1771515977
人工智能引论 ¶
Note
22 级开始从人工智能基础改名为了人工智能引论。原来的人工智能基础仍开课，面向的是非图灵班的同学（两门课教的内容和考的都差不多，差不多就是计逻和数逻的关系，所以最后复习的时候两门课程的相关资料都是可以参考的）。
课程学习内容 ¶
围绕吴飞老师的《人工智能导论：模型与算法》这本书讲解人工智能的领域的一些基础知识：逻辑推理、搜索求解、监督学习、无监督学习、深度学习、强化学习、博弈论等内容。22 级这本书只是作为参考，期末出题主要根据 PPT 出。不过事实上 PPT 内容和这本书内容差不多，PPT 例子更多一些，以及相较于书删减了一些复杂的内容。听说之后会出一本新书作为教材。
课程内容看似较多，但实际要求掌握、考试考的基本都是概念，重点在于理解以及背书。会有若干次实验（24 级有 9 次实验，其中前 4 次是必做实验，后 5 次选两次实验），均使用 python 语言，设计较为不合理，基本达到实验目标即可，不用太深究。在课程改名为人工智能引论之后，实验数量减少了，并且不需要写实验报告，可以说是一大改进。24 级的 9 次实验具体为：
- 用深度优先搜索求解八皇后问题的所有解
- 使用蒙特卡洛搜索算法实现一个下黑白棋的 AI
- 实现对手写数字的识别和垃圾分类（这个 lab 看起来很难，但事实上代码全都写好了，只需要调参数）
- 设计一个能够根据描述任务和调用 python 对输入 CSV 数据进行分析的智能体（实际上就是输入合适的 prompt 并让智能体能够执行正确的 python 代码）
- 使用 Deep Q-learning 算法实现自动走迷宫的机器人
- 实现特征人脸识别
- 实现一个中医辨证系统
- 大模型回答长度预测
- 壁仞实训——BIRENSUPA 编程入门
以下是一份比较简略的课程（考试）大纲，其中有部分课程内容没有被包含，主要是 8-10 章的内容，也不保证之后的大纲与此相同，仅供参考。
建议在系统复习一遍后过一遍大纲，看看有没有遗漏的知识点或者说不出来的概念。
课程内容大纲
- 介绍人工智能的发展现状等基本概论
- 逻辑与推理
- 逻辑，与、或、异或，全称量词、存在量词的消去、引入，这部分与离散数学知识重合
- 知识图谱推理：三元组，两个对象 + 关系，
- FOIL 算法，路径排序算法
- 原子命题，复合命题
- 推理手段，推导过程，谓词逻辑（关系）
- 概率图，贝叶斯有向，马尔可夫无向，局部马尔可夫性，概率计算
- 因果，混淆偏差（前因）、选择偏差（后果），干预，反事实
- 搜索求解
- 状态、动作、状态转移、路径 / 代价
- 搜索算法的时空复杂度、完备性、最优性
- 搜索算法的启发函数、评价函数
- 贪婪搜索，A* 搜索，可容性、一致性
- minmax 对抗、\(\alpha-\beta\) 剪枝
- 蒙特卡洛树搜索、\(\epsilon\) 贪心，UCB1，上限置信区间算法
- 机器学习
- 有监督、无监督学习的区别
- 3 个集的区别：训练集、验证集、测试集
- 3 种损失函数：均方差，交叉熵，0-1 损失
- 2 种风险：经验风险，期望风险
- 4 个率
- 准确率，错误率，精确率，召回率
- 精确率：被预测为 P 的里面真为 P 的
- 召回率：所有真 P 中被预测为 P 的
- F1 会算出来，精确率和召回率的调和平均
- logistic 非线性回归的计算，sigmoid,tanh,relu 的区别、特点
- k 均值聚类的步骤
- LDA 与 PCA 的区别与对比
- eigenface 的流程
- 深度学习
- 感知机与深度神经网络，全连接、反向传播、梯度下降
- Relu, sigmoid, softmax
- 反推某个变量分的梯度，要会推，反传，链式法则
- 池化层，会计算池化后向量大小，局部感知，参数共享，选择性感受野
- 梯度消失、梯度爆炸
- 循环神经网络，长短时记忆模型 LSTM
- 注意力，自注意力机制
- 正则化、过拟合、dropout
- 词向量的生成
- 强化学习
- 价值和奖励的区别辨析
- 监督学习、无监督学习、强化学习的横向对比
- 单步 vs 序贯性
- 离散马尔科夫链
- 奖励机制，折扣因子
- MDP 马尔可夫决策过程
- 轨迹、分段、持续问题、片段
- 策略函数、价值函数、动作 - 价值函数，贝尔曼方程
- 基于策略的和基于价值的强化学习区别
- DP 算法，蒙特卡洛算法、TD 算法
- Q 学习，怎样更新 Q 值，探索和利用
- DQN 引入的新机制
- actor-critic 算法
- 人工智能博弈
- 囚徒困境、最优解
- 纳什均衡。期望收益相同
- 虚拟遗憾最小化算法，例子：石头剪刀布
- 双边匹配，单边匹配
授课老师 ¶
老师人很好，尽管 22 级每次到课人数都是个位数还是把出勤分都给大家算满了，并且说如果对这门课 / 老师有什么意见欢迎跟她提出（虽然大概是没有人去提的）。讲课基本是在读 PPT。给分比较好，只要实验正常完成，平时分就能拿到比较高的分数。
上课是很认真地读 ppt，老师是教材的作者，因此对教授内容有自己比较详尽的解释，但语音语调挺催眠的。又因为 ppt 上教的和实验关系不大，会出现听懂了课上讲的内容但做实验摸黑的情况，且课上会时不时冒出“新书是怎么写出来的”“我的一个学生怎么怎么样”的题外话，所以大家不怎么爱听课。
整个学期点了两次名（一个一个叫名字，非电子点名，不会提前提醒），算入考勤分。实验分好像是根据实验网站的的一套评分逻辑给的，比如说黑白棋会根据和 ai 对战，以及学生的作业互相对战的结果评分。期末题考概念，所以答案比较确定，判卷应该没怎么放水。
杨易老师是国际上很有名的人工智能领域专家，有许多研究成果。他的课虽然挂名是杨老师，但是在 23-24 秋冬学期的 16 周课程中，本人只来上了 3 周的课（可能是因为比较忙），剩下的部分是其学生朱霖潮老师来讲授。总的来说，杨易老师讲课风趣幽默、引人入胜，朱霖潮老师讲课严谨认真、互动性强（实际上是他希望有互动，因为单纯讲课效果略催眠）。
在 23-24 秋冬学期的课程中，杨老师的课只正式点过（计入考核）一次名，是在倒数第三节课时提前提醒的，平常几乎不点名，同时实验课的助教也比较负责。期末考试之前会有一至两节复习课，给分方面反馈普遍还不错。
黄正行老师上课比较认真，经常会讲一些比较有趣的话，比如自己上的不如吴飞老师好，或者吐槽一下没什么人听课，然后说自己学生时代也不喜欢上课什么的。讲课内容基本上就是读 PPT，平时基本不点名，期末考试前最后一节课会从第一章开始简单过一遍划些重点，考前还会再次提醒哪些点比较重要，甚至考试过程中还会偶尔给点提示，给分也普遍反馈不错，感觉还是非常好的。
分数构成 ¶
出勤（5%）+ 实验（45%）+ 期末考试（50%）
参考笔记 ¶
- 中国大学 mooc 上「人工智能导论：模型与算法」课程测试题与答案：https://blog.csdn.net/a66666_/article/details/105123032
- xg 的复习笔记（都是概念抄书）：https://note.tonycrane.cc/cs/ai/basic/
学习建议 ¶
实验建议不要拖 ddl，尽早完成。实验设计基本都不怎么合理，体现在无从下手、测试不全等等方面。遇到问题了找助教或者和同学们讨论讨论。完成目标就可以了，不需要深究，不必要求结果达到完美，没必要在这种课程这种实验上浪费太多时间。
24 级期末考试是填空 + 单选 + 简答，具体分值的分布忘了。填空题基本就是 PPT 上的一段文字挖空填，会给备选项，类似完形填空；简答分为思考题和计算题两部分，思考题主要考概念，计算题主要考一些简单的计算，有不少是 PPT 上面的例子，复习的时候需要特别注意。特点是简答题每一问的分值都很小（2 分左右），最后应该是 8 道简答 8 道计算（力竭了
2026-02-19 Contributors
