> For the complete documentation index, see [llms.txt](https://advancedguideforsds.gitbook.io/advancedguide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://advancedguideforsds.gitbook.io/advancedguide/pei-yang-fang-an-jie-xi/da-er-chun-ji-xue-qi/ren-gong-zhi-neng-ji-chu-zhuan-ye-xuan-xiu.md).

# 人工智能基础（专业选修）

<div align="center"><figure><img src="/files/A56waLjUTfnKnmO7Efn2" alt=""><figcaption><p>课程教材</p></figcaption></figure></div>

## 课程简介

人工智能基础是一门关于学习人工智能的基本原理、方法及应用的课程，包括对周围环境感知并做出响应的智能agent，多种搜索方法，知识表示及推理方法，概率推导方法，机器学习方法，以及人工智能的新领域的研究进展。课程重点在搜索与学习部分。

## 前置知识涉及的课程

概率论与数理统计、线性代数、数学分析、数据结构

## 往年经验

**强烈推荐将B站吴恩达的机器学习课程作为一个入门观看的内容**。教材还可以选择西瓜书——《机器学习》（周志华）以及《统计学习方法》（李航）。这两门教材都可以对学习内容的补充，或者主要学习的教材，比较详细全面，但是比较偏数学推导，很硬核。作业和小测主要是巩固上课的算法，难度不大，认真听课就可以解决。有些算法可能涉及到的数学内容不是很好理解，需要课下主动学习解决。考试是开卷，难度适中，主要内容是搜索和学习。可以将上面提到的三本教材带上。

**【\[中英字幕]吴恩达机器学习系列课程】**

{% embed url="<https://www.bilibili.com/video/BV164411b7dx/?share_source=copy_web>" %}

## 与后续课程的联系

为《机器学习概论》这门课打了一定的基础，对机器学习的内容有了大致的了解。同时该门课代码实现大部分是调包，所以算是对训练数据、调参的整体框架有一个大致的了解，具体算法实现还需要后续课程（机器学习概论）的锻炼。

## 课程资源

{% embed url="<https://rec.ustc.edu.cn/share/07b7fb80-be48-11ed-90f5-6b101bcecf7b>" %}

## 目录

<details>

<summary>人工智能基础教学大纲</summary>

人工智能概论

智能Agent

无监督学习

有监督学习

模型评估与选择

决策树

神经网络

贝叶斯分类

卷积神经网络

</details>