DASE7509 · 零基础逐页精讲

课程说明 · 逐页讲解

左右键翻页;“连续阅读”展开整份;搜索可定位概念。

第 1 / 5 页

这门课学什么

第 1 / 5 页 原页

点击图片放大。

打开源文件

DASE7509是“系统自动化中的人工智能”,6学分,第一学期授课。课程把机器学习用于机器人和制造系统中的感知、预测、状态监测和控制。

把任务与方法对应起来:预测能耗是回归;判别零件正常/缺陷是分类;从无标签传感器数据找运行模式是聚类;用更少数字描述输入是降维。

Lecture讲原理,Lab用Python练习,Assignment要求把数据处理、训练和预测串成完整程序。学习每种方法时,都按“输入是什么→要预测什么→怎样算→怎样评价”这条线走。

第 2 / 5 页

学习目标与成绩权重

第 2 / 5 页 原页

点击图片放大。

打开源文件

学习成果有四项:理解AI和机器学习基础;认识分类、回归、聚类、降维等方法;能为自动化问题选模型;能用Python实现并评价模型。

这些要求落实到行动,就是能读懂符号、算出小例子、解释方法选择,并写出可以加载模型和处理新数据的程序。

评估比例为作业40%、考试60%。例如作业70分、考试80分,总评计算为 0.4×70+0.6×80=28+48=76。作业部分包括编程等作业和最终展示。

第 3 / 5 页

考试、排课与课程主题

第 3 / 5 页 原页

点击图片放大。

打开源文件

考试形式是学期末2小时书面考试。排课分为9月1日至10月6日、10月20日至11月24日两个区间,中间是Reading Week。

课程主题按五层理解:AI基础→各类学习方法→状态监测与故障诊断→深度学习感知→Python工程实现。例如先理解分类边界,再写分类模型,最后判断它对新零件识别得怎样。

本页教室记为HW104,Updated Schedule记为HW103;上课地点查看课表的具体通知。

第 4 / 5 页

学习资料与课程规范

第 4 / 5 页 原页

点击图片放大。

打开源文件

Python工作流是:准备数据→划分训练与验证→训练模型→选择设置→测试并分析错误。训练负责学参数,验证负责挑选设置,测试负责报告最终表现。

参考资料覆盖AI总体方法、概率机器学习、深度学习与强化学习。读教材时,把它的符号与当前课件对应起来;例如损失是否除以样本数,会影响公式系数。

SFTL是课程教学反馈。作业规范包括按时提交、记录使用过的资料来源;报告中引用公式、图、方法或外部代码时,写清出处。

第 5 / 5 页

评估政策入口

第 5 / 5 页 原页

点击图片放大。

打开源文件

本页提供University Assessment Policy入口,用于查看大学评估政策。

返回总目录