人工智能导论 Foundation of AI

课程介绍 Overview

• 课程描述：
  “人工智能导论”是针对电子信息学科一年级硕士生开设的一门学科基础课程。 人工智能是一个拥有悠久历史但是仍然处于一个持续发展期的研究领域。 在这门课里，你将学习到人工智能领域的各种算法以及一些前沿应用。 本课程以matlab、python等工具，学习人工智能算法设计的相关知识，并培养算法设计和编写的基本技能。
• Course Description:
  "Foundation of AI" is a basic course for graduated students of electronic information science in the first semester of the first grade. Artificial intelligence is a research field with a long history but still in a period of sustainable development. In this course, you will learn a variety of algorithms and some frontier applications in the field of artificial intelligence. This course uses matlab, Python and other programming tools to learn the relevant knowledge of artificial intelligence algorithm designing and application.
• 设计思路：
  本课程设计以理论结合实践为基本原则，通过课外编程作业加强算法实践， 为学生后续电子及计算机类相关学科基础和专业课程乃至未来相关专业工作等打下良好的算法设计与编写基础。 本课程设计了五个教学周期：人工智能简介、模糊逻辑与遗传算法、经典神经网络、深层神经网络以及强化学习， 其中第一部分“人工智能简介及算法基础”主要介绍人工智能的历史和由来以及一些算法基础知识， 而后面四大部分将对于人工智能的四个重要领域进行详细介绍、逐步为阶的将学生带入人工智能算法的相关数学知识以及算法设计与编写的实战中， 重在培养学生从算法理解到算法应用上的能力。
• Concepts:
  This course is designed to combine theory with practice as the basic principle. This course is given by way of a range of traditional lectures and online classes. Students can strength their coding ability by doing extracurricular coding tasks. This course will lay the roots for students’ disciplinary foundation and even their future career. This course contains 5 parts: Foundation of AI, Fuzzy logic and genetic algorithms, Artificial neural network, Deep neural networks, Reinforce learning. The first part, “Foundation of AI”, mainly introduces the history and origin of artificial intelligence as well as some basic knowledge of algorithm. The remaining 4 parts, which focusing on training and improving the students' mathmatical and programming skills, are provided step by step. This course aims to expand students' knowledge from algorithm understanding to algorithm application.
• 课程与其他课程的关系：
  本课程先修无需任何学科和专业背景。
• The relationship between this course and other courses:
  Students do not need any discipline and professional background to take this course.

成绩构成 Grading Policy

${ S } _{ total }={ S } _{ report } \times 50\% + { S }_{ present } \times 50\% + { S }_{ award } - { S }_{ penalty } - { S }_{ absence }$

总成绩 Total Score

• 报告成绩 Report（50%） ${G}_{report}$
  • 每位同学需要按照课程要求撰写相关报告一份
  • Each student should submit a course-related report

• 发表成绩 Presentation（50%） ${S}_{present}$
  • 每人准备一次课程相关的发表任务
  • Each student should present once. The slides should be related with our course and your work.

优异表现 Awards ${S}_{award}$ （加总成绩1-2分/次且累计加分），包括但不限于：
(+1-2 points/time cumulatively), including but are not limited to:

• 积极回答问题并正确作答（+2分）
• Answer the question actively and correctly（+2 Points）

不良表现 Penalty ${S}_{penalty}$ （扣总成绩5分/次且累计扣分），包括但不限于：
(-5 points/time cumulatively), including but are not limited to:

• 交头接耳，扰乱课堂纪律（-5分）
• Chat, disturb others（-5分）

缺勤处理 Absence Policy

缺勤扣分 ${S}_{absence}$

• 无故 缺勤一次（-10分）

课堂讲义及案例 Lecture Notes and Examples

1.绪论 Introduction

课次 Course ID	周次 Week ID	时间 Time	内容 Contents	课堂资料 lecture notes	补充材料 Supplementary
1	一		人工智能简介及算法基础 Foundation of Artificial Intelligence	第一周教案 lecture1.pdf

2. 经典机器学习算法 Traditional machine learning approaches

课次 Course ID	周次 Week ID	时间 Time	内容 Contents	课堂资料 lecture notes	补充材料 Supplementary
2	二		机器学习基础 Backgrounds of machine learning	第二周教案 lecture2.pdf
3	三		遗传算法 Genetic algorithms	第三周教案 lecture3.pdf
4	四		线性回归与逻辑回归 Linear and logistic regression	线性回归 lecture4_1.pdf 逻辑回归 lecture4_2.pdf
5	五		决策树 Decission Tree	第五周教案 lecture5.pdf

3. 人工神经网络 Artificial neural network

课次 Course ID	周次 Week ID	时间 Time	内容 Contents	课堂资料 lecture notes	补充材料 Supplementary
6	六		经典人工神经网络 Classic artificial neural network	第六周教案 lecture6.pdf
7	七		经典递归神经网络 Classic recurrent nerual network	第七周教案 lecture7.pdf

4. 深层神经网络 Deep neural networks

课次 Course ID	周次 Week ID	时间 Time	内容 Contents	课堂资料 lecture notes	补充材料 Supplementary
8	八		深度信念网络 Deep belief nets	第八周教案 lecture8.pdf
9	九		从全连接到卷积网络 MLP to CNN	第九周教案 lecture9.pdf
10	十		深入卷积网络 Advanced CNN	第十周教案 lecture10.pdf
11	十一		长短时记忆网络 LSTM	第十一周教案 lecture11.pdf
12	十二		生成对抗学习 Generative advsarial learning	第十二周教案 lecture12.pdf	自变分解码器 lecture12_vae.pdf
13	十三		网络的优化与模型压缩 Compression and speed-up	第十三周教案 lecture13.pdf

5. 强化学习 Reinforce learning

课次 Course ID	周次 Week ID	时间 Time	内容 Contents	课堂资料 lecture notes	补充材料 Supplementary
14	十四		强化学习简介 Introduction of reinforce learning	第十四周教案 lecture14.pdf
15	十五		Q学习 Q learning	第十五周教案 lecture15.pdf

6. 人工智能应用案例分享及探讨 AI based application and disscussion

课次 Course ID	周次 Week ID	时间 Time	内容 Contents	课堂资料 lecture notes	补充材料 Supplementary
16	十六		人工智能应用案例分享及探讨 AI based application and disscussion		分割 Segmentation, 检测 Detection

7. 基于人工智能的应用（案例库） AI based application (Case library)

序号 ID	内容 Contents	资源 Resouces	补充材料 Supplementary
1	Mask RCNN	检测-分割案例 Detection-segmentation	基于Mask_R-CNN的海参测距 Mask_R-CNN based sea-cucumber measurement
2	Pix2pix	图像转译案例 Image-to-image transaltion	多种水质下的水下场景模拟 Multi-style underwater image synthesize
3	SRGAN	超分辨案例 Super-resolution	基于TecoGAN的超分辨对比 TecoGAN based super-resolution 超分辨算法面临的挑战 GAN based super-resolution challenge
4	UnderwaterGAN	水下图像增强案例 Underwater Enhancement	基于UGAN的水下目标检测对比 UGAN based underwater object detection 基于SprialGAN的水下图像增强 SpiralGAN based underwater image enhancement UGAN的水下图像增强对比 UGAN based underwater image enhancement
5	U-Net	语义分割案例 Sementic segmentation
6	Yolov5	目标检测案例 Object detection	基于yolov5的人脸/口罩检测 Yolov5 based object detection
7	Efficientdet	目标检测案例2 Object detection2	基于efficientdet的行人检测 Efficientdet based object detection
8	SLAM	同步定位与建图案例 SLAM	基于ORB-SLAM的三维建模 ORB-SLAM based 3D reconstruction
9	Genetic Algorithm	遗传算法案例 GA	基于遗传算法的旅行商问题 GA based TSP solution
10	Differential Evolution	差分进化算法案例 DE	基于差分进化算法的阿克雷函数求解 DE based Ackley function solution

TOP 返回顶部