上海交通大学计算机科学与技术(专升本)：人工智能与大数据(13011)自学考试大纲(2026版)

上海交通大学计算机科学与技术(专升本)：人工智能与大数据(13011)自学考试大纲(2026版)

点此查看>>上海自考教材真题题库资料大全

第一部分 课程性质及其设置的目的和要求

《人工智能与大数据》课程(以下简称本课程)

一、本课程的性质与设置的目的

本课程是上海市高等教育自学考试计算机科学与技术专业(专升本)的选修课。本课程是计算机科学与技术专业课程体系中的一门学科基础课程，旨在使学生了解并掌握基本的大数据与人工智能技术相关知识。

(一)课程性质

理论性：课程内容涉及大量的理论知识，包括大数据的概念、产生、发展、作用、特点等基础知识，以及人工智能的概念、分类、发展、应用场景等。

实践性：除了理论学习外，课程还强调实践操作技能的训练，如大数据处理流程(采集、预处理、存储、分类与挖掘、可视化)和机器学习算法的应用。

广泛性：知识面广泛，涵盖了云计算的体系结构、数据可视化方法、数据分析操作等多个方面。

(二)设置的目的

培养基本能力：通过学习本课程，学生应掌握人工智能的一个问题和三大技术，即通用问题求解和知识表示技术、搜索技术、推理技术。同时，还应了解大数据的总体框架和关键技术，能够进行大数据平台搭建和数据分析操作。

提升综合素质：课程旨在培养学生的创新精神和实践能力，使其能够运用所学知识解决实际问题。通过结合实际案例的学习，学生可以更好地理解大数据和人工智能的理念，并掌握一些相关的技术和应用。

满足专业需求：作为计算机科学与技术专业的一门学科基础课程，《人工智能与大数据》对于培养学生的专业素养和技能具有重要意义。它为学生后续学习更高级的课程和从事相关工作奠定了坚实的基础。

总的来说，本课程的性质既注重理论知识的传授，又强调实践技能的培养;其设置的目的在于全面提升学生的专业素养和综合能力，以满足计算机科学与技术领域对人才的需求。

二、本课程的基本要求

《人工智能与大数据》课程的基本要求主要包括以下几个方面：

(一)掌握基本概念和理论

学生需要了解并掌握大数据与人工智能的基本概念、发展历程和当前现状。这包括对大数据的定义、特点、产生方式及其在现代社会中的作用有清晰的认识，同时对人工智能的定义、分类、学派以及其发展历史有系统的了解。

对于深度学习这一人工智能的重要分支，学生应掌握其基本概念，理解深度卷积神经网络的基本理论方法，并了解常用的网络结构。

(二)具备实践操作技能

能够进行大数据处理流程的操作，包括数据的采集、预处理、存储、分类与挖掘以及可视化。这意味着学生不仅要理解这些步骤的理论原理，还要能够熟练使用相关的工具和技术进行实际操作。

掌握深度学习在计算机视觉和通信领域的相关应用，能够运用所学知识解决实际问题。

(三)培养创新精神和综合素质

课程旨在培养学生的创新精神，鼓励学生在学习过程中不断探索新的知识和技术，勇于尝试解决新的问题。

同时，课程还注重提升学生的综合素质，包括逻辑思维能力、分析问题和解决问题的能力、团队协作能力等。

(四)达到考试大纲要求

学生需要按照考试大纲的要求，识别和记忆人工智能与大数据的主要内容，如定义、特点、原则、规律、模型、原理等，并能做出正确的表述、判断和选择。

对于指定的教材，学生应认真学习并掌握其中的重点内容。

综上所述，本课程的基本要求涵盖了理论知识的掌握、实践技能的培养、创新精神和综合素质的提升以及满足考试大纲的要求等多个方面。通过学习本课程，学生可以全面了解大数据与人工智能的基本概念和发展现状，掌握相关的技术和方法，并具备运用所学知识解决实际问题的能力。

三、与相关课程的联系与区别

本课程和计算机科学与技术专业其他相关课程的联系与区别如下：

(一)联系：

这些课程共同构成了计算机科学与技术专业的知识体系。例如，程序设计类课程(如C 语言、Java 等)为人工智能与大数据的开发提供了编程语言的基础; 《数据结构与算法》课程为处理大规模数据和构建高效的人工智能模型提供了理论和方法支持;《操作系统》课程有助于理解大数据平台在操作系统层面的运行机制等。

课程都强调培养学生的实践能力和创新精神。通过实践操作和项目案例，让学生将理论知识应用到实际问题的解决中。

(二)区别：

本课程专注于大数据技术与人工智能技术的结合，重点研究如何利用大数据进行人工智能的训练、优化和应用，包括数据的采集、存储、分析、挖掘以及人工智能算法的选择和使用等。例如深度学习在计算机视觉和通信领域的应用等内容是其特色。

程序设计类课程：侧重于编程语言的学习和应用，培养学生的编程能力和软件开发技能。

《数据结构与算法》课程：主要关注数据的组织形式和算法的设计、分析，提高学生的逻辑思维和问题解决能力。

《操作系统》课程：着重讲解操作系统的原理、功能和管理方法，使学生了解计算机系统的运行机制和资源管理方式。

总之，本课程与其他相关课程既相互独立又紧密联系，共同为培养具备扎实专业知识和技能的计算机科学与技术人才提供保障。

四、课程的重点与难点

本课程的重点与难点如下：

(一)重点：

基本概念和理论：掌握大数据与人工智能的基本概念、发展历程和当前现状。

了解大数据的定义、特点、产生方式及其在现代社会中的作用，对人工智能的定义、分类、学派以及发展历史有系统的认识。对于深度学习这一重要分支，要掌握其基本概念，理解深度卷积神经网络的基本理论方法，并了解常用网络结构。

数据处理流程：熟悉大数据处理的整个流程，包括数据的采集、预处理、存储、分类与挖掘以及可视化等环节。能够运用相关的技术和工具进行数据的有效处理和分析。

算法应用：掌握常见的机器学习算法和深度学习算法，如决策树、支持向量机、神经网络等，并能根据实际问题选择合适的算法进行模型的训练和应用。

实践操作：具备一定的实践操作能力，能够通过实际操作来加深对理论知识的理解。例如使用大数据平台进行数据分析，利用人工智能算法解决实际问题等。

(二)难点：

理论知识的理解：大数据与人工智能涉及到的理论知识较为复杂，包括数学、统计学、计算机科学等多个领域的知识。学生需要花费大量的时间和精力来理解和消化这些理论知识，尤其是一些抽象的概念和算法原理。

技术的应用：将理论应用到实际问题的解决中是本课程的难点之一。学生需掌握各种大数据技术和人工智能技术，并能够根据实际需求选择合适的技术进行应用。同时，技术的不断发展和更新也要求学生具备持续学习和自我提升的能力。

项目实践：课程中的项目实践环节对学生的综合能力提出了较高的要求。学生需要在项目中运用所学的知识和技术，完成从数据采集、处理、分析到结果展示的整个过程。这不仅需要学生具备扎实的专业知识，还需要具备良好的团队合作能力、问题解决能力和创新能力。

深度学习的理解和应用：深度学习是人工智能领域的重要技术，但其理论和方法相对复杂，难以理解和掌握。学生需要深入学习深度学习的原理和方法，并通过大量的实践来提高应用能力。

第二部分 课程内容与考核目标

第一章 绪论

一、学习目的和要求

通过本章的学习，了解大数据与人工智能的基本概念、发展历程、基本特征、典型应用等。了解大数据与人工智能面临的机遇与挑战。

二、课程内容

第一节 日益增长的数据

一、大数据基本概念

二、大数据发展历程

三、大数据的特征

四、大数据的基本认识

第二节 人工智能

一、认识人工智能

二、人工智能的派别与发展史

三、人工智能的现状和应用

四、当人工智能遇上大数据

三、考核知识点与考核要求

(一)大数据

识记：大数据的基本概念和特征。

领会：大数据的发展历程和基本内容。

简单应用：大数据的特征分析。

综合应用：大数据框架。

(二)人工智能

识记：人工智能的概念。

领会：人工智能的派别与发展史、现状与应用。

简单应用：掌握人工智能不同派别的区别。

综合应用：掌握人工智能与大数据的关系。

四、本章重点、难点

重点：大数据的特征;大数据的结构分析。

难点：半结构化数据;非结构化数据。

第二章 数据工程

一、学习目的和要求

通过本章的学习，掌握数据工程的一般流程、主要方法;掌握数据的获取、存储、数据仓库、预处理、模型构建与评估、可视化等过程的主要概念、方法、流程、工具等内容。

二、课程内容

第一节 数据的多样性

一、数据格式的多样性

二、数据来源的多样性

三、数据用途的多样性

第二节 数据工程的一般流程(不考)

第三节 数据的获取

一、数据来源

二、数据采集方法

三、大数据采集平台

第四节 数据的存储与数据仓库

一、数据存储

二、数据仓库

第五节 数据的预处理技术

一、数据预处理的目的

二、数据清理

三、数据集成

四、数据交换

五、数据归纳

第六节 模型的构建与评估

一、模型的构建

二、评价指标

第七节 数据的可视化

一、可视化的发展

二、可视化工具

三、考核知识点与考核要求

(一)数据的多样性

识记：数据的多样性的各种概念。

领会：数据的多样性的原因。

简单应用：大数据的主要用途。

综合应用：以具体实例，分析数据的多样性。 (二)数据的获取、存储与数据仓库

识记：数据来源、采集和存储的含义。

领会：采集方法、采集平台和存储仓库。

简单应用：数据仓库的特点。

综合应用：采集平台的运行环境。 (三)数据的预处理技术

识记：数据预处理的概念。

领会：数据预处理的目的。

简单应用：数据归一化的方法。

综合应用：数据归约的策略。 (四)模型的构建与评估

识记：数据模型的概念。

领会：数据模型的评价指标。

简单应用：分类评价的方法。

综合应用：回归评价指标的数学原理。

(五)数据的可视化

识记：数据可视化的概念。

领会：数据量的提升对可视化工具的要求。

简单应用：可视化工具的涵盖类别。

综合应用：D3.js 和 Gephi 可视化工具的应用场景与技术优势。

四、本章重点、难点

重点：数据的采集;数据的存储;数据的预处理;模型构建。

难点：数据的预处理;模型构建。

第三章 大数据框架

一、学习目的与要求

通过本章的学习，理解并掌握大数据分析平台Hadoop 的基本概念、发展历程、主要组件、运行机制、相关技术、安装配置基本原理等;理解并掌握 MapReduce编程主要过程与方法;理解与掌握 Spark 基本概念、主要组件与运行机制、安装配置基本过程;理解并掌握 Storm基本概念、主要组件与运行机制、安装配置基本过程;理解并掌握 Flink 基本概念、主要组件与运行机制、安装配置基本过程。

二、课程内容

第一节 Hadoop 简介

一、Hadoop 的由来

二、MapReduce 和 HDFS

第二节 Hadoop 大数据处理框架

一、HDFS 组件与运行机制

二、MapReduce 组件与运行机制

三、YARN 框架和运行机制

四、Hadoop 相关技术

五、Hadoop 的安装

第三节 MapReduce 编程

一、MapReduce 综述

二、Map 阶段

三、Shuffle 阶段

四、Reduce 阶段

第四节 Spark 简介

一、Spark 概述

二、Spark 基本概念

三、Spark 生态系统

四、Spark 组件与运行机制

五、Spark 的安装

第五节 Storm 简介

一、Storm 概述

二、Storm 组件和运行机制

三、Storm 的应用

四、Storm 的安装

第六节 Flink 简介

一、Flink 概述

二、Flink 组件和运行机制

三、Flink 的应用

四、Flink 的安装和实例讲解

三、考核知识点与考核要求

(一)Hadoop 简介与大数据处理框架 识记：Hadoop 生态的发展与形成。领会：相关框架、组件与运行机制。简单应用：SSH 服务的安装。

综合应用：Hadoop 的安装与验证。 (二)MapReduce

识记：MapReduce 的概念。

领会：MapReduce 的各流程阶段。

简单应用：MapReduce 各阶段的编码实现。

综合应用：使用 MapReduce 框架实现文本单词计数。

(三)Spark

识记：Spark 的概念。

领会：Spark 生态系统。

简单应用：Spark 及其组件的安装。

综合应用：使用 Spark 框架实现文本单词计数。

(四)Storm

识记：Storm 的概念。

领会：Storm 的组件和运行机制。

简单应用：Storm 相关组件的安装。

综合应用：Storm 的参数配置与拓扑验证。

(五)Flink

识记：Flink 的概念。

领会：Flink 的组件和运行机制。

简单应用：Flink 的环境与组件的安装。

综合应用：Flink 单词计数实例的运行。

四、本章重点、难点

重点：大数据框架的概念以及主流大框架的发展。

难点：主流大框架的运行和使用。

第四章 机器学习算法

一、学习目的与要求

通过本章的学习，理解并掌握机器学习主流算法的基本概念、基本原理、主要思想、典型应用。

二、课程内容

第一节 机器学习绪论

一、机器学习基本概念

二、评价标准

三、机器模型的数学基础

第二节 决策树理论

一、决策树模型

二、决策树的训练

三、本节小结

第三节 朴素贝叶斯理论

第四节 线性回归

第五节 逻辑斯蒂回归

一、二分类逻辑回归模型

二、二分类逻辑斯蒂回归的训练

三、Softmax 分类器

四、逻辑斯蒂回归和 softmax 的应用

五、本节小结

第六节 支持向量机

一、间隔

二、支持向量机的原始形式

三、支持向量机的对偶形式

四、特征空间的隐式映射：核函数

五、支持向量机拓展

六、支持向量机的应用

第七节 集成学习

一、基础概念

二、Boosting

三、Bagging

四、Stacking

第八节 神经网络

一、生物神经元和人工神经元

二、感知机

三、BP 神经网络

四、Sklearn 中的神经网络

五、本节小结

第九节 聚类

一、聚类思想

二、性能计算和距离计算

三、原型聚类

四、密度聚类

五、层次聚类

六、Sklearn 中的聚类

七、本节小结

第十节 降维与特征选择

一、维数爆炸与降维

二、降维技术

三、特征选择技术

四、Sklearn 中的降维

五、本节小结

三、考核知识点与考核要求

(一)机器学习

识记：机器学习的基本概念。

领会：机器学习的评价标准。

简单应用：机器学习的几何模型。

综合应用：机器学习的概率模型。 (二)决策树

识记：决策树的概念。

领会：决策树的模型。

简单应用：决策树的训练方法。

综合应用：决策树的剪枝处理。

(三)朴素贝叶斯理论与回归

识记：朴素贝叶斯理论、线性回归的基本概念。

领会：逻辑斯蒂回归模型。

简单应用：逻辑斯蒂回归模型的二分类方法。

复杂应用：Softmax 分类器的原理与应用。

(四)支持向量机

识记：支持向量机的概念。

领会：支持向量机的原始形式与对偶形式。

简单应用：核函数的原理与应用。

综合应用：支持向量机的多分类应用。 (五)集成学习

识记：集成学习的基本概念。

领会：主流类型集成学习的构成。

简单应用：Boosting 的加性模型。

综合应用：随机森林算法。

(六)神经网络

识记：神经网络的基本概念。

领会：生物神经元与人工神经元的关系。

简单应用：感知机模型结构与算法原理。

综合应用：BP 神经网络模型结构与算法原理。 (七)聚类

识记：聚类的概念和思想。

领会：性能计算和距离计算等算法的原理。

简单应用：原型聚类算法的原理与特点。

综合应用：密度聚类算法的原理与特点。 (八)降维与特征选择

识记：维数爆炸与降维。

领会：特征选择的主要方法。

简单应用：PCA 技术原理与算法流程。

综合应用：LDA 技术原理与算法流程。

四、本章重点、难点

重点：主要机器学习算法的数学原理。

难点：神经网络的实现方法。

第五章 深度学习简介

一、学习目的与要求

通过本章的学习，理解神经网络与深度学习之间的关系;理解并掌握卷积神经网络、循环神经网络、生成对抗网络的基本原理、网络结构与实现过程。

二、课程内容

第一节 从神经网络到深度神经网络

一、深度学习应用

二、深度神经网络的困难

第二节 卷积神经网络

一、卷积神经网络的生物学基础

二、卷积神经网络结构

第三节 循环神经网络

一、循环神经网络简介

二、循环神经网络结构

第四节 生成对抗网络

一、生成对抗网络简介

二、生成对抗网络结构

三、考核知识点与考核要求

(一)神经网络、深度神经网络和卷积神经网络

识记：神经网络和深度神经网络的概念。

领会：卷积神经网络的发展。

简单应用：卷积神经网络中局部感知、参数共享、池化的原理与作用。

复杂应用：LeNet-5 的网络结构。

(二)循环神经网络

识记：循环神经网络的概念。

领会：循环神经网络的结构。

简单应用：循环神经网络的主要应用领域。

综合应用：循环神经网络的演化模型。

(三)生成对抗网络

识记：生成对抗网络的概念。

领会：生成对抗网络的生成器与判别器。

简单应用：生成对抗网络的训练原理。

综合应用：ALI/BiGAN 网络结构。

四、本章重点、难点

重点：神经网络与深度学习的概念以及主流神经网络理论的发展。

难点：主流神经网络的结构和简单运用。

第六章 强化学习简介

一、学习目的与要求

通过本章的学习，理解强化学习的概念;理解其与机器学习的区别;掌握有限马尔可夫决策过程、动态规划、时序差分学习、策略梯度学习的基本概念、原理与实现。

二、课程内容

第一节 有限马尔可夫决策过程

一、 目标和奖励

二、回报和分幕

三、策略和值函数

四、最优策略和最优状态值函数

第二节 动态规划

一、策略评估

二、策略改进

三、策略迭代

四、价值迭代

第三节 时序差分学习

一、时序差分预测

二、TD(0)学习

三、Sarsa 算法

四、Q 学习算法

第四节 策略梯度方法

一、策略梯度定理

二、蒙特卡罗策略梯度

三、"Actor-Critic"方法

第五节 深度强化学习

一、深度 Q-learning

二、深度确定性策略梯度

三、考核知识点与考核要求

(一)有限马尔可夫决策过程

识记：有限马尔可夫决策过程的概念。

领会：策略与值函数。

简单应用：最优策略与最优状态值函数的数学实现。

综合应用：最优策略的算法流程。

(二)动态规划

识记：动态规划的概念。

领会：策略评估、策略改进、策略迭代、价值迭代等过程的数学基础。

简单应用：策略评估、策略迭代、价值迭代等过程算法流程实现。

综合应用：运用动态规划思想解决方格世界实际问题。 (三)时序差分学习

识记：时序差分学习的概念。

领会：相关基本算法的数学基础。

简单应用：相关基本算法的流程。

综合应用：Q-learning 算法与 Sarsa 算法的异同。

(四)策略梯度方法

识记：策略梯度定理。

领会：策略梯度学习的特点。

简单应用：蒙特卡罗策略梯度的算法流程。

综合应用："Actor-Critic "方法流程。

(五)深度强化学习

识记：深度 Q-learning 的价值意义。

领会：深度 Q-learning 与 Q-learning 的关系和异同。

简单应用：深度 Q-learning 的算法流程。

综合应用：深度确定性策略梯度的流程实现。

四、本章重点、难点

重点：强化学习的概念以及主流强化学习理论的发展。

难点：主流强化学习的简单运用。

第七章 数据分析实例(不考)

第三部分 有关说明与实施要求

一、关于考核目标的说明

本大纲在考核目标中，按照"识记 "、"领会 "、"简单应用 "、"综合应用 "四个能力层次规定其应达到的能力层次要求。各能力层次为递进等级关系，后者必须建立在前者的基础上，其含义是：

识记：能知道有关的名词、概念、知识的含义，并能正确认识和表述，是低层次的要求。

领会：在识记的基础上，能全面把握基本概念、基本原理、基本方法，能掌握有关概念、原理、方法的区别与联系，是较高层次的要求。

简单应用：在领会的基础上，能运用本课程中的基本概念、基本方法中的少量知识点，分析和解决有关的理论问题和实际问题。

综合应用：要求在简单应用的基础上，能运用学过的本课程的多个知识点，综合分析和解决比较复杂的问题，是最高层次的要求。

二、关于自学教材的说明

1 、指定教材

《大数据与人工智能导论(第二版)》，姚海鹏等著，人民邮电出版社，2020.11 2 、参考教材

《大数据分析与算法》，毕冉翻译，机械工业出版社，2019.11

三、 自学方法指导

1 、在开始阅读指定教材某一章之前，先翻阅大纲中有关这一章的考核知识点及对知识点的能力层次要求和考核目标，以便在阅读教材时做到心中有数，有的放矢。

2 、阅读教材时，要逐段细读，逐句推敲，集中精力，吃透每一个知识点，对基本概念必须深刻理解，对基本理论必须彻底弄清，对基本方法必须牢固掌握。

3 、在自学过程中，既要思考问题，也要做好阅读笔记，把教材中的基本概

念、原理、方法等加以整理，这可从中加深对问题的认知、理解和记忆，以利于突出重点，并涵盖整个内容，不断提高自学能力。

四、对社会助学的要求

1 、应熟知考试大纲对课程提出的总要求和各章的知识点。

2 、应掌握各知识点要求达到的能力层次，并深刻理解对各知识点的考核目标。

3 、辅导时应以考试大纲为依据，指定的教材为基础，不要随意增删内容，以免与大纲脱节。

4、辅导时应对学习方法进行指导，宜提倡"认真阅读教材，刻苦钻研教材，主动争取帮助，依靠自己学通 "的方法。

5 、辅导时要注意突出重点，对考生提出的问题，不要有问即答，要积极启发引导。

6 、注意对应考者能力的培养，特别是自学能力的培养，要引导考生逐步学会独立学习，在自学过程中善于提出问题，分析问题，做出判断，解决问题。

7 、要使考生了解试题的难易与能力层次高低两者不完全是一回事，在各个能力层次中会存在着不同难度的试题。

8 、助学学时：本课程共 6 学分，建议总课时 128 学时，其中助学课时分配如下：

五、关于考试命题的若干规定

1 、本大纲各章所提到的内容和考核目标都是考试内容。试题覆盖到章，适当突出重点。

2 、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%。

3 、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分数占比一般为：易 20% 、较易 30% 、较难30% 、难 20%。

4 、本课程命题的一般题型有：单项选择题、多项选择题、填空题、简答题、综合题等。

5、笔试采用闭卷考核方式，考试时间 150 分钟，按百分制计分，60 分及格。

考试时不可以使用计算器。

附录：题型举例

题型一：单项选择题

1.不属于公认的人工智能派别的是 ( )

A. 符号主义 B. 连接主义 C. 行为主义 D. 思想主义

题型二：多项选择题

1.关于人工智能中的行为主义学派，描述正确的说法有 ( )

A. 强调通过符号逻辑和推理来模拟人类智能，关注知识表示和问题求解

B. 主张通过模拟人脑神经元网络结构来实现智能，注重并行分布式处理

C. 从生物对环境的适应角度出发，将智能建模为基于"感知-行动 "的适应性行为控制

D. 认为智能是通过奖励和惩罚机制来强化行为，从而实现学习和适应

E. 主张通过模拟生物进化过程，使用遗传算法和进化策略来优化智能系统

题型三：填空题

1.人工智能派别中，连接主义是从 的角度出发，通过算法模拟人类的神经元活动。

题型四：简答题

1.简述人工智能派别中的行为主义。

题型五：综合题

1. 比较人工智能的主要 3 个派别的区别。