人工智能
课程信息
| 课程名称／课程号 | 适用范围与修读要求 |
|---|---|
| 人工智能 CS3022F |
慧能 · 25级及以前 专业必修 |
课程内容
分数构成
以下为原投稿记录，具体比例按任课教师、授课学期分别参考。
- 平时作业35分，课堂考勤5分，期末考试60分
- 一共设置五个实训题目，在智海-Mo完成
课程大纲
展开查看
人工智能发展历史与课程内容介绍： 人工智能的起源、可计算载体:形式化与机械化、智能计算方法、课程授课内容介绍
逻辑与推理：
- 命题逻辑、谓词逻辑、FOIL归纳推理
- 因果推理(辛普森悖论、干预的因果效应、反事实模型)
搜索求解：
- 搜索算法基础、启发式搜索(贪婪最佳优先搜索和A*搜索)
- 对抗搜索(最小最大搜索、alpha-beta剪枝算法)、蒙特卡洛树搜索
统计机器学习:监督学习：
- 机器学习基本概念、回归分析、决策树
- 线性判别分析、Ada Boosting
统计机器学习:无监督学习：
- K均值聚类、主成分分析、特征人脸方法
- 潜在语义分析、期望最大化算法
深度学习：
- 前馈神经网络、感知机模型、卷积神经网络
- 循环神经网络、深度学习在NLP和视觉应用
强化学习：
- 强化学习基本概念
- 策略优化与策略评估
人工智能博弈：
- 博弈论的相关概念、博弈策略求解
- 博弈规则设计
考试范围
以下为所链接历史资料的考试范围，当前教学班以当期通知为准。
如下内容不纳入期末考试:
第1章 绪论（全部章节内容）
第2章 逻辑与推理 - 2.4 因果推理
第3章 搜索求解 - 3.2.4 A*算法性能分析 - 3.3.3 Alpha-Beta 剪枝算法性能分析
第4章 机器学习: 监督学习 - 4.6 支持向量机 - 4.7 生成学习模型
第6章 深度学习 - 6.5 深度生成学习
第7章 强化学习 - 7.3 基于策略的强化学习 - 7.4 深度强化学习的应用
第8章 人工智能博弈 - 8.2 博弈策略求解
第9章 人工智能未来发展和趋势（全部章节内容）
- 考试分数构成: 平时作业35分, 课堂考勤5分, 期末闭卷线上考试60分。
- 考试题型: 填空题、单选题、多选题、计算题、简答题、分析题。不用准备和使用计算器(因为题型中没有需要使用计算器的题目)、可准备1张或2张白纸作为草稿纸(是否准备草稿白纸需要核对线上考试系统要求而最终决定)。
课程资源
资源文件
建议搜索关键词：计院人工智能
2021-2022春夏 人工智能 回忆卷 By chh_chhh
学习笔记
学习建议
来源: https://www.cc98.org/topic/5646555
这学期人工智能课程选的王东辉老师的，上课考试地点都在紫金港。
老师人比较好说话，还亲切的问我为什么坐最后面，是为了吹空调吗
到课率没有要求，平时不来不扣分，快期末的时候签了三次到，签到的有加分。
课程实验情况，应该不查重。（老师上课说过：“这个课程实验平台的实验都是从网上搬来的，你们要是善于利用搜索引擎，实验应该不难。”）
给分情况：非常好。
考试相关：
改成中文卷子之后题量增多，但是难度下降，大多数是一眼看出来的题目。考试前老师会给整合版的ppt，就是考试范围内容，大概几百页，ppt要重视，很多考点都是ppt上原话。有些填空题会给备用选项，有些不会！所以想考好，ppt上的概念一定要记清楚，即便是很简单的概念。比如我考试经验风险，期望风险愣是只记得期望两个字了。大题没给公式，要是不熟悉公式和概念，要用就一脸懵了。
总结就是，ppt很重要，上面的概念会背，算法弄懂并且记得基本公式，ppt上的总结性语句很可能就是考点。
复习的话建议版搜人工智能+看中国大学mooc上吴飞老师的视频+ppt。因为ppt内容比mooc上多而吴飞老师讲的通俗易懂。
来源: https://www.cc98.org/topic/5643195
课程体验：5分(满分10分) 速成难度：3分(满分10分)
基本上算是一门通识课，课程作业是在mo平台上做6个有意思的小lab，代码量都不太大，都做完可以对很多方向都有所了解，作为一门通识课在我看来是非常过关的。吴飞老师人很好，虽然说了几次点名，最终也只点了一次，给分非常好，出分的时候我甚至不知道我的卷子是怎么给出来这么多分的。
考前会发考试范围，复习思路就是把涉及到的ppt都看一遍，其中会有一些算法写的比较晦涩，需要自己额外寻找资料来看懂。具体的题型可以看看回忆卷，今年相较于往年题量也上升了不少。大题主要就是考察算法，和网络结构这些，把每章的重点内容搞懂就能做出来的。填空题考的非常细致，可以考到ppt的每一个角落。因此建议的复习策略是，第一遍过ppt时把所有算法搞懂，第二遍的时候把涉及考试范围的每一页ppt的每一个字都看过去，千万别想着这页很简单就跳过，有可能就错过了某个考点。
考核要求：
课程考核分为签到+编程作业+期末，分别所占比例为5+25(35)+70(60)。
作业内容：
编程作业在mo.zju.edu.cn上完成，共有5个左右，内容包括八皇后问题、黑白棋、K-means异常检测、手写数字识别与垃圾分类、机器人自动走迷宫等，当然每届可能不一样。可以看出作业内容涵盖了无监督学习、监督学习、强化学习、优先搜索等多类知识，如果事先没有相关知识储备可能有些难以上手，但是整体难度并不高，具体得分会由系统评分和助教给出。
以下简要给出作业心得：
1）八皇后问题，经典回溯法，教程众多，可以自行搜索学习；
2）黑白棋，应用蒙特卡洛树搜索下黑白棋，战胜系统和其他同学的算法。理论和编程有些难度，相关资源也相对较少，b站和CSDN有一些资源，但印象中可能有误，需要甄别，建议能看伪代码的同学按照伪代码敲。要想得高分，需要在基础的实现上考虑剪枝等操作；
3）K-means异常检测，基础的K-means，要求分类准确，印象中满分是5类，但是基本大家只能分4类；
4）手写数字识别与垃圾分类，一个简单的深度学习任务，识别准确即可，我最后的准确率大概是90%多，需要做一些原始数据的调整和增强；
5）机器人自动走迷宫，用深度强化学习，难度不大。Github上有部分类似的作业被开源，也可以参考人家的优化思路。作业虽按照准确率打分，但不建议过分追求，整体分数差距不会很大。
教学内容：
教学以理论为主，内容广泛，包括逻辑、搜索、监督/无监督学习、强化学习、博弈论等。如果是小白听起来可能有些无聊，但如果是有实践经验的同学，相信听一些理论知识是会有帮助的。建议在上课时按照自己的需求听，例如我对Transformer的网络架构有一些疑惑，则可以重点关注深度学习这部分内容，其余的例如逻辑部分，如果自己暂时用不太到，大致了解即可。我上的是范鹤鹤老师的课，老师人很好，课间也有很多同学交流自己科研中碰到的一些问题，课上回答问题也会有小零食。
考试内容：
考试闭卷，考一些理论知识，内容广而细，所以需要对部分内容进行一些背诵。复习时间因自身的基础情况而异，但是一两天基本足够了。复习时需要重点关注书中提到的算法，要十分清楚这些算法的流程，会考大题让你计算，比如卷积神经网络卷积后的数据维度，Q学习迭代几步后的结果，A*算法是怎么搜索的等等。其他的比如算法的性质等大多是填空题，眼熟即可。考试历年卷98上有一些回忆可以参考，搜索时注意课程名称和开课学院。考试的分数对绩点起非常大的影响。
其他建议：
人工智能个人建议大家从实践中学习，代码从来不是重点，重点是判断这个任务需要采取什么方法比较合适，如何进行调参提高算法的能力，这些都需要一定的经验。同时理论也是非常重要的，忽视理论很难做有价值的创新，这部分需要时常翻看教材或者相关论文，也建议大家亲自从零开始手写一些算法，或者推导数学公式。