人工智慧：模型與算法課程是浙江大學於2018年11月05日首次在中國大學MOOC開設的慕課課程、國家精品線上開放課程。該課程授課教師為吳飛。據2021年3月中國大學MOOC官網顯示，該課程已開課6次。
人工智慧：模型與算法課程共14個模組，包括人工智慧概述、搜尋求解、邏輯與推理、統計機器學習、統計機器學習算法套用、深度學習、強化學習、人工智慧博弈、人工智慧發展與挑戰、算法實驗、構建人工智慧育人生態促AI專業和交叉學科發展等內容。
基本介紹
- 中文名：人工智慧：模型與算法
- 類別：慕課、國家精品線上開放課程
- 授課教師：吳飛
- 提供院校：浙江大學
- 授課平台：中國大學MOOC
- 開課時間：2018年11月05日（首次）
課程性質,課程背景,課程定位,適應專業,開課信息,課程簡介,課程大綱,課前預備,預備知識,學習資料,授課目標,所獲榮譽,教師簡介,
課程性質
課程背景
對人類智慧型的模擬可通過以符號主義為核心的邏輯推理、以問題求解為核心的探詢搜尋、以數據驅動為核心的機器學習、以行為主義為核心的強化學習和以博弈對抗為核心的決策智慧型等方法來實現。
課程定位
該課程成體系介紹人工智慧的基本概念和基礎算法，幫助學習者掌握人工智慧脈絡體系，體會具能、使能和賦能，從算法層面對人工智慧技術“知其意，悟其理，守其則，踐其行”。
適應專業
人工智慧：模型與算法課程適合計算機等專業學習。
開課信息
開課次數 | 開課時間 | 授課教師 | 學時安排 | 參與人數 |
|---|---|---|---|---|
第1次開課 | 2018年11月05日~2019年01月11日 | 吳飛 | 1~1.5小時每周 | 22666人 |
第2次開課 | 2019年03月04日~2019年06月10日 | 2~3小時每周 | 17255人 | |
第3次開課 | 2019年09月23日~2020年01月07日 | 1小時每周 | 20424人 | |
第4次開課 | 2020年02月15日~2020年06月09日 | 1~1.5小時每周 | 30139人 | |
第5次開課 | 2020年09月21日~2021年01月05日 | 1~2小時每周 | 6553人 | |
第6次開課 | 2021年03月22日~2021年07月05日 | 3~5小時每周 | 待定 |
（註：表格內容參考資料）
課程簡介
該課程成體系介紹人工智慧的基本概念和基礎算法，可幫助學習者掌握人工智慧脈絡體系，體會具能、使能和賦能，從算法層面對人工智慧技術“知其意，悟其理，守其則，踐其行”。課程內容包括如下：人工智慧概述、搜尋求解、邏輯與推理、監督學習、無監督學習、深度學習、強化學習、博弈對抗。
課程大綱
第一講 人工智慧概述 1.1 可計算思想起源與發展 1.2 人工智慧的發展簡史 1.3人工智慧研究的基本內容 第二講 搜尋求解 2.1 啟發式搜尋 2.2 對抗搜尋（Minimax搜尋、Alpha-Beta剪枝搜尋） 2.3 蒙特卡洛樹搜尋(多臂賭博機、UCB算法和UCT算法) 第三講 邏輯與推理 2.1 命題邏輯 2.2 一階邏輯（謂詞邏輯） 2.3 知識圖譜 第四講 統計機器學習：監督學習 | 4.1 機器學習基本概念 4.2 線性回歸與分類 4.3 Ada Boosting 第五講 統計機器學習：無監督學習 5.1 K-means 5.2 主成份分析 第六講 深度學習 5.1 前向神經網路 5.2 卷積神經網路 5.3 自然語言理解與視覺分析 第七講 強化學習 第八講 博弈與倫理和安全 |
（註：課程大綱排版從左到右列）
01人工智慧概述 課時 1.1 可計算思想起源與發展 1.2 人工智慧的發展簡史 1.3人工智慧研究的基本內容 02搜尋求解 課時 2.1 啟發式搜尋 2.2 對抗搜尋（Minimax搜尋、Alpha-Beta剪枝搜尋） 2.3 蒙特卡洛樹搜尋(多臂賭博機、UCB算法和UCT算法) 03邏輯與推理 課時 3.1 命題邏輯 3.2 謂詞邏輯 3.3 知識圖譜推理(一階歸納推理、路徑排序推理) 3.4 因果推理(辛普森悖論、D-分離、do運算元) 04統計機器學習：監督學習 課時 4.1 機器學習基本概念 4.2 線性回歸分析 4.3 Ada Boosting 4.4 線性區別分析 | 05統計機器學習：無監督學習 課時 5.1 K-means 5.2 主成份分析 5.3 特徵人臉方法 5.4 期望極大算法（Expectation Maximization，EM） 06深度學習 課時 6.1 前饋神經網路（誤差後向傳播） 6.2 卷積神經網路 6.3 自然語言理解與視覺分析 07強化學習 課時 7.1 馬爾科夫決策過程 7.2 強化學習中策略最佳化與策略評估 7.3 Q-Learning 7.4 深度強化學習 08人工智慧博弈 課時 8.1 博弈相關概念 (納什均衡) 8.2 遺憾最小化算法 8.3 虛擬遺憾最小化算法 |
（註：課程大綱排版從左到右列）
01人工智慧概述 課時 1.1 可計算思想起源與發展 1.2 人工智慧的發展簡史 1.3人工智慧研究的基本內容 02搜尋求解 課時 2.1 啟發式搜尋 2.2 對抗搜尋（Minimax搜尋、Alpha-Beta剪枝搜尋） 2.3 蒙特卡洛樹搜尋(多臂賭博機、UCB算法和UCT算法) 03邏輯與推理（I） 課時 3.1 命題邏輯 3.2 謂詞邏輯 3.3 知識圖譜推理(一階歸納推理) 04邏輯與推理（II） 課時 4.1 知識圖譜推理(路徑排序算法) 4.2 因果推理（辛普森悖論、D-分離、do運算元） 05統計機器學習：監督學習 課時 5.1 機器學習基本概念 5.2 線性回歸分析 5.3 Ada Boosting 06統計機器學習：無監督學習 課時 6.1 K均值聚類 6.2 主成分分析 6.3 特徵人臉方法 07統計機器學習算法套用 課時 7.1 邏輯斯蒂回歸與分類 7.2 潛在語義分析 7.3 線性區別分析及分類 08深度學習（I） | 課時 8.1 深度學習基本概念 8.2 前饋神經網路 8.3 誤差後向傳播 09深度學習（II） 課時 9.1 卷積神經網路 9.2 自然語言理解與視覺分析 10強化學習 課時 10.1 強化學習定義 10.2 策略最佳化與策略評估 10.3 Q-Learning 10.4 深度強化學習 11人工智慧博弈 課時 11.1 博弈相關概念 (納什均衡) 11.2 遺憾最小化算法 11.3 虛擬遺憾最小化算法 11.4 人工智慧安全 12人工智慧算法實現 （I） 課時 12.1 人工智慧晶片與系統 12.2 人工智慧編程平台介紹 12.3 代表性算法實現 13人工智慧算法實現 （II） 課時 13.1 雲端平台和終端晶片介紹 13.2 算法實現介紹 14人工智慧發展與挑戰 課時 14.1 記憶驅動的智慧型計算 14.2 可計算社會學 14.3 若干挑戰 15考試周 進行期末考試課時期末考試 |
（註：課程大綱排版從左到右列）
第一周 人工智慧概述 1.1 可計算思想起源與發展 1.2 人工智慧的發展簡史 1.3人工智慧研究的基本內容 人工智慧概述課件 第一周測試 第二周 搜尋求解 2.1啟發式搜尋 2.2 對抗搜尋 2.3 蒙特卡洛樹搜尋 搜尋求解課件 第二周測試 第三周 邏輯與推理（I） 3.1 命題邏輯 3.2 謂詞邏輯 3.3 知識圖譜推理：一階歸納推理算法 邏輯與推理(I)課件 第三周測試 第四周 邏輯與推理（II） 4.1 知識圖譜推理：路徑排序算法 4.2 因果推理 邏輯與推理(II)課件 第四周測試 第五周 統計機器學習：監督學習 5.1 機器學習基本概念 5.2 線性回歸分析 5.3提升算法（boosting） 統計機器學習：監督學習課件 第五周測試 第六周 統計機器學習：無監督學習 6.1 K均值聚類 6.2 主成分分析 6.3 特徵人臉算法 統計機器學習：無監督學習課件 第六周測試 第七周 統計機器學習算法套用 7.1 邏輯斯蒂回歸與分類 7.2 潛在語義分析 7.3 線性區別分析及分類 | 統計機器學習算法套用課件 第七周測試 第八周 深度學習（I） 8.1 深度學習基本概念 8.2 前饋神經網路 8.3 誤差後向傳播(BP) 深度學習課件 第八周測試 第九周：深度學習（II） 9.1 卷積神經網路 9.2 自然語言理解與視覺分析 深度學習課件 第九周測試 第十周：強化學習 10.1 強化學習定義 10.2 策略最佳化與策略評估 10.3 強化學習求解: Q Learning 10.4 深度強化學習 強化學習課件 第10周測試 第十一周：人工智慧博弈 11.1 博弈相關概念 11.2 遺憾最小化算法 11.3 虛擬遺憾最小化算法 11.4 人工智慧安全 人工智慧博弈課件 第11周測試 第十二周：人工智慧發展與挑戰 12.1 記憶驅動的智慧型計算 12.2 可計算社會學 12.3 若干挑戰 人工智慧發展與挑戰課件 第十三周：算法實驗 算法實驗的課件 如何完成並測試你的實驗作業 實驗環境設定 實驗作業題目 人工智慧課程體系演變 |
（註：課程大綱排版從左到右列）
第一周 人工智慧概述 浙江大學圖靈班人工智慧本科專業課件（人工智慧概述） 1.1 可計算思想起源與發展 1.2 人工智慧的發展簡史 1.3人工智慧研究的基本內容 人工智慧概述課件 第一周測試 第二周 搜尋求解 浙江大學圖靈班人工智慧本科專業課件（搜尋求解） 2.1啟發式搜尋 2.2 對抗搜尋 2.3 蒙特卡洛樹搜尋 搜尋求解課件 第二周測試 第三周 邏輯與推理（I） 浙江大學圖靈班人工智慧本科專業課件（邏輯與推理） 3.1 命題邏輯 3.2 謂詞邏輯 3.3 知識圖譜推理：一階歸納推理算法 邏輯與推理(I)課件 第三周測試 第四周 邏輯與推理（II） 4.1 知識圖譜推理：路徑排序算法 4.2 因果推理 邏輯與推理(II)課件 浙江大學圖靈班人工智慧本科專業課件（邏輯與推理） 第四周測試 第五周 統計機器學習：監督學習 浙江大學圖靈班人工智慧本科專業課件（監督學習） 5.1 機器學習基本概念 5.2 線性回歸分析 5.3提升算法（boosting） 統計機器學習：監督學習課件 第五周測試 第六周 統計機器學習：無監督學習 6.1 K均值聚類 6.2 主成分分析 6.3 特徵人臉算法 統計機器學習：無監督學習課件 浙江大學圖靈班人工智慧本科專業課件（無監督學習） 第六周測試 第七周 統計機器學習算法套用 7.1 邏輯斯蒂回歸與分類 7.2 潛在語義分析 7.3 線性區別分析及分類 統計機器學習算法套用課件 第七周測試 | 第八周 深度學習（I） 浙江大學圖靈班人工智慧本科專業課件（深度學習） 8.1 深度學習基本概念 8.2 前饋神經網路 8.3 誤差後向傳播(BP) 深度學習課件 第八周測試 第九周：深度學習（II） 浙江大學圖靈班人工智慧本科專業課件（深度學習） 9.1 卷積神經網路 9.2 自然語言理解與視覺分析 深度學習課件 第九周測試 第十周：強化學習 浙江大學圖靈班人工智慧本科專業課件（強化學習） 10.1 強化學習定義 10.2 策略最佳化與策略評估 10.3 強化學習求解: Q Learning 10.4 深度強化學習 強化學習課件 第10周測試 第十一周：人工智慧博弈 浙江大學圖靈班人工智慧本科專業課件（人工智慧博弈） 11.1 博弈相關概念 11.2 遺憾最小化算法 11.3 虛擬遺憾最小化算法 11.4 人工智慧安全 人工智慧博弈課件 第11周測試 第十二周：人工智慧發展與挑戰 12.1 記憶驅動的智慧型計算 12.2 可計算社會學 12.3 若干挑戰 人工智慧發展與挑戰課件 第十三周：算法實驗 人工智慧課程體系演變 實驗環境設定 如何完成並測試你的實驗作業 實驗作業題目 算法實驗的課件 第十四周 構建人工智慧育人生態促AI專業和交叉學科發展 新一代人工智慧的形成 人工智慧人才培養態勢 匯聚交叉、賦能社會 構建人工智慧育人生態促AI專業和交叉學科發展課件 |
（註：課程大綱排版從左到右列）
課前預備
預備知識
學習者需具備一定的線性代數和機率論的基本知識，掌握一定的程式設計方法。
學習資料
書名 | 作者 | ISBN | 出版社 |
|---|---|---|---|
《人工智慧導論：模型與算法》 | 吳飛 | 978-7-04-053466-5 | 高等教育出版社 |
《人工智慧初步》 | 吳飛 | 978-7-5536-9871-7 | 浙江教育出版社 |
（註：表格內容參考資料）
授課目標
使學習者掌握邏輯推理、機器學習、強化學習、博弈對抗等基本模型，明晰人工智慧具能、使能和賦能的手段和方法。
所獲榮譽
2020年，該課程被中華人民共和國教育部認定為首批國家級一流本科課程。
教師簡介
吳飛，浙江大學求是特聘教授，博士生導師，浙江大學人工智慧研究所所長，主要研究領域為人工智慧、跨媒體計算、多媒體分析與檢索和統計學習理論。
