子句的概念和相关理论；深刻理解Herbrand域上的不可满足性与归结反演中空子句的等价性。（二）课程内容第一节 推理的基本概念1、什么是推理2、推理方式与分类3、推理的控制策略4、置换与合一

23、第二节 归结演绎推理1、子句2、Herbrand域3、Robinson归结原理4、归结反演5、归结控制策略第三节 与/或形演绎系统1、与/或形正向演绎推理2、与/或形逆向演绎推理3、与/或形双向演绎推理（三）考核知识点1、什么是推理2、推理的控制策略3、置换与合一4、子句5、归结反演6、归结控制策略7、与/或形正向演绎推理8、与/或形逆向演绎推理（四）考核要求1、什么是推理（1） 识记：推理的定义（2） 领会：推理的分类：从推理途径对推理分类（演绎推理、归纳推理、默认推理）、从知识确定性对推理分类（确定性推理、不确定性推理）、从推理的单调性分类（单调推理、非单调推理）。2、推理的控制策略（1）

24、 识记：正向推理、逆向推理、混合推理、双向推理的基本思想（2） 领会：正向推理、逆向推理、混合推理、双向推理四这之间的区别3、置换与合一（1） 识记：置换表示形式；最一般合一的定义（2） 领会：复合置换；差异集（3） 简单应用：最一般合一算法4、子句（1） 识记：合式公式和子句的定义；子句的不可满足性（2） 领会：合取范式；Skolem函数；前束范式（3） 简单应用：求合式公式的子句集5、归结反演（1） 识记：Herbrand域；Horn子句；归结反演算法步骤（2） 领会：子句集不可满足性的充要条件是Herbrand域上一切解释为假；Robinson归结原理（3） 简单应用：命题逻辑中的归结原

25、理；谓词逻辑中的归结原理（4） 综合应用：应用归结反演证明G是F的逻辑结论；归结反演树6、归结控制策略（1） 识记：删除策略、支持集策略、线性输入策略、单文字策略、祖先过滤策略的基本方法（2） 领会：删除策略、支持集策略、线性输入策略、单文字策略、祖先过滤策略的基本思想（3） 简单应用：归结中应用各个控制策略，比较归结式产生的深度（4） 综合应用：在定理证明中综合应用归结控制策略7、与/或形正向演绎推理（1） 识记：与/或形正向演绎推理的基本思想（2） 领会：与/或形正向演绎推理的事实表达式；F规则的表示形式；目标公式的表示形式及推理过程（3） 简单应用：把事实表达式化为与/或形（4） 综合应

26、用：已知事实和规则，应用与/或形正向演绎推理方法，证明目标公式成立8、与/或形逆向演绎推理（1） 识记：与/或形逆向演绎推理的基本思想（2） 领会：与/或形逆向演绎推理的事实表达式；B规则的表示形式；事实公式的表示形式及推理过程（3） 简单应用：把目标表达式化为与/或形（4） 综合应用：已知目标公式和规则，应用与/或形逆向演绎推理方法，证明终止在事实公式的节点第五章 不确定性推理（一）学习目的与要求在现实世界中，人们通常是在信息不精确、不完备、模糊、随机的情况下运用不确定性知识进行思维、求解问题的，推理出的结论也并不总是随着知识的增加而单调增加。因而，对于不确定性的研究成为人工智能学科的一个重

27、要内容。本章基于代数系统的讨论，描述不确定知识推理的总体框架，随后论述了几种重要的不确定性推理方法。本章的重点知识有：不确定知识推理的总体框架、不确定性推理的确定因子法、主观贝叶斯（Bayes）法、D-S证据理论法、可能性理论等。通过对本章的学习，学生应掌握不确定性推理的总体框架算法；理解从已知不确定性的证据和不确定性的规则，按不确定性推理方法推出不确定性的假设。掌握确定因子法中MB和MD的物理意义和方法的计算过程；掌握主观贝叶斯（Bayes）法中LS和LN的物理意义，曲线插值法以及该方法的求解过程。掌握D-S证据理论方法中基本概率赋值函数m(A), Bel(A)和Pl(A)的物理意义，正交和

28、的计算以及该方法的计算过程。理解对于知识模糊性的可能性理论的推理方法，深刻理解语言变量的概念并应用于模糊推理规则中。（二）课程内容第一节 不确定性推理概述1、不确定性问题的代数系统2、不确定性推理模型3、不确定性推理语义4、几种重要的不确定性推理方法第二节 确定因子法1、知识的不确定性2、证据的不确定性3、不确定性推理算法第三节 主观贝叶斯方法1、规则不确定性的描述2、证据不确定性的描述3、举例第四节 D-S证据理论1、证据的不确定性2、证据的组合3、D-S证据理论的推理第五节 可能性理论1、几个基本概念2、语言变量3、命题模糊性的描述4、模糊命题的转换规则5、模糊推理规则第六节 粗集理论1、

29、RST的概述2、粗集理论的不确定性知识表示（三）考核知识点1、什么是不确定性推理2、不确定性推理的模型3、几种主要的不确定性推理方法4、确定因子法5、主观贝叶斯方法6、D-S证据理论的不确定性推理7、可能性理论（四）考核要求1、什么是不确定性推理（1） 识记：不确定性推理的基本思想（2） 领会：不确定性推理的目的2、不确定性推理的模型（1） 识记：不确定性推理的代数模型 （2） 领会：不确定性知识的表示（3） 简单应用：不确定性推理的一般范式（4） 综合应用：不确定性推理的语义3、几种主要的不确定性推理方法(1)识记：不确定性推理的几种主要方法（确定因子法、主观贝叶斯法、D-S证据理论）(2)

30、领会：可能性理论法4、确定因子法(1)识记： 计算公式及语义；确定因子法的推理算法(2)领会：和的性质(3)简单应用：证据是多个条件逻辑组合情况下等价证据的确定性因子的计算(4)综合应用：实例的确定因子法计算5、主观贝叶斯方法(1)识记：的定义和语义；三点线性插值方法推理算法(2)领会：贝叶斯公式在该方法中的应用；几率函数在中的语义(3)简单应用：分段线性插值的应用(4)综合应用：实例的主观贝叶斯方法计算6、D-S证据理论的不确定性推理(1)识记：基本概率赋值函数的定义和语义；信任函数、似然函数、类概率函数的定义和语义以及三者之间的关系(2)领会：逻辑组合证据的计算和不同证据来源支持同一个假设

31、的正交和计算(3)简单应用：类概率的计算；不同证据来源支持同一个假设的正交和计算(4)综合应用：推理网络图的设计；实例的D-S证据理论推理7、可能性理论（1） 识记：模糊知识的表示；模糊产生式规则的一般形式（2） 领会：语言变量和模糊命题的转换规则（3） 简单应用：模糊修饰语的计算（4） 综合应用：模糊的不确定性推理第六章 专家系统（一）学习目的与要求 专家系统是人工智能学科研究最成功的一个领域，对它研究成功有力推动了人工智能，乃至计算机科学的理论和技术的发展。本章的重点是：专家系统的性能特点、专家系统的结构。通过对本章的学习，学生应理解什么样的程序是专家系统、深刻理解如何构造和研制专家系统，

32、要了解专家系统研究的历史、几个重要的专家系统研制的理论基础和主要技术、重要的功能、应用领域等主要研究领域，应掌握专家系统的结构和研制的整个过程。（二）课程内容第一节 专家系统基本概念1、什么是专家系统2、专家系统的特征3、专家系统与常规程序的区别4、专家系统研究的历史第二节 专家系统分类1、按专家系统的特征分类2、按系统的体系结构分类第三节 专家系统的一般结构1、专家系统的基本结构2、专家系统的理想结构第四节 专家系统的建造与评价1、专家系统建造的原则2、专家系统的开发过程3、专家系统的评价第五节 专家系统开发工具1、人工智能语言2、专家系统外壳3、通用专家系统工具第六节 专家系统开发环境1、

33、专家系统开发硬件环境2、专家系统开发软件环境第七节 新一代专家系统的研究1、分布协同式的体系结构2、知识的自动获取3、深层知识的利用第八节 几个著名的专家系统1、动物识别系统2、MYCIN3、PROSPECTOR4、AM（三）考核知识点1、专家系统的概念2、专家系统的特征3、专家系统研究的大致历史4、按专家系统特征的分类5、专家系统的基本结构6、专家系统建造的原则7、几个著名的专家系统（四）考核要求1、专家系统的概念（1） 识记：专家系统的定义（2） 领会：专家系统研制成功对人工智能乃至计算机科学的贡献2、专家系统的特征（3） 识记：专家系统的特征（4） 领会：专家系统与一般程序的区别（5）

34、简单应用：举例分析专家系统与一般程序的区别（6） 综合应用：举例说明专家系统的特征3、专家系统研究的大致历史(1)识记：世界上第一个专家系统和中国第一个专家系统的名称、研制者、研制时间(2)领会：专家系统发展的简单情况4、按专家系统特征的分类(1)识记：按专家系统的特征分类有那些专家系统；按系统的体系结构分类有那些专家系统(2)领会：专家系统的广泛应用5、专家系统的基本结构(1)识记：专家系统的基本结构模块图(2)领会：专家系统基本结构各模块执行的功能(3)简单应用：推理机的程序设计(4)综合应用：专家系统的理想结构6、专家系统建造的原则(1)识记：专家系统建造的七个原则(2)领会：专家系统的

35、开发过程、专家系统的评价(3)简单应用：专家系统开发工具、专家系统外壳、通用专家系统工具(4)综合应用：专家系统的瓶颈分析和解决方案7、几个著名的专家系统(1)识记：动物识别系统、MYCIN、PROSPECTOR (2)领会：分布协同式的体系结构、知识的自动获取、深层知识的利用(3)简单应用：分析动物识别系统、MYCIN、PROSPECTOR的知识库的构造第七章 机器学习（一）学习目的与要求 机器具有学习能力是判断程序是否是智能程序的唯一标准，研究机器学习方法和途径，构造机器学习系统是人工智能的重要内容。本章的教学重点是：机器学习的基本概念、机器学习的主要方法和机器学习系统的构造。通过对本章的

36、学习，学生应掌握机器学习的定义，理解机器学习与人类学习的区别、智能程序与一般程序的区别，深刻理解机器学习主要方法的机制以及它们之间的区别，要了解机器学习系统构造原则和步骤。（二）课程内容第一节 机器学习的概念1、什么是机器学习2、人类学习与机器学习3、机器学习系统第二节 学习系统模型1、环境2、学习环节3、知识库4、执行环节第三节 机器学习方法分类1、基于推理策略的分类2、基于系统性的分类第四节 机器学习研究历史1、神经元模型研究阶段2、符号概念获取研究阶段3、符号学习兴旺发达阶段4、联结学习和符号学习共发展阶段第五节 机器学习的研究目标1、通用学习算法2、认知模型3、工程目标第六节 几个著名

37、的机器学习系统1、BACON2、INDUCE系统3、数学方向系统AM4、AQ（三）考核知识点1、机器学习的概念2、机器学习方法分类3、机器学习研究历史4、几个著名的机器学习系统（四）考核要求1、机器学习的概念（1） 识记：机器学习的定义、机器学习系统的定义（2） 领会：机器学习与人类学习的区别（3） 简单应用：利用机器学习来智能程序的判断（4） 综合应用：机器学习模型的建立2、机器学习方法分类(1)识记：基于推理策略的对机器学习进行分类、基于系统性对机器学习进行分类(2)领会：机械学习、讲授学习、演绎学习、解释学习、类比学习、归纳学习的基本思想(3)简单应用：比较分析演绎学习与归纳学习的区别，

38、类比学习的机制(4)综合应用：举例说明机械学习的过程3、机器学习研究历史(1)识记：机器学习的三个研究目标(2)领会： 神经元模型研究阶段、符号概念获取研究阶段、符号学习兴旺发达阶段和联结学习和符号学习共发展阶段的特征(3)简单应用：举例说明机器学习的研究对人工智能的贡献(4)综合应用：叙述机器学习研究的大致历史4、几个著名的机器学习系统（1） 识记：BACON、INDUCE系统、AM系统 （2） 领会：BACON、INDUCE系统、AM系统三个机器学习系统的基本功能（3） 简单应用：利用BACON解释电学上的安培定理（4） 综合应用：利用INDUCE系统计算定积分三、关于大纲的说明与考核实施

39、要求（一）自学考试大纲的目的和作用课程自学考试大纲是根据电工电子与信息类及相关专业自学考试计划的要求，结合自学考试的特点而确定，其目的作用是对个人自学、社会助学和课程考试命题进行指导和规定。（二） 课程自学考试大纲与教材的关系课程自学考试大纲是进行学习和考核的依据，教材是学习掌握课程知识的基本内容与范围，教材的内容是大纲所规定的课程知识和内容的扩展与发挥。（三） 关于自学教材与主要参考书自学教材：人工智能基础，邵军力、张景、魏长华主编，电子工业出版社，2000年3月主要参考书：人工智能原理与方法，王永庆主编，西安交通大学出版社，1998年5月 人工智能原理及其应用，蔡自兴、徐光佑主编，清华大学

40、出版社，2003年9月第三版（四） 关于自学要求和自学方法的指导本课程共3个学分。根据学习对象成人在职业余自学的实际以及本课程所涉及的知识面较宽，建议学生先学习好本课程的先导课程，如离散数学、概率论、数值分析和程序设计语言等课程。在此基础上，学习时应注意课程的重点知识，区分必须要掌握的知识点与一般性要求了解的知识点。学习方法应该是做到理论与实际相结合，即对课程中的知识要自己动手进行必要的演算。（五） 对社会助学的要求 对于社会助学，本课程的授课时间应不少于51个学时。在社会助学活动中应由熟悉本课程的教师担任教学工作。除此之外，任课教师还应该督促学生完成一定数量的课外练习；还应该通过习题课的方式

41、讲解课程的重点和难点知识以及用这些知识解决实际问题。（六） 对考核内容和考核目标的说明（1）课程要求考生学习和掌握的知识内容都作为考核的内容。课程中各章的内容均由若干知识点组成，在自学考试中成为考核知识点。因此，课程自学考试大纲中所规定的考试内容是以分解为考核知识点的方式给出的。由于各知识点在课程中的地位、作用以及知识自身的特点不同，自学考试将对各知识点分别按四个认知（或叫能力）层次确定其考核要求。 （2）四个能力层次从低到高依次是：识记；领会；简单应用；综合应用。关于这些用语、概念的解释附后。（七） 关于考试命题的若干规定 （1）本课程考试的方法为书面闭卷考试，考试时间为150分钟。对本课程

42、考试考生必须携带计算器和直尺。 （2）本大纲各章所规定的基本要求、知识点及知识点下的知识细目，都属于考核的内容。考试命题覆盖到章，并适当考虑课程重点、章节重点，加大重点内容的覆盖度。 （3）本课程在试卷中对不同能力层次要求的分数比例为：识记占20%，领会占30%，简单应用占30%，综合应用占20%。 （4）本课程考试命题的主要题型有单项选择题、填空题、名词解释题、简答题、计算题、证明题、设计题、画图题等。附录：题型举例单项选择题：（ ）1、人工智能研究的对象是 。A. 数据库B. 知识C.文本D. 图象（ ）2、一个子句应该是文字的。A. 合取B. 析取 C.否定 D. 蕴涵填空题：1、一阶谓

43、词逻辑可以使用的连接词有5个，它们是_ _。2、专家系统的瓶颈是指_。名词解释题：1、盲目搜索2、类比学习简答题：1、试叙述图灵测试的测试过程。2、举例说明宽度优先搜索与深度优先搜索方法的相同点和不同点。计算题： 1、设U=a, b, c，其基本概率赋值函数m为 m(, a, b, a, b, c) = ( 0, 0.3, 0.5, 0.1, 0.1 )且设A = a, b，求A的类概率函数f ( A )。证明题： 1、已知自然数都是大于零的整数，所有的整数不是偶数就是奇数，偶数除以2是整数。试用归结反演方法证明所有的自然数不是奇数就是其一半为整数的数。（请注明谓词和变量所代表的意义）设计题：

44、 1、用一阶谓词逻辑表示下列的句子A computer system is intelligent if it can perform a task which, if performed by a human, requires intelligence. 2、试用C语言写出盲目搜索的宽度优先算法程序。画图题：1、用二元组的方法画出二阶梵塔（河内塔）问题的状态空间图。2、设有如图所示的博弈树，其中最末一行的数字是假设的估计值，请对该博弈树利用-剪枝技术剪去不必要的分枝。 S A B C D E F G H I J K L M N P 2 4 1 -3 6 2 4 5 1 3 2 3 1 2 5 3 7 9 8 ：表示或节点 ：表示与节点 11. 教学目的