简介：这是一份《人工智能基础》课程教学大纲PDF，面向非计算机专业本科生的公共选修课，系统梳理了课程定位、教学安排与考核要求。压缩包内共1个PDF文件，大小约101KB，内容为完整教学大纲正文，包含课程编码、学时学分、选用教材及参考书目等基础信息。课程围绕符号主义人工智能展开，涵盖知识表示（产生式系统与逻辑）、搜索策略（盲目搜索与启发式搜索）、不确定性推理、博弈论、机器学习、专家系统及AI编程语言（如Lisp/Python）等核心模块，并配有中英文课程简介，便于对照学习。当前已有300余人学习下载，适合教师备课、学生预习，或希望快速了解AI基础教学体系与核心知识框架的入门者参考，能有效帮助读者把握课程脉络、明确重难点。

1. 为什么你的“AI基础”大纲容易翻车：先想清楚这门课在打什么底子

最近在改《人工智能基础》这门课的教学大纲，前后推翻了三版，才真正想明白一个问题：一份大纲如果只是在罗列知识点，那它就是一张废纸。真正有价值的大纲，应该能回答“为什么教这些”“怎么教才能让学生真学会”“怎么考才不把AI课考成背书课”。如果你也在带AI入门课、做企业内训，或者只是自己整理一条AI学习路径，这篇大纲的设计思路应该能帮你少绕几圈。

人工智能基础这门课，难不在内容深，难在它夹在“科普”和“专业课”之间。讲浅了，学生觉得是科普讲座，听个热闹；讲深了，数学推导一上来，非计算机专业的学生直接劝退。我见过太多大纲死在同一个地方：第一周还在讲图灵测试和AI历史，第二周就跳到反向传播，中间没有任何缓冲。学生还没建立起“AI能做什么、不能做什么”的直觉，就被推着进入抽象公式，结果就是课堂昏昏欲睡、作业全靠抄、期末背题过关。等课程结束，学生除了记住几个名词，什么都没带走。

1.1 热门搜索背后的真实需求画像

我在拟定大纲之前，先做了一轮“需求侧”的观察。从最近关于人工智能、AI技能证书、人工智能训练师、PDF工具、ROS2机器人开发、本地部署等热搜词可以明显看出，当下学AI的人群画像已经彻底变了。过去学AI的大多是计算机专业研究生，今天想学AI的包括文科背景的产品经理、刚入行的嵌入式工程师、准备参加智能车竞赛的本科生、想转型人工智能训练师的职场人，甚至还有关心子女选专业的高中家长。

这意味着，教学大纲不能只服务于“未来要做AI算法工程师”的那一小撮人，得兼顾三类学生：一类是想了解AI能做什么的“通识型”，一类是知道自己要进哪个行业、带着强烈应用诉求的“应用型”，还有一类是真正想深入做算法研究的“学术型”。一份大纲如果强行让三类人吃同一锅饭，一定有人吃不饱、有人被噎到。

1.2 三类最常见的课程设计误区

第一类误区是“论文式大纲”。章节完全按照学科体系排：搜索、知识表示、推理、规划、不确定性……这套体系在20年前是对的，但今天AI的主流范式已经是数据驱动和端到端学习，学生学完搜索算法，可能都用不上一次。不是说传统AI内容不该讲，而是它在基础课里占的比重必须大幅压缩，让位于机器学习这条主线。

第二类误区是“工具培训式大纲”。整门课就教Python、教pandas、教sklearn的API，学生确实学会了调用函数，但不知道背后的原理。一旦数据分布变一下、模型效果不对，就完全不知道从哪里排查，只能盲目调参。这等于学开车只练了科目二，上了路看到真实路况就慌。

第三类误区是“大模型狂欢式大纲”。第一节课就讲Transformer、讲大模型微调，PPT全是架构图和注意力热力图。学生听着很兴奋，但你问一句“为什么模型训不出来”，没人能回答。没有机器学习的基础，大模型的内容只能是水面上的浮萍。

这里提前说明一下后面所有设计的“底稿”：教学大纲不能脱离实际课时。我给出的完整版按 90 学时设计（理论 44 + 实践 46），大概对应高校通识选修课 3~4 学分或者企业脱产培训两三周的量。如果读者是自学者，也可以按这个章节顺序安排 12~15 周的学习计划，只需要去掉部分实践环节即可。

2. 课程定位与教学目标：把方向钉死再排内容

有的老师会把课程定位写成“本课程介绍人工智能的基本概念、原理和方法，使学生掌握AI相关技术，为后续课程打下基础”。这种定位写了等于没写。“掌握”“了解”“打下基础”这些词没有可验证的标准，大纲后续的内容编排自然就松了。我的做法是把定位拆成一句话加三个问句，一句话是：这是一门口径宽、门槛低、出口实的AI入门课，目标是让非计算机背景的学生也能独立完成一个端到端的小型AI应用。三个问句是：学生上完课能做什么？他做的东西能否放进作品集？他遇到问题是否有能力自己定位方向？

2.1 课程基本信息、先修要求与学时安排

大纲里我把课程基本信息写成这样：

• 课程名称：人工智能基础
• 课程性质：通识选修课 / 专业基础课（根据院系调整）
• 学时安排：总学时 90，其中理论 44、实践 46
• 先修要求：高等数学（了解导数、极值概念即可）、Python 基础（不要求精通，会变量、循环、列表、函数就行）
• 教学目标：见下方三维目标拆解

这里有个容易被忽视的决策：Python 基础应该作为先修，而不是放到课程里从零讲。如果从零讲，至少要砍掉 8~10 个学时的核心内容；如果完全不管，又有一批零基础学生跟不上。我的折中方案是：提供 8 学时的线上前置自学资源，开学前两周完成，课上只做半小时快速复习，不占正课。实践课第一周的题目也非常简单，主要用来摸底，同时让跟不上的同学有时间补。

2.2 三维目标拆解：知识、能力与素养

知识目标方面，我希望学生能回答清楚三个问题：AI 这门学科到底在解决什么问题；机器学习的基本流程（数据到模型到评估）是怎样的；深度学习和传统机器学习之间是什么关系。不要求推导每一个公式，但必须理解关键概念的几何或直觉含义，比如“梯度下降就是在山上找最低点”“过拟合就是背答案背出了惯性”。

能力目标是最核心的，我把它拆成五条可考核的指标：

1. 能使用 Python 完成数据读取、清洗与可视化；
2. 能调用 sklearn 完成分类、回归、聚类三类基础任务的建模与评估；
3. 能使用 PyTorch 搭建并训练一个简单的全连接网络或 CNN，完成图像分类任务；
4. 能借助大模型 API 完成一个真实场景的原型应用（如简历信息提取、学习问答助手）；
5. 能就一个 AI 相关的社会议题（如算法偏见、数据隐私）写出有理有据的分析。

素养目标说得直白一点，就是让学生离开课堂之后，面对“AI 什么都能做”的营销话术，能保留一分清醒；面对 AI 相关新闻时，能判断哪些是技术突破、哪些是商业包装。这一点我会在第七章的伦理讨论里重点落实。

3. 章节体系设计：从现象到原理再到落地的递进逻辑

这一版大纲我放弃了传统“搜索 → 知识表示 → 推理 → 学习”的章节顺序，改成了“先见森林，再进树林，最后真砍一棵树”的结构。整门课共八章，前两章建立整体印象，三四五章是真正的硬核主线，六七章负责把技术放回真实场景，第八章整合实战。下面用表格给出完整章节安排，然后逐段解释设计意图。

章节	主题	理论学时	实践学时	重点内容
第1章	人工智能概述	4	2	AI 的定义与发展简史、AI 的主要研究领域、当前能力边界与局限性、AI 典型应用演示
第2章	编程基础与工具链	4	6	Python 快速复习、NumPy 与 Pandas 入门、数据可视化、开发环境搭建
第3章	数据与数据预处理	4	4	数据采集、缺失值与异常值处理、特征工程入门、数据集的划分
第4章	机器学习基础	8	6	监督学习、无监督学习、K 近邻、线性回归、逻辑回归、决策树、模型评估与过拟合
第5章	深度学习入门	8	8	神经网络基本原理、反向传播的直觉理解、激活函数、PyTorch 基础、CNN 图像识别
第6章	自然语言处理与计算机视觉	6	6	词向量、RNN 与注意力机制概述、图像分类与目标检测基本原理、主流模型结构
第7章	AI 应用案例与社会影响	4	4	大模型应用开发、AI 偏见案例、数据隐私与算法透明度、AI 伦理辩论
第8章	前沿专题与项目实战	6	10	大模型与智能体入门、行业应用专题、期末项目开发与答辩
合计		44	46

3.1 前三章：让学生先“见过大象”再上手术台

第1章我没有安排任何公式，纯讲“AI 现在强在哪里、弱在哪里”。课上我会直接演示几个工具：让大模型对话、让语音转文字、让图像识别模型跑一个实时目标检测。学生看到 AI 确实能干活，而且干活的方式和人类不一样，后面的学习才有驱动力。这里用 2 学时介绍 AI 发展历程时，重点不是罗列年份和人物，而是讲清楚三次浪潮为什么起、为什么落，让学生明白今天的大模型浪潮和之前的区别。还要花 1 学时讲 AI 的应用边界：什么时候该用 AI、什么时候不该用。这个看似常识的内容，恰恰是学生做项目时最缺的判断力。

第2章和第3章的价值是“把每个学生拉到同一条起跑线”。哪怕是自称会 Python 的学生，写出来的代码风格也可能差距很大。所以我设计了几个实战向的题目：给一份带缺失值和脏数据的 CSV 文件，要求学生完成读取、清洗、基础统计、出图。这个作业做下来，学生对“数据是 AI 的燃料”这句口号会有真实体感。同时，我会在课上刻意强调 pandas 的链式操作方法和数据预览习惯——这是工业界最基础也最重要的能力，但很多入门教程反而忽略了。

前三章有一处容易踩的坑：千万不要把第2章做成 Python 语法课。凡是中学信息课已经讲过的语法，一律放到线上预习。正课只讲“AI 会用到的那些 Python 片段”：数组切片、广播机制、DataFrame 筛选、matplotlib 画图。把省下来的学时留给后面更核心的内容。

3.2 中间三章：机器学习与深度学习这条主线不能缺钙

第4章是整门课的承重墙。我反复权衡后，决定把内容集中在五个算法上：K 近邻、线性回归、逻辑回归、决策树、K-Means。每个算法都用一个生活场景引入，比如用“啤酒与尿布”的段子讲关联规则时顺手带出 K-Means 聚类，用“根据房子的面积、位置预测房价”讲回归，用“银行判断是否批准贷款”讲逻辑回归和分类。不追求算法覆盖量，但要求每个算法学生都能讲明白三点：这个算法解决什么问题？它的决策过程是怎样的？在 sklearn 里怎么用？模型评估单独作为一节，重点讲准确率、精确率、召回率、F1 和混淆矩阵，再配合训练集/测试集划分让学生亲手验证一次“过拟合到底长什么样”。这一章上完，学生才真正摸到机器学习的门槛。

第5章是劝退率最高的章节。我的处理方法是把反向传播放到“直觉理解”层面，用“猜价格游戏”来类比：你报一个价，别人告诉你偏差，你根据偏差把价格往正确方向调一点点，反复多次后你就成了估价高手。权重更新就是这个道理。不求手推完整公式，但会让学生做一次非常简单的计算：单层网络，两个输入，一个输出，手动调整一次权重，观察损失是变大还是变小。这一步有了体感，后面用 PyTorch 写在代码里才不会觉得是在施魔法。

第6章的定位是“让机器学习看到真实世界的复杂度”。讲自然语言处理时，我会从一个朴素的问题引入：“电脑不认识汉字，怎么读这句话？”于是词向量、RNN、注意力机制就自然出场了。计算机视觉部分则用“图像就是一个巨大的数字矩阵”开场，然后过渡到卷积操作和池化，再用目标检测 YOLO 系列现场跑一个实时摄像头检测的 Demo。这一章不要求深度实现，但会用对比实验帮助学生建立直觉：为什么 RNN 在长文本上不行？为什么 CNN 在处理图像上这么有效？

3.3 最后两章：把技术放回真实场景，让价值观落地

第7章是很多大纲里“最虚”的部分，但恰恰是最能体现课程设计水平的部分。AI 伦理不能只讲“我们要负责任地发展AI”这种正确的废话，得落到具体案例上。我会准备三个偏见的真实案例：一个关于简历筛选系统对性别的不公平、一个关于人脸识别对不同肤色人种的误判率差异、一个关于推荐算法引发的信息茧房。课堂上采用辩论形式，把学生分成正反方，要求用数据说话而不是凭感觉站队。这样既锻炼了信息检索能力，也让学生体会到“AI 偏见”不是一个抽象的学术词，而是会真实影响每一个人的事情。

第8章是项目整合阶段。前沿专题我会选一到两个学生当前最关心的方向，比如大模型应用开发、AI Agent 入门，日本课程里不深入原理，但会演示如何用主流平台能力快速做出一个可用的原型工具。最后留出 10 个实践学时做期末项目，从选题、数据准备、模型训练到结果展示，走完一个完整的小型 AI 应用流程。

4. 实践教学设计：用梯度化项目拉开能力差距

实践环节的学时占比超过一半，所以项目怎么设计就显得尤其重要。我的原则是“三个梯度，两条达标线”。三个梯度是指基础巩固、综合应用、开放创新；两条达标线是指普通学生必须跨过前两档，第三挡做出来就是加分项。

4.1 三个梯度项目的设计与验收标准

基础巩固项目，第 2~4 周完成。内容是“学生信息数据分析”，给一份匿名化的学生成绩和出勤记录，要求学生完成数据清洗、统计描述、可视化，并用线性回归分析出勤率与成绩的关系。验收标准很明确：代码能跑通，图表有标题有轴标签，文本结论不超过三句话但必须和数据对得上。这个项目的目的不是炫技，而是让学生建立“从数据到结论”的基本流程感。

综合应用项目，第 5~8 周完成，是机器学习模块的小闭环。候选题目有三个：垃圾邮件分类（朴素贝叶斯或逻辑回归）、手写数字识别（KNN 或简单神经网络）、电商用户聚类（K-Means）。学生选一题完成完整流程，并在报告中回答四个问题：数据从哪里来？特征怎么构造？模型怎么选的？如果测试效果不好，你会优先怀疑哪里？这四个问题就是工业界定位问题的基本思路。

开放创新项目，第 9~15 周完成，也就是期末大作业。推荐题目包括：基于大模型 API 的专属知识问答机器人、校园二手物品智能分类助手、面向智能车竞赛的感知模块 Demo、AI 绘画工具对比评测。这部分我只给方向不给标准答案，鼓励学生结合自己的专业背景。比如机械专业的学生可以选择“用 AI 识别机械零件磨损”，土木专业的学生可以做“工地安全帽佩戴检测”。跨学科应用才是这门课最有魅力的地方。

4.2 工具链选型和算力问题的处理思路

工具链选型上，我强烈建议不要一上来就让学生配环境。第一周直接用在线平台（比如百度 AI Studio、阿里天池的 Notebook 环境），学生注册就能跑，省去本地安装的挫败感。从第 5 周（进入深度学习）开始，再逐步引导本地用 Anaconda 管理环境，因为后面的项目需要自己装依赖，这是一个必须经历的过程。

框架选型上，机器学习部分默认 sklearn，深度学习部分我选 PyTorch 而不是 TensorFlow。原因很简单：PyTorch 的调试方式和写普通 Python 代码更接近，对初学者友好；而且目前学术界和工业界的新项目绝大多数都基于 PyTorch，学生学会后可以直接对接后续课程或实习需求。可视化方面，matplotlib 和 seaborn 就够用了，不额外引入工具增加负担。

算力问题是很多零基础学生最担心的。我的回应是：这门课的设计刻意避免了对高算力的依赖。练习数据集都是小规模的开源数据，CPU 完全跑得动；期末考试也是图像分类项目，我们只用 CIFAR-10 的一个子集，单卡可训练。真正需要大模型推理的场景统一走 API 或在线平台，不让学生在本地部署上浪费时间。等学生理解了大模型的基本原理和 API 调用方式，再按需自学本地部署，完全来得及。

5. 考核方式：过程化评分如何兼顾公平与防代做

这门课最难的不是教，而是考。如果期末闭卷考名词解释、简答题，学生必然去背题。AI 技术的更新速度那么快，背下来的东西毕业后就淘汰。所以我坚持“重过程、重作品、轻笔试”的路子。但如果过程性考核只凭上交的代码和报告，代做问题会非常严重。这里需要一个组合方案。

5.1 成绩构成与评分细则

我参考了多所高校的做法，结合自己的经验，最终把成绩构成定为：

• 平时上机练习与课堂参与：20%
• 三次阶段项目（基础、综合、开放第一部分）：30%
• 伦理辩论与案例分析：10%
• 期末项目与答辩：40%

期末项目不能只交代码和报告，必须做 5~8 分钟的现场答辩。答辩时我会随机指一个函数让学生现场解释，也会根据报告内容提问“你为什么用这个模型”“换一个模型会怎样”。这个环节既验证了项目的真实性，也锻炼了学生表达技术问题的能力——这在职场里是极其重要的软技能。评分细则上，我给期末项目列了一张 100 分制的量表：问题定义与文献调研 20 分、数据获取与预处理 15 分、模型选择与实现 25 分、结果分析与讨论 20 分、创新性与跨学科应用 10 分、答辩表现 10 分。

伦理辩论不打分排名，而是看学生参与度和论点的质量。我的评分标准很土但有效：只要能举出一个具体的真实案例，并且引用了至少一个可查证的数据来源，就给满分。不设“最佳辩手”之类的排名，避免学生为了争名次把辩论搞成抬杠。

5.2 防抄袭和代做的实操手段

课程中后期，代做风险会显著增加。我的办法是“分步提交”。最终报告不是一次性交整本，而是分三次：第 10 周提交“选题说明和计划书”，第 13 周提交“数据探索和实验初稿”，第 16 周提交完整项目。每阶段提交的内容都要展示中间产物（比如数据预处理前后的对比截图、训练过程的损失曲线），这些过程性痕迹是代做很难伪造的。另外，答辩时间虽然紧，但每组至少深入问 3 个问题。问法不是“你的准确率是多少”，而是“如果我把测试集换成另一种分布，你觉得会发生什么”。这类问题网上抄不到答案，只能靠真理解才能答上来。

平时作业则有一个小技巧：每个学生的数据集生成时加入不同的随机种子，或者做字段级别的扰动。这样作业之间不是简单复制粘贴就能对齐的，加上线上平台有代码查重，基本能挡住大多数抄袭行为。

6. 大纲落地时最容易踩的坑：换教材、缩学时、分层教学

一份大纲写得再漂亮，到真实课堂里一定会遇到几个绕不开的问题。有些坑我在第一次上课时踩了个结结实实，这里老实交代，希望大家能避开。

6.1 学时被压缩时的优先级取舍

很多老师面临的情况是：大纲写了 48 学时，排课时被砍到 32，甚至 24。这时候怎么办？我经过两轮实践后建议按这样的顺序砍：第一步，砍掉第 2 章的 Python 复习学时，全部丢到线上；第二步，把第 6 章的 NLP 和 CV 从各 3 学时压缩到各 1 学时，只做 Demo 演示，不展开原理；第三步，删掉第 7 章伦理辩论的现场环节，改成线上讨论；最后仍然不够，就把深度学习部分变成选修专题，保证机器学习主线完整。简单说就是： 机器学习基础必须完整，深度学习可以简化但不能为零，伦理内容用最小成本维持存在感 。砍掉任何一部分前都要想清楚，学生失去这项内容后是否还能独立完成一个小项目和判断 AI 能做什么。

6.2 学生基础差异大时的拆班思路

非计算机专业开设 AI 基础课时，学生背景差异极大是必然的。我遇到过同一节课里，有已经写了好几年 Python 的编程爱好者，也有第一次见到命令行的文科生。强行按同一个节奏上课，一定有人吃不饱、有人跟不上。

我的解决方案是“核心内容统一 + 拓展内容分层”。每周的实践课分两层任务：基础层任务所有人都必须完成，比如“用逻辑回归完成分类并输出准确率”；拓展层任务给能力强的同学，比如“使用交叉验证调参，对比不同 C 值的效果，并可视化决策边界”。基础层保证底线，拓展层拉高天花板。期末项目选题时的梯度设计本质上也是这个思路——选最简单的题目也能拿 B，但想拿 A 就必须在创新性或者工程复杂度上下功夫。

另外一个有效的做法是“学长助教制”。从上一届学得好的学生中招募 2~3 名助教，每周固定时间在线答疑。他们和学生的代沟更小，问问题的压力也小很多，我试过一届，效果非常好。

6.3 资源和教材推荐：不要迷信任何一本教材

最后聊一下教材问题。目前市面上叫“人工智能基础”的教材少说也有几十本，但没有任何一本能完全覆盖我上面这套大纲。我的做法是：指定一本教材作为“主线读物”，推荐 2~3 本作为参考，再把大量课时材料放到线上。主教材我用的是周志华老师的《机器学习》（俗称“西瓜书”）搭配一本图解式的入门书作为平行阅读，因为“西瓜书”对初学者还是有门槛，直接当主教材容易劝退。Python 和工具链的学习材料则完全线上化，B 站、MOOC 平台都有很好的免费资源。大纲里更关键的是给学生指明“按什么顺序看什么”，而不是“看哪一本书”。这才是教学大纲的真正作用——它是学习路径，不是书的目录。

期末项目展示环节是我每学期最期待的课。学生作品里出现过“用 AI 帮姥姥识别中药材”“宿舍楼水电费异常检测”“篮球投篮姿势分析”这些充满生活气息的项目，技术上虽然稚嫩，但能看到他们把课上的概念真正搬到了自己的生活里。到了那一步，我基本可以确认，这份教学大纲的使命完成了。

本文还有配套的精品资源，点击获取