本课程为计算机、软件、自动化、信息安全、电子信息、系统科学、心理学等学科研究生的专业核心课。本课程讲授和讨论人工智能前沿研究领域的主要思想、关键技术和典型应用。课程教学将从人工智能的内涵、本质出发，深入浅出地讲解了五十多年来人工智能的研究起起伏伏，让学生们理解历史上哪些研究至今还是重要的？判断哪类研究是没有意义的?从而悟出如何开展人工智能的研究，特别是如何应用。根据中科院研究生的特点，合理的精选了讲课内容。在全面、系统地掌握人工智能的基本概念、基本原理、典型方法的基础上，聚焦在当代人工智能的人工智能三个基本理论与方法：知识表示、推理、搜索，在此基础上，讲解人工智能的高级部分：近年来机器学习的若干理论和典型应用。
    通过本课程的学习，希望学生能了解人工智能前沿研究领域，了解人工智能最新研究成果，掌握基本思想和关键技术，培养学生人工智能研究能力，力争使学生在理解和掌握大纲所要求的知识内容的基础上，能正确地运用讲授的知识解决比较简单的实际问题。

第一章 人工智能综述
第二章 命题逻辑与一阶谓词逻辑
第三章 Herbrand定理与归结原理
第四章 产生式系统与搜索
第五章 知识表示
第六章 专家系统
第七章 符号机器学习
第八章 统计机器学习
第九章 概率图模型
第十章 深度学习
第十一章 在线机器学习
第十二章 集成机器学习
第十三章 大数据机器学习
第十四章 知识发现与数据挖掘
第十五章 人工智能的典型应用

[1] 人工智能(上下册)
–陆汝钤
–科学出版社, 1989, 1995
[2]  人工智能
–马少平，朱小燕
–清华大学出版社, 2004
[3] 人工智能及其应用
–蔡自兴，徐光祐
–清华大学出版社, 2007
[4] Artificial Intelligence: a new synthesis
–Nils J. Nilsson
–机械工业出版社, 1999
[5] Artificial Intelligence: A modern approach 
–Stuart Russell,Peter Norvig
–人民邮电出版社, 2004
[6] Neural Networks and Learning Machines
–Simon Haykin
–机械工业出版社, 2011
[7] The nature of statistical learning theory
–V N Vapnik
–Springer-Verlag New York, 2000
[8] Bayesian Reasoning and Machine Learning 
–Barber
–Cambridge University Press，2012
[9] Probabilistic Graphical Models
–Koller，Friedman
–MIT Press , 2009
[10] Pattern Recognition and Machine Learning 
–Bishop 
–Springer , 2006
[11] Elements of Statistical Learning 
–Hastie, Tibshirani , Friedman
–Springer , 2009
[12]  Yoshua Bengio, Learning Deep Architectures for AI, Foundations and Trends in Machine Learning, 2(1), 2009.