> 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-1.md).

# 人工智能原理与技术（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

本课程是大数据学院新开的一门人工智能课，相比于以往的**人工智能基础**，去掉了大数据培养方案中重叠的部分，课程结构模仿Stanford的[CS221](https://stanford-cs221.github.io/autumn2022/)，包括搜索策略，知识表示，专家系统，人工智能前沿等。

## 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

**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。

**【\[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>" %}

在课程更新后推荐使用《人工智能 一种现代的方法》作为参考书

课程作业基本照搬CS221，对python和代码阅读修改能力要求较高，选课前可以自学一下。目前这门课无考试，仅四次作业，分别是搜索、MDP、Bayes网络、推荐系统。

这门课能对人工智能的整体发展有一个全新的认识：从专家系统到知识图谱，再到最近的ML和DL。了解AI作为一种“现代方法”的多种形式，而不仅仅局限于近几年的热点方法。

## 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。

## 课程资源

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

## 目录

<details>

<summary>人工智能原理与技术教学大纲</summary>

人工智能概述

机器学习

搜索策略

马尔科夫决策过程

博弈论

约束满足问题

马尔科夫网络

贝叶斯网络

知识表示

深度学习

强化学习

因果推理

人工智能前沿

</details>