《人工智能技术应用导论（第2版）》电子教案
一、课程信息
课程名称：人工智能技术应用导论（第2版）
学时分配：64学时（理论40学时，实验24学时）
适用专业：人工智能技术应用、计算机科学与技术、软件工程、数据科学与大数据技术等
课程类型：专业基础课
先修课程：计算机基础、Python编程基础
二、课程简介
本课程以党的二十大报告中“构建新一代信息技术和人工智能等新的增长引擎”为指导思想，系统介绍人工智能的基础概念、技术发展、产业生态及典型应用。课程内容涵盖人工智能的产生与发展、核心算法（机器学习、深度学习、神经网络）、数据处理技术（Python工具与数据集）、AI大模型与AIGC应用，以及人工智能面临的机遇与挑战。通过理论讲解、案例分析和实验操作，帮助学生建立对人工智能技术全貌的认知，掌握基础开发技能，为后续专业学习奠定基础。
三、课程教学要求
总体要求
知识目标：理解人工智能的基本概念、技术分类、发展历程及产业生态；掌握Python数据处理、机器学习算法、深度学习框架的基础应用。
能力目标：能使用Python进行数据清洗与分析；能调用主流AI工具（如TensorFlow、scikit-learn）完成简单模型训练；能体验和开发典型AI应用（如人脸识别、AIGC）。
素质目标：培养对人工智能技术的兴趣与创新意识，树立AI伦理与安全意识。
具体要求
理论教学：结合案例分析，注重概念理解与技术发展脉络梳理。
实验教学：通过“StepbyStep”操作，完成AI工具调用、数据处理及模型训练任务。
四、课程教学内容
总学时：64学时
章节
主要内容
重难点
学时
第1章人工智能的产生与发展
（6学时）
1.1人工智能的里程碑事件（AlphaGo、GPT-4等）
1.2AI发展三阶段
1.3AI的赋能领域（感知、语言、推理等）
1.4AI与机器学习、深度学习的关系
1.5算法、算力与大数据
1.6产业生态与人才需求
重点：AI核心概念、技术分类、产业生态
难点：AI赋能的层次区分、算法与算力的协同作用
6
第2章AI典型应用展现与体验
（8学时）
2.1科大讯飞平台与AIGC工具
2.2GPT系列模型应用开发
2.3微软NewBing与Copilot
2.4人脸识别与智能机器人
2.5智能商务与视频监控
重点：主流AI工具操作、AIGC应用开发
难点：多模态模型调用与接口集成
8（理论4+实验4）
第3章Python数据处理
（8学时）
3.1Python数据类型与处理模块（NumPy、Pandas）
3.2数据集管理（MNIST、CTW）
3.3数据清洗与分析
3.4图像处理技术
重点：数据清洗与可视化
难点：图像格式转换与批量处理
8（理论4+实验4）
第4章机器学习及其典型算法应用
（10学时）
4.1机器学习类型与术语
4.2分类算法（KNN、决策树、SVM）
4.3回归与聚类算法
4.4应用实例（手写数字识别、房价预测）
重点：分类与回归算法原理
难点：模型调参与性能优化
10（理论6+实验4）
第5章神经网络及其基础算法应用
（8学时）
5.1神经元模型与感知器
5.2前馈与反馈神经网络
5.3卷积神经网络（LeNet-5）
5.4循环神经网络（RNN）
重点：反向传播算法、CNN结构
难点：RNN时序数据处理
8（理论4+实验4）
第6章深度学习及其典型算法应用
（10学时）
6.1TensorFlow框架与建模流程
6.2MNIST识别（全连接、CNN、RNN）
6.3高阶API与模型保存
重点：TensorFlow开发环境搭建
难点：模型分布式训练与回调机制
10（理论4+实验6）
第7章人工智能大模型与内容生成
（8学时）
7.1GPT-4与多模态大模型
7.2AIGC开发实例（文本、图像生成）
7.3开放预训练模型调用
重点：大模型应用开发流程
难点：多模态数据融合处理
8（理论4+实验4）
第8章人工智能的机遇、挑战与未来
（6学时）
8.1AI行业应用（金融、医疗、教育等）
8.2智能代工与产业变革
8.3AI伦理与安全挑战
重点：AI产业趋势与伦理问题
难点：通用人工智能（AGI）的实现路径
6
五、考核要求及成绩评定
考核方式：平时成绩（20%）+实验报告（30%）+期末考试（50%）
考核内容：
平时成绩：课堂参与、作业完成度（如Python数据处理代码提交）。
实验报告：AI工具调用（如ChatGPT接口集成）、模型训练与结果分析。
期末考试：选择题（40%）+简答题（30%）+案例分析（30%）。
六、学生学习建议
理论与实践结合：重视实验课，通过复现案例代码加深对算法的理解。
关注