人工智能导论
Introduction to Artificial Intelligence
📖这门课到底讲什么
人工智能导论给出 AI 的全景地图：智能体与问题求解（状态空间搜索、A 星、对抗搜索与博弈）、知识表示与推理（命题与一阶逻辑、产生式规则、知识图谱初步）、不确定性推理（贝叶斯网络、隐马尔可夫模型）、机器学习与神经网络入门、以及自然语言处理、计算机视觉、机器人与多智能体等应用方向，并涉及 AI 伦理与安全。课程主线是理性智能体的设计，强调在给定环境与目标下如何做出可解释的决策。学完你应能对一个问题形式化定义状态与目标并用搜索算法求解、用概率图模型做简单推断、评价不同 AI 方法在具体任务上的适用性，并具备阅读 AI 论文与进一步深入某个子方向的能力。
🎯为什么必须学好
它是算法岗与 AI 岗的第一块敲门砖：面试常问搜索与启发式、A 星的正确性条件、为什么用对数概率、知识图谱与推理的关系；也是机器学习和深度学习的前置课程，先建立符号主义与连接主义的对比视角，再学神经网络时知道自己在学什么。对想读研做 AI 方向的同学，这门课决定你对整个领域的概念框架是否完整，也影响你选择导师与课题时的判断力。
📌核心知识清单
- 智能体与环境：理性智能体的定义、PEAS 描述、任务环境的性质（确定性与随机性、静态与动态、离散与连续、完全与部分可观察）
- 无信息搜索：宽度优先、深度优先、代价一致搜索、迭代加深，以及完备性与最优性与时间空间复杂度分析
- 有信息搜索与博弈：贪心最佳优先、A 星搜索与启发式的可采纳性与一致性、IDA、极小极大与 Alpha-Beta 剪枝、蒙特卡洛树搜索入门
- 约束满足问题：回溯搜索与约束传播、前向检验、弧一致性、局部搜索求解 CSP
- 逻辑与知识表示：命题逻辑与一阶逻辑、归结原理、产生式系统与规则推理、语义网络与知识图谱与本体
- 不确定性推理：概率与贝叶斯公式回顾、贝叶斯网络结构与条件独立性、精确与近似推断、隐马尔可夫模型与维特比算法
- 机器学习与神经网络入门：监督与无监督学习、决策树与 KNN、感知机与多层网络、损失函数与梯度下降的直观理解
- 应用与前沿：自然语言处理任务概览、计算机视觉任务概览、强化学习基本要素（状态、动作、奖励）、AI 伦理与安全与可解释性
✍️怎么学（可执行步骤）
- 主线教材用《人工智能：一种现代的方法》（Russell 与 Norvig）第1至6章与第13至15章，配合《人工智能导论》国内教材补齐考试向概念
- 搜索部分必须写代码：实现 BFS、DFS、A 星与 Alpha-Beta 剪枝，在八数码与井字棋或五子棋上验证最优性与性能差异
- 用真实项目串起知识：写一个数独求解器（CSP 加回溯）、一个八皇后搜索程序、一个基于贝叶斯网络的简单诊断模型，全部提交到自己的仓库
- 读一篇经典论文或综述（如 AlphaGo 或知识图谱综述），写一页读书报告说明问题的形式化、方法与局限，训练学术阅读能力
📚推荐教材与书籍
AI 领域权威教材，内容最全面，重点搜索、博弈、逻辑与不确定性推理部分
国内教材，概念体系与考试契合，适合配合课堂与期末复习
导论之后进入机器学习阶段的必备教材，第1至3章可作为本课的延伸
🎬视频课程 / 公开课
国内高校课程，搜索、推理与机器学习模块讲解系统
伯克利 AI 入门课，搜索与博弈项目质量极高，配套讲义与作业免费
🌐网站与文档
按任务查找论文与开源实现与排行榜，了解各方向现状的入口
吴恩达团队的学习资源站，适合规划从导论到深度学习的路径
🐙GitHub 开源资料
十二周 AI 入门课程，覆盖符号 AI、神经网络与伦理，配有可运行 notebook
动手学深度学习中文版，作为导论课之后进入模型实践的桥梁
经典深度学习论文清单，按方向分类，用于后续选题与研究入门
🧪动手实践任务
实践 1
实现三种搜索算法（BFS、A 星、迭代加深）并求解八数码问题，输出搜索节点数、路径长度与耗时对比表
实践 2
实现一个带 Alpha-Beta 剪枝的井字棋或五子棋 AI，与随机落子策略对战一百局统计胜率，分析剪枝对搜索量的影响
实践 3
写一个数独求解器：用回溯加约束传播求解难题，记录求解时间与尝试次数，并与纯暴力方法对比
实践 4
用贝叶斯网络对一个简单诊断场景建模并做推断，说明条件独立性如何简化计算
🧾考试与面试
💼 面试会怎么考
常见：A 星算法中启发函数需要满足什么条件、为什么可采纳能保证最优；宽搜与深搜的适用场景与复杂度；Alpha-Beta 剪枝为什么能减少搜索；如何把实际问题建模为搜索问题（状态、动作、目标、代价）；知识图谱如何表示三元组、如何进行推理；贝叶斯网络与朴素贝叶斯的区别；监督学习与强化学习的区别；对当前大模型的能力边界有什么认识。
📝 期末与考研怎么过
期末多为概念题与算法推演题：搜索算法的性质与复杂度分析、A 星搜索过程的手工推演、极小极大与剪枝的搜索树计算、逻辑推理与归结证明、贝叶斯网络的条件概率计算、简答各 AI 子领域的任务与方法。备考方式是把搜索过程与概率计算在纸上推演熟练，把各方法优缺点做成对比表。目标八十五分以上，考试套路固定、性价比高。
⚠️ 常见坑
- 把 AI 导论当成概念背诵课，不写搜索与推理代码，导致对算法行为没有直觉
- 混淆符号主义与连接主义方法的适用范围，把所有问题都往深度学习方法上套
- A 星题不注意启发函数的可采纳性条件，算出的路径并非最优却不自知
- 概率部分基础不牢（条件概率与独立性），到贝叶斯网络与隐马尔可夫模型完全跟不上
- 忽略 AI 伦理与可解释性讨论，课程论文与面试中难以展开有深度的观点