广东自考07844人工智能导论考试大纲

广东省高等教育自学考试《人工智能导论》课程考试大纲

（课程代码：07844）

目录

Ⅰ  课程性质与课程目标

Ⅱ  考核目标

Ⅲ  课程内容与考核要求

Ⅳ  关于大纲的说明与考核实施要求

附录 题型举例

Ⅰ  课程性质与课程目标

一、课程性质和特点

 “人工智能导论”是高等教育自学考试软件工程（专升本）专业考试计划中的一门专业课，它是为满足软件工程应用领域及相关专业对软件应用人才的需要而开设的。通过本课程的学习，学生能够理解人工智能的基本原理，初步学习和掌握人工智能的基本技术，为进入人工智能各分支领域进行学习或从事人工智能行业工作奠定基础，指引方向。

“人工智能导论”旨在培养学生对人工智能研究领域的核心知识、最新进展和发展方向的认识和理解，建立起对人工智能的总体认识，了解人工智能各领域中主要涉及的问题以及人工智能的实现途径和采用的解决方法，掌握目前人工智能领域的主流研究方向。

二、课程目标

设置本课程的主要目的是使考生了解人工智能的基本概念、主要技术和应用，掌握人工智能的基本算法和模型，了解相关工具和平台，并发展人工智能思维和解决问题的能力，从而为将来从事软件工程相关领域的工作做好充分的准备。

通过本课程的学习，考生应达到以下目标。

1. 理解人工智能的基本概念和历史发展，对人工智能有一个全面的了解和认识。
2. 熟悉人工智能的主要技术和应用，包括知识表示、知识图谱、机器学习、自然语言处理、计算机视觉、多智能体系统等，能够在实际应用中掌握这些技术。
3. 掌握人工智能的基本算法和模型，包括搜索技术、神经网络、专家系统等，掌握这些算法和模型的基本原理和应用。
4. 发展人工智能思维和解决问题的能力。通过案例和实践，培养学生的人工智能思维和解决问题的能力，使他们能够在实际工作中运用人工智能技术解决实际问题。

三、与相关课程的联系与区别

人工智能导论是一门旨在为学生提供人工智能的基础知识和技能，使其能够理解和应用人工智能相关技术的课程。学生在学习本课程前需要掌握程序设计、数据结构、计算机网络技术等相关课程的基本知识。

四、课程的重点和难点   

本课程的重点人工智能的核心理论和算法，并探讨如何在实际应用中运用这些技术解决实际问题，具体包括人工智能基础概念、机器学习算法的基本概念和常见算法、深度学习算法的基本概念和常见算法、自然语言处理的基本概念和技术、计算机视觉的基本概念和技术等。难点方面，这门课程需要学生具备一定的数学和编程基础，对于一些较为复杂的算法，需要深入理解其数学原理和推导过程。此外，人工智能的应用非常广泛，需要学生具备跨学科的思维能力，能够将人工智能技术应用于实际问题解决中，因此需要学生具备一定的综合素养。

 

Ⅱ  考核目标

本大纲是“人工智能导论”课程的个人自学、社会助学和考试命题的依据，本课程的考试范围以本考试大纲所限定的内容为准。

本大纲在考核目标中，按照识记、领会、简单应用和综合应用四个层次规定其应达到的能力层次要求。四个能力层次是递进关系，各能力层次的含义是：

识记：学生需要掌握人工智能的基本概念、原理和算法，了解机器学习、深度学习、自然语言处理等常见人工智能领域的基本知识。

领会：学生需要理解人工智能领域的发展历程、技术趋势和未来发展方向，理解人工智能各个研究领域的典型方法和原理。

简单应用：学生需要具备一定的程序设计能力，能够使用图示或伪代码描述人工智能算法，如搜索算法、BP学习算法等，完成基本的人工智能应用。

综合应用：学生需要结合实际问题，选取适当的人工智能算法，对算法进行改进和优化，实现解决实际问题的应用。

 

Ⅲ  课程内容与考核要求

• 绪论

一、学习目的与要求

本章的学习目的是使学生掌握人工智能的基本概念，包括人工智能的起源和定义、人工智能的流派、人工智能的进展和发展趋势。

二、课程内容

1.1 人工智能的起源和定义

1.2 人工智能的流派

1.3 人工智能的进展和发展趋势

三、考核知识点与考核要求

（一）人工智能的起源和定义

领会：人工智能的起源和多样化的人工智能定义。

（二）人工智能的流派

识记：人工智能的三个流派，概念的定义。

领会：人工智能三个流派之间的关系，概念的三个功能。

（三）人工智能的进展和发展趋势

领会：人工智能的发展与三个流派技术的融合。

四、本章重点、难点

本章的重点：人工智能三个流派的技术思想。

本章的难点：人工智能三个流派的思想及其发展限制。

 

• 概念表示

一、学习目的与要求

本章的学习目的是使学生掌握概念的表达方法，了解这是人工智能研究的重要基础。

二、课程内容

2.1 经典概念理论

2.2 数理逻辑

2.3 集合论

三、考核知识点与考核要求

（一）经典概念理论

识记：经典概念的组成。

（二）数理逻辑

领会：什么是命题，及命题真假的判断。

简单应用：命题的谓词符号化。

（三）集合论

识记：集合的两种表示方法。

领会：集合各种关系的定义。

四、本章重点、难点

本章的重点：命题的概念、表示和判断，集合的表示和各种关系。

本章的难点：命题的谓词符号化和集合的关系定义。

 

• 知识表示

一、学习目的与要求

本章的学习目的是使学生了解知识的概念和知识的表示方法，为后续学习推理方法、搜索技术等奠定基础。

二、课程内容

3.1 知识与知识表示的概念

3.2 产生式表示法

3.3 框架表示法

3.4 状态空间表示法

三、考核知识点与考核要求

（一）知识与知识表示的概念

识记：知识和规则的概念、知识的特性、知识表示的概念。

（二）产生式表示法

识记：规则和事实的产生式表示方法。

领会：产生式系统的组成及其关系。

简单应用：用产生式表示规则或事实。

（三）框架表示法

识记：框架的概念和组成结构。

领会：框架的一般表示形式。

简单应用：用框架表示知识。

（四）状态空间表示法

识记：状态空间的概念和表示。

综合应用：状态空间的图描述。

四、本章重点、难点

本章的重点：知识表示的概念和产生式、框架、状态空间三种表示方法。

本章的难点：状态空间的图描述。

 

• 知识图谱

一、学习目的与要求

本章的学习目的是让学生了解知识图谱的概念，理解计算机世界如何组织和理解互联网海量的信息。

二、课程内容

4.1 引言：从语义搜索认识知识图谱

4.2 万维网知识表示

4.3 知识图谱的现状及发展

4.4 知识图谱的生命周期

三、考核知识点与考核要求

（一）引言：从语义搜索认识知识图谱

识记：知识图谱的概念和组成。

（二）万维网知识表示

识记：本体的定义和特性。

领会：语义网和万维网的区别，资源描述框架RDF。

简单应用：用可扩展标记语言XML组织互联网信息。

（三）知识图谱的现状及发展

领会：当前互联网几个常用的知识图谱。

（四）知识图谱的生命周期

识记：互联网时代知识在数据中的分布特点。

领会：知识图谱的生命周期。

四、本章重点、难点

本章的重点：本体和互联网环境下的知识表示方法，知识图谱的生命周期和典型应用。

本章的难点：本体和语义网知识表示。

 

• 搜索技术

一、学习目的与要求

本章的学习目的是让学生掌握常用的搜集技术，了解如何用这些搜索技术求解搜索问题。

二、课程内容

5.1 图搜索策略

5.2 盲目搜索

5.3 启发式搜索

三、考核知识点与考核要求

（一）图搜索策略

领会：图搜索和状态图的关系

（二）盲目搜索

识记：盲目搜索的概念和两种常用的盲目搜索方法：深度优先搜索和宽度优先搜索

领会：深度优先搜索和宽度优先搜索两种方法的原理及优缺点

简单应用：用盲目搜索的方法在状态图中求解。

（三）启发式搜索

识记：启发式搜索的概念和两种常用的盲目搜索方法：A算法和A*算法

综合应用：根据给定的启发函数，用启发式搜索的方法在状态图中求解。

四、本章重点、难点

本章的重点：盲目搜索和启发式搜索的特点及其各种搜索技术

本章的难点：运用各种搜索技术求解问题。

 

• 机器学习

一、学习目的与要求

本章的学习目的是让学习者了解机器学习的概念，机器学习和人工智能的关系，机器学习的研究现状及发展趋势。

二、课程内容

6.1 机器学习的发展

6.2 监督学习

6.3 无监督学习

6.4 弱监督学习

三、考核知识点与考核要求

（一）机器学习的发展

领会：机器学习发展的几个重要节点。

（二）监督学习

识记：监督学习的概念。

领会：K-近邻算法、决策树算法和支持向量机算法的原理。

简单应用：用决策树算法解决分类问题。

（三）无监督学习

识记：无监督学习的概念。

领会：无监督学习和监督学习的区别及其各自的使用场景，聚类和自编码器算法的原理。

（四）弱监督学习

识记：三种典型的弱监督学习算法：半监督学习、迁移学习和强化学习。

四、本章重点、难点

本章的重点：机器学习的各种方法及其原理。

本章的难点：运用监督学习和无监督学习方法解决应用问题。

 

• 人工神经网络与深度学习

一、学习目的与要求

本章的学习目的是帮助学生了解神经元和神经网络的基本概念，学习BP神经网络和卷积神经网络，对深度学习及其应用有初步的认识。

二、课程内容

7.1 神经网络的发展历史

7.2 神经元与神经网络

7.3 BP神经网络及其学习算法

7.4 卷积神经网络

三、考核知识点与考核要求

（一）神经网络的发展历史

领会：深度学习的特点。

（二）神经元与神经网络

识记：神经元数学模型，人工神经网络的分类。

领会：常用的激励函数及特点。

（三）BP神经网络及其学习算法

领会：BP神经网络结构。

简单应用：BP学习算法的实现。

综合应用：BP神经网络在模式识别中的应用。

（四）卷积神经网络

领会：卷积神经网络结构。

简单应用：卷积神经网络的卷积运算。

四、本章重点、难点

本章的重点：神经元数据模型和经典的人工神经网络结构

本章的难点：BP神经网络和卷积神经网络的实现及其应用

 

• 专家系统

一、学习目的与要求

本章的学习目的是让学生了解如何将专家的知识总结出来以计算机可以使用的形式加以表达，掌握专家系统的推理方法。

二、课程内容

8.1 专家系统概述

8.2 推理方法

8.3 一个简单的专家系统

8.4 非确定性推理

三、考核知识点与考核要求

（一）专家系统概述

识记：专家系统的定义。

领会：专家系统的基本结构。

（二）推理方法

识记：推理方法的分类。

简单应用：用正向推理或逆向推理的方法基于专家系统进行推理。

（三）一个简单的专家系统

综合应用：根据已知的知识构建基于规则的专家系统知识库，并完成问题的推理。

（四）非确定性推理

领会：在非确定性推理中的事实表示、规则表示、逻辑运算、规则运算和规则的合成。

四、本章重点、难点

本章的重点：专家系统的概念、结构和基本的推理方法。

本章的难点：专家系统的知识库构建和知识推理。

 

• 计算机视觉

一、学习目的与要求

本章的学习目的是让学习者掌握计算机视觉的研究内容和完成任务，了解如何对数字图像或视频进行高层理解。

二、课程内容

9.1 计算机视觉概述

9.2 数字图像的类型及机内表示

9.3 常用计算机视觉模型和关键技术

9.4 应用实例：人脸识别技术

三、考核知识点与考核要求

（一）计算机视觉概述

领会：计算机视觉包含的各种任务。

（二）数字图像的类型及机内表示

领会：图像在计算机中的表示方法，像素点数值的意义。

（三）常用计算机视觉模型和关键技术

领会：浅层视觉模型的处理流程、经典的全局特征提取GIST特征和局部特征提取LBP、基于深度模型实现的视觉任务。

简单应用：局部二值模式LBP算子的计算原理。

（四）应用实例：人脸识别技术

简单应用：人脸识别的典型流程及每个步骤要达到的目标。

四、本章重点、难点

本章的重点：图像的计算机表示及计算机对图像的处理原理和一般化流程。

本章的难点：特征提取的作用及其计算实现。

 

• 自然语言处理

一、学习目的与要求

本章的学习目的是让学习者了解各种网络安全协议的原理、功能、应用场景及其优缺点，并能够应用这些协议解决实际网络安全问题。

二、课程内容

10.1 自然语言处理概述

10.2 机器翻译

10.3 自然语言人机交互

10.4 智能问答

三、考核知识点与考核要求

（一）自然语言处理概述

领会：自然语言处理的基本任务和自然语言处理发展的三个阶段。

（二）机器翻译

识记：完全基于注意力网络的神经翻译模型Transformer。

领会：机器翻译发展的四个阶段及其核心思想，注意力机制在机器翻译中的作用。

（三）自然语言人机交互

领会：对话系统和聊天机器人的共性和区别，对话系统的三个模块及其功能。聊天机器人基于技术的分类。

简单应用：检索式聊天机器人的系统架构，生成式聊天机器人的模型架构。

（四）智能问答

领会：智能问答任务的分类。

简单应用：基于知识图谱的问答系统设计。

四、本章重点、难点

本章的重点：自然语言处理的发展，自然语言处理的三个典型任务：机器翻译、自然语言人机交互和智能问答。

本章的难点：自然语言处理任务的核心算法理解。

 

• 多智能体系统

一、学习目的与要求

本章的学习目的是让学习者了解智能体和多智能体的概念，了解多智能体系统的内部协商策略实现。

二、课程内容

11.1 智能体

11.2 智能体的具体结构

11.3 多智能体协商

三、考核知识点与考核要求

（一）智能体

领会：智能体的定义和性质，智能体和其他软件实体的区别。

（二）智能体的具体结构

识记：智能体的5种实现方式。

领会：智能体的包孕结构和基于BDI逻辑的结构。

（三）多智能体协商

领会：纳什均衡和帕里托优策略思想，多智能体协商三种工具：投票、拍卖和谈判。

简单应用：智能体用计分投票决策。

四、本章重点、难点

本章的重点：多智能体的概念、实现及其协商方式。

本章的难点：投票策略的计算机实现。

 

Ⅳ  关于大纲的说明与考核实施要求

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。其目的是对个人自学、社会助学和课程考试命题进行指导和规定。

课程自学考试大纲明确了课程学习的内容以及深广度，规定了课程自学考试的范围和标准。因此，它是编写自学考试教材和辅导书的依据，是社会助学组织进行自学辅导的依据，是自学者学习教材、掌握课程内容知识范围和程度的依据，也是进行自学考试命题的依据。

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，教材给出了学习掌握课程知识的基本内容与范围，教材的内容还包括大纲所规定的课程知识的扩展与发挥。课程内容在教材中可以体现一定的深度或难度，但在大纲中对考核的要求一定要适当。

大纲与教材所体现的课程内容基本一致；大纲里面的课程内容和考核知识点，教材里一般也要有。反过来教材里有的内容，大纲里就不一定体现。

三、关于自学教材

《人工智能导论》，李德毅主编，中国科学技术出版社出版，2018年版。

本教材第二章2.4节，第五章5.4节，第六章，第七章7.5节，第八章8.5、8.6节，第九章9.5、9.6、9.7节，第十一章11.5节，第十二章，第十三章，第十四章14.4节，第十五章内容，考生可根据个人能力兴趣学习，不纳入考核范围。

四、关于自学要求和自学方法的指导

本大纲的课程基本要求是依据专业考试计划和专业培养目标而确定的。课程基本要求还明确了课程的基本内容，以及对基本内容掌握的程度。基本要求中的知识点构成了课程内容的主体部分。因此，课程基本内容掌握程度、课程考核知识点是高等教育自学考试考核的主要内容。

为有效地指导个人自学和社会助学，本大纲已指明了课程的重点和难点，在章节的基本要求中一般也指明了章节内容的重点和难点。

由于成人学习的个性化特点，建议业余自学时间不低于48个学时。

建议学习本课程时注意以下几点：

1.在学习本课程教材之前，应先仔细阅读本大纲，了解本课程的性质和特点，熟知本课程的基本要求，在学习本课程时，能紧紧围绕本课程的基本要求。

2.在自学每一章的教材之前，先阅读本大纲中对应章节的学习目的与要求、考核知识点与考核要求，以使在自学时做到心中有数。

3.把学习基本理论、基本知识与分析、解决实际问题结合起来。首先，要弄懂基本理论、基本原理、基本知识和基本方法；其次，要学习运用这些知识联系实际解决有关实际问题。重点是要深刻领会教材内容，将知识转化为能力，提高运用知识分析问题和解决问题的能力。

4.学习人工智能导论的目的是深入了解人工智能领域的基本概念、理论和方法，增强对人工智能技术的认识和理解，掌握人工智能算法的基本原理，了解各种人工智能技术的应用场景，提高与人工智能相关的职业素养和综合素质，为以后进一步学习和研究人工智能打下坚实的基础，增强在未来人工智能时代的竞争力。

五、对社会助学的要求

对担任本课程自学助学的任课教师和自学助学单位提出以下几条基本要求。

1.熟知本课程考试大纲的各项要求，熟悉各章节的考核知识点。

2.辅导教学以大纲为依据，不要随意删减内容，以免偏离大纲。

3.辅导还要注意突出重点，要帮助学生对课程内容建立一个整体的概念。

4. 助学者在辅导时应帮助自学者梳理重点内容和一般内容之间的关系，在他们全面掌握全部考试内容的基础上，深入搜集技术、人工神经网络与深度学习、计算机视觉、自然语言处理等重点内容，注意本课程概念表示、知识表示和各种研究领域核心内容的系统性。

本课程考纲内容学时建议如下：

章次	学习内容	建议学时
第1章	绪论	2
第2章	概念表示	4
第3章	知识表示	2
第4章	知识图谱	4
第5章	搜索技术	6
第6章	机器学习	4
第7章	人工神经网络与深度学习	6
第8章	专家系统	4
第9章	计算机视觉	6
第10章	自然语言处理	6
第11章	多智能体系统	4

 

六、对考核内容的说明

1. 本课程要求考生学习和掌握的知识点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层次确定其考核要求。
2. 在考试之日起6个月前，由全国人民代表大会和国务院颁布或修订的法律、法规都将列入相应课程的考试范围。凡大纲、教材内容与现行法律、法规不符的，应以现行法律法规为准。命题时也会对我国经济建设和科技文化发展的重大方针政策的变化予以体现。

七、关于考试命题的若干规定

1.本课程考试采用闭卷笔试方式考核，考试时间150分钟，满分100分,60分及格。考试时只允许携带笔、橡皮和尺，答卷必须使用蓝色或黑色钢笔或签字笔书写。

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。考试命题既要覆盖到章，又要避免面面俱到。要注意突出课程的重点、章节重点，加大重点内容的覆盖度。

3. 命题不应有超出大纲中考核知识点范围的题目，考核目标不得高于大纲中所规定的相应的最高能力层次要求。命题应着重考核自学者对基本概念、基本知识和基本理论是否了解或掌握，对基本方法是否会用或熟练。不应命制与基本要求不符的偏题或怪题。

4.本课程在试卷中对不同能力层次要求的分数比例大致为：识记占20%，领会占30%，简单应用占30%，综合应用占20%。

5. 要合理安排试题的难易程度，试题的难度可分为：易、较易、较难和难四个等级。每份试卷中不同难度试题的分数比例一般为：2:3:3:2。

6.各种题型的具体样式参见本大纲附录。

 

附录 题型举例

一、单项选择题（在每小题后的4个备选项中只有一个是符合题目要求的，请将其选出并填写在题后的括号内）

1.（   ）就是在已知输入和输出的情况下训练出一个模型，将输入映射到输出。

1. 监督学习 无监督学习
2. 弱监督学习     D.专家系统

二、名词解释题

1.深度优先搜索

三、简答题

1.K-近邻算法的核心思想是什么？

四、应用题

1.以表所示的数据集作为训练数据，请构造一棵决策树用于判断水果的类别并画出来。

编号	颜色	形状	大小	类别
1	红	球	一般	苹果
2	黄	弯月	一般	香蕉
3	红	球	轻	樱桃
4	绿	椭球	重	西瓜
5	橘	球	一般	橘子

五、案例分析题

1.某公司要开发一个数字识别软件，请根据要求帮助他们完成任务。

（1）设计一个三层BP网络对数字0~9分类。

（2）画出BP学习算法的程序框图。