本课程是计算机科学与技术学院计算机应用技术方向的专业基础课。授课内容符合课程简介，没有具体使用哪本教材，主要按照老师的PPT。

关于课程内容，我本人并不研究人工智能方向，因此有一些内容仍属第一次了解。与科大本科的人工智能课程相比，内容主题有重叠，但重叠部分也会有不同的理解视角。李金龙老师能够站在一个更高的层次上将课上涉及到的主题内容串联起来。在前两节课上介绍的知识脉络，第一次听可能不以为然，但实际上是贯穿整门课程的引子，在复习时有很好的提纲挈领之作用。

关于课程作业，是两次开放性质的报告。第一次要求对一个实际问题形式化为一个搜索问题，并给出其解法；第二次要求调研一篇近年来梯度下降领域的研究。从最低要求来看，作业的负担是很轻的。

关于期末考试，形式为闭卷，题型有填空题、判断题、简答题和计算题。会涉及到讲授内容的概念以及一些算法的使用和简单分析，难度因人而异。在复习时一定要注重基本概念的理解和重要式子的记忆（比如常见的三种激活函数及其大致图像）。另外李金龙老师应该是每次都会重新出题。

总的来看，李金龙老师这门课程很好的完成了课程简介中的任务，让我对人工智能现今发展的方向有了大致了解。本课程没有任何程序设计，因此如果想了解某一个方向更细节的内容，建议去选修对应的课程。

这里将我复习时总结的大纲上传：NotesOnAI.pdf。这篇大纲基本是PPT中的内容，但是也加入了我个人的理解和一些其余资料，同时也有略去的部分（但不代表略去的就不考，比如今年填空考察了LSTM的几个门）。如果是在浏览一遍PPT之后在看这个大纲，或许能有一些效果。

-----------------------------

在这一部分试着回忆一些今年的考试试题：

计算题：贝叶斯网络表格的构建与条件概率的计算；常见激活函数及其图像；CNN卷积核应用到矩阵的卷积计算；简单马尔可夫决策过程上的策略评估计算

涉及到的概念（于填空题、判断题和简答题）：泛化能力的概念；马尔可夫决策过程中的概念和贝尔曼方程；LSTM门；决策树叶子结点的数目性质；启发式算法和贪婪算法的关系

还有等等内容，现在已经忘记。

赞同下面那位同学的话，我也是课程全来，作业全做，复习充分，考试自我感觉答的不错，结果出分后一塌糊涂，也不知道为什么。一通操作猛如虎，一看分数不到75。

不知道我们的试卷和楼里面90多分的大佬试卷差多少，怎么我们没有被李金龙老师抬呢？

课程全来，作业全做，复习充分，考试自我感觉答的不错，结果出分后一塌糊涂，也不知道为什么。一通操作猛如虎，一看分数不到75。

ps：我真是会谢，之前有评论说“如果不熟悉人工智能相关，上课也不想听的，那很难拿不错的分数，但是可能可以被奶到75，除非签到也不在”，我是熟悉人工智能相关，上课听，作业做，结果没到75。

先声明：没选过这课，一般通过路人，刚看到某群里讨论这课所以来给大家分享一下高分经验。

评价完全跟踪平均值。

（2023.12： 跟踪平均值到7）

聊天记录里涉及争吵的已经全部过滤，ID全部打码，头像全部抹去，没有拱火的意思（

金龙老师上课讲得比较慢, 所以我没有花太多时间听课, 不过ppt挺好理解的, 配合教材完成自学应付期末考试没有太大问题.

整个学期唯二的两次作业, 一次是练习题, 一次是开放性质的问题探究, 不需要花太多时间. 整个学期也只有一次签到.

感到痛苦的还是课程覆盖的内容比较广, 从搜索问题一路到马尔可夫, 贝叶斯网络, 博弈论, 强化学习等等, 好好消化, 可以对机器学习领域建立起一个提纲挈领的映像, 但偏偏考试的时候老师喜欢在填空题考察一些从不知名的角落挖出来的知识点, 即使花了10天左右的时间复习(预习), 在一些问题上还是一脸懵逼. 不过总得来说还是比较推荐的. 出分后再追评

95+, 不枉我复习10天, 直接给满(感动哭

给分普遍很好的课，说是高级人工智能，感觉更偏向传统的机器学习领域，花了很大的篇幅讲搜索。各个方面大部分都是点到为止。作业很少,只有两次作业，考试也不太需要花很多时间准备。

课程网站链接如下，想选课的同学可以参考： 222.195.93.99:82/#/homepage

这门课程在本学期进行了改革，降低了考试难度，基本只考了简单的概念题，大家基本都是提前交卷。另外给分很好，这也是课程风评转好的原因。

说回课程，老师以搜索为框架，沿着这条线从传统搜索讲起，一直到最后的深度学习，把近几十年的人工智能进行了串讲。奈何老师上课十分催眠，基本没听过。考前速通看了一遍PPT，不得不承认，老师其实是有自己的讲课想法和脉络的，从PPT可以看出老师是花了心思的（至少主题明确）。然而这门课其实并不人工智能，甚至于主要重心在于过去很长一段时间的人工智障发展阶段，对于近几年的热点却很少涉及，这是一个缺憾。另外这门课只是科普性质，如果你试图从中深入学到一些什么还是算了，但这个性质也决定了它天然适合考前速成。（如果非人工智能方向的同学选了课，也许会有一定收获）

课程基本没有作业，但是会点名，限时做题并上交，所以还是需要去随堂上课（但可以不听）。还有课堂调研报告，一些内容老师不会讲，由大家上课自主完成。当然在AIGC的时代，这个任务基本工作量为0。

最后是给分，真是好到爆炸，本科4年真没见过这么好的给分，属实来了一点小小的研究生震撼。

复习看看PPT就行了，看不懂的看看知乎，问问GPT，就可以了。考试题型大概是填空，判断，简答，大题。都是概念题，没有什么难度，划划水就可以了，一小时足够做完了。

这门课能够帮助我们概略地了解人工智能，但得听老师讲课。 弊病就在于PPT和教材实在不能说好，自学的时候，想要理解知识点的难度真的… ppt里面塞了大量没有图解的文本，就算有配图的也鲜有足够清晰的说明。 整体逻辑混乱的这些参考资料，不能教会你某些知识点，而需要你努力猜或理解老师编写时的思维方式。打个比方，这是一门学跑步的课，但它不会教你如何呼吸摆臂抬腿，你得跟着它东奔西窜，累到气喘吁吁，才能得到一点提升。 讲得东西比较概略，若有一定的ai基础，费力看资料难有什么收获，认真听课知识又实在显得稀疏，不如自学。复习的过程堪称折磨，但能怎么办呢，这门课的题型以及学长学姐的经验，都在告诉你：PPT里那些shi山一样的文本里处处都可能要考的内容，各种算法若没有根据往年卷刷过考试难免懵逼。本就只想水过这门课程的我考前真是慌得一批，几乎可以说是咬着牙过完一遍。 最后看到考卷还算符合预期，当然不会的还是不会，只是感觉有底了。 填空考了过拟合，信息熵公式和其意义，k个球熵最大分布（？这题真没看懂），svm目标函数（拉格朗日），梯度消失的激活函数，a*的g和h分别是什么。 简答题 博弈的基本组成 回溯和深度优先的异同 举例说明优化问题中的局部搜索和全局搜索的区别。 算法题 1朴素贝叶斯分类器。给了个概率表让画图，然后算边缘和条件概率（李航那本书有原题） 2马尔可夫决策：策略评估函数计算，还有用算qvalue更新策略。 3机器学习：给了x，w，y反向传播那种链式图，隐藏层用max（f，0），输出层h（z）=2z，写梯度下降更新公式（8分），然后给具体值让推一次反向传播，学习率的影响 4knn根据5个样本给新样本分类，k值意义

终究还得感谢各位学长学姐的复习资料让大伙复习起来多少有了头绪。orz

考试成绩还没出，给分不好说，待追评。

考试要复习的内容比较多，给分很奶。

虽然是人工智能课的老师，但是还是日常diss dl，xs

平常点名三次+三次作业

我基本翘课，考前三天速成

一直担心要挂科了，最后总评接近满分

唯一扣的一分是考试会考一些犄角旮旯的概念和用到的不多的算法，那么多PPT还是闭卷考，实在是不太友好。有些空我清楚地记得看过题干，就是忘了该填啥了，痛苦。

因为研究方向非人工智能方面，很多东西我以前没接触过，但上课认真听一下，80+也可以有。

如果不熟悉人工智能相关，上课也不想听的，那很难拿不错的分数，但是可能可以被奶到75，除非签到也不在。

p.s.上学期没签到的，但是有作业。这学期没有作业，但是有签到。