教育部近日公示第三批国家级一流本科课程认定结果，由复旦大学数据智能与社会计算实验室负责人魏忠钰副教授负责的《人工智能导论》课程成功入选国家级线上一流本科课程。


图片



入选教师：魏忠钰


魏忠钰，复旦大学大数据学院副教授、博士生导师、数据智能与社会计算（Fudan DISC）课题组负责人、复旦-中电金信智能金融科技联合研究中心主任，上海创智学院全时导师。香港中文大学博士，美国德州大学达拉斯分校博士后。

主要研究方向：自然语言处理、大模型技术、社会计算，专注于多模态大模型、智慧医疗和社会模拟。

入选课程：《人工智能导论》


B站观看入口：


课程背景与意义


国务院于2017年印发《新一代人工智能发展规划的通知》，指出“人工智能的迅速发展将深刻改变人类社会生活、改变世界。”近年来，我国人工智能研究与产业发展取得显著进展，但专业人才培养特别是高端人才仍相对滞后。为加强人工智能领域人才培养，国家将其列为一级学科。本课程积极响应国家战略，致力于培养符合国家需求的新型人工智能专业人才。


课程建设成果


自2017年3月首次开设以来，该课程已连续讲授8年，累计修读学生超过600人，获得广泛好评。课程四次学期评教成绩位列学院前两名（2次第一、2次第二），先后获得：

· 2018年复旦-谷歌创新创业课程项目

· 2020年教育部产学合作协同育人项目

· 2020年复旦大学特色在线课程建设计划

· 2022年上海高校市级重点课程

· 2023年上海市一流本科课程

· 第三批国家级一流本科课程（线上课程）


教学创新与特色


课程团队针对人工智能交叉学科人才培养中存在的三大难题——学生基础差异大、理论与实践脱节、人才培养与产业需求不匹配，创新性地构建了分层次人才培养模式，开发多元教学材料，满足不同基础学生的学习需求。

课程设计从"知识-思维-技术"三个层次全面培养学生能力：

1. 夯实人工智能专业基础知识

2. 培养机器学习引导的问题解决思维方式

3. 强化实际场景技术应用能力

打破传统教学局限，设计"学-练-评"多维度教学内容，强化知识传授与实践应用结合，确保教学内容与时俱进、与产业需求紧密对接。


教学资源建设


教学团队已形成完善的教学体系，包括：

· 四个模块（搜索、对抗搜索、强化学习和概率图模型）的10次课程讲义和课件

· 面向上机实验的自动化线上评测平台（Online Judge）

· 四个模块的上机实验教案、题目及解答

· 四个模块的小作业题目及解答

· 超过100道往年试题和2份大作业设计

· 10个章节共800多分钟的线上视频


在线课程影响力


课程于2022年7月在慕课平台上线

截至2025年7月：

· 共开设7个学期

· 全平台累计选课人数超80,000人

· B站视频播放量达25万次

· 抖音平台播放量超80万次




《人工智能导论》助教名单


  • 2017春：陈婷，陈俊坤

  • 2018春：范智昊，王思远，叶蓉，祁季桐

  • 2019春：范智昊，王思远，叶蓉，高亦煦

  • 2019秋：王瑞泽，李泽君，陈蕾，郭紫寒，林晓强，符景超，王思远，叶蓉，高亦煦

  • 2020秋：李泽君，罗瑞璞，钟诚，张霁雯，张翼腾，何啸风，陈蕾，王玥奕，袁健

  • 2021秋：李泽君，罗瑞璞，钟诚，张霁雯，梁敬聪，刘晴雯，高源，游涛

  • 2022秋：罗瑞璞，钟诚，张霁雯，葛宇泽，梁敬聪，高源

  • 2023秋：梁敬聪，叶爵达，杜梦飞，张辛农，刘晴雯

  • 2024秋：张辛农，林嘉昱，孙立博，赖昱行，刘书隽





学堂在线课程链接及目录


  • https://www.xuetangx.com/course/fdu08081007400/26288793?channel=i.area.manual_search

    （点击文章末尾阅读原文跳转）


《人工智能导论》目录

上下滑动，查看《人工智能导论》课程完整目录


绪章


绪论

0.1 课程引导

第一章












无信息搜索

1.1 问题定义

1.2 搜索空间

1.3 搜索图和搜索树

1.4 搜索算法的基本设定和评测

1.5 树搜索和图搜索

1.6 深度优先算法+广度优先算法+迭代加深算法

1.7 代价一致搜索算法


第二章










有信息搜索

2.1 启发式函数

2.2 贪心搜索算法

2.3 A*算法和最优性

2.4 启发式函数的可采纳性

2.5 启发式函数的一致性

2.6 启发式函数的构建

2.7 启发式函数的性质

第三章










对抗博弈搜索

3.1 博弈的类型

3.2 对抗搜索

3.3 估值函数

3.4 剪枝算法

3.5 期望对抗搜索

3.6 其他搜索类型

3.7 期望效用

第四章










约束满足问题

4.1 约束满足问题的定义

4.2 约束图

4.3 约束满足问题的性质

4.4 回溯搜索

4.5 回溯提升——变量和值的选择

4.6 回溯提升——过滤

4.7 回溯提升——树结构

第五章







强化学习 - 有模型方法

5.1 序列决策问题

5.2 马尔可夫决策过程

5.3 马尔可夫决策过程样例

5.4 值迭代

5.5 期望最大搜索树中的值迭代

5.6 策略评估

5.7 策略迭代

第六章









强化学习 - 无模型方法

6.1 强化学习 - 无模型设定

6.2 策略评估 - 基于模型的强化学习

6.3 策略评估 - 模型无关的强化学习 -  蒙特卡洛算法

6.4 策略评估 - 模型无关的强化学习 - 时序差分算法

6.5 策略评估 - 模型无关的强化学习 - 算法比较

6.6 策略控制 -基本设定

6.7 策略控制 - 蒙特卡洛的策略评估

6.8 策略控制 - 蒙特卡洛的策略提升

6.9 策略控制 -时序差分方法

第七章





强化学习 - 值近似方法

7.1 状态的泛化

7.2 值函数近似方法

7.3 值函数近似的策略评估-蒙特卡洛方法

7.4 值函数近似的策略评估-时序差分

7.5 值函数近似的策略控制及强化学习总结

第八章













贝叶斯网络-表示

8.1 概率基础

8.2 贝叶斯公式

8.3 独立性

8.4 贝叶斯网络简介

8.5 贝叶斯网络的基本语义

8.6 贝叶斯网络的独立性

8.7 D分离方法

8.8 D分离方法- 样例演示

8.9 贝叶斯网络的独立性隐含关系

第九章














贝叶斯网络 - 概率推理

9.1 概率推理

9.2 因子介绍

9.3 枚举法精确推理

9.4 变量消元精确推理

9.5 变量消元中的消元顺序选择

9.6 近似概率推理-采样

9.7 直接采样

9.8 拒绝采样

9.9 似然权重采样


第十章










马尔可夫和隐马尔可夫模型

10.1 马尔可夫模型

10.2 马尔可夫模型的迷你前向算法

10.3 马尔可夫模型的稳定性

10.4 隐马尔可夫模型

10.5 隐马尔可夫模型的过滤任务

10.6 隐马尔可夫模型的极大似然解释

10.7 隐马尔可夫模型的近似求解 - 粒子滤波



END

复旦大学数据智能与社会计算实验室


Fudan DISC


联系方式：disclab@fudan.edu.cn

地址：复旦大学邯郸校区计算中心




点击“阅读原文”跳转至《人工智能导论》学堂在线课程主页

内容中包含的图片若涉及版权问题，请及时与我们联系删除