人工智能

课程学习内容

• Part 1: 经典人工智能
  • 搜索算法：BFS、DFS、一致代价搜索、启发式搜索（A-star）
• Part 2: 机器学习
  • 机器学习简介，回归问题：线性回归模型及其Python编程实现
  • 特征工程、模型评估与选择、机器学习中的优化算法、统计学习理论初步
  • 分类问题：Logistic回归、决策树、支持向量机及其编程实现
  • 无监督学习方法（聚类+ 降维）
• Part 3: 深度学习
  • 深度学习简介、PyTorch简介、数学基础
  • 多层感知机、反向传播、PyTorch编程实现
  • 卷积神经网络、深度学习中的优化算法
  • 循环神经网络、序列建模及其编程实现
  • 注意力机制与Transformer架构
• Part 4: 大模型基础

任课老师

张思奇老师

学习提示

课程风格

张思奇老师主要研究优化算法，所以课上会讲授很多机器学习与深度学习中的优化理论和算法（GD、SGD、ProximalGD、Duality、KKT等），这点与大多数教材和课程都是不同的。张老师的课件制作精美，授课内容编排系统、组织有度，风格偏向国外课程。期末还有来自业界的Guest Lecture开阔同学们的眼界。

学习建议

不要缺课，上课认真听讲。对于考试，不需要课下花很多功夫复习或学习课件以外的内容，考试内容几乎全部来自课件和作业。只要课上认真听，认真做作业，期末花一两天时间集中复习，就可以取得好成绩。

题外话

如果你对AI感兴趣，强烈建议现在立刻开始自学。本课程只是AI的入门课程，学习完之后只能对AI的整体框架有大致的了解，不足以支持进一步的研究/实习。可以去csdiy或者使用项目制方法学习。

网站

2025Fall课程使用智汇南雍发布课件、Quiz与作业。手机端访问请打开南大APP，搜索“智慧教学平台”。

Quiz只能在手机端作答。

评分体系

• 平时作业：25%
  • 理论题+编程题，提交解答过程+实验代码+实验报告
  • 实验代码要做到“一键复现”
• 考试：60%（20%+40%，闭卷）
  • 期中20%，期末40%
  • 期末考试全覆盖，后半学期内容占比更多（大概40%+60%）
• 课上Quiz：15%（12%+3%）
  • 每节课1-2次Quiz，每次Quiz若干题，每题1分
  • 答对满分，答错1/3，未参加记为N/A
  • 参加全部Quiz的75%及以上才可获得剩余3%
• 作业Bonus：5%
  • 每次作业1-2道，题目难一些，以理论题为主，需提交完整回答（步骤分少）
• 最终成绩= min(100, 作业+考试+Quiz+Bonus)

课程材料

• 主要材料：教学PPT(课前发讲义，课后发标注版)
• 参考资料：
  • 人工智能：现代方法（第四版）》，Stuart Russell, Peter Norvig，人民邮电出版社
  • 《机器学习》，周志华著，清华大学出版社
  • 《神经网络与深度学习》，邱锡鹏著，机械工业出版社（下载）
  • 《动手学深度学习（PyTorch版）》，Aston Zhang, Zachary C. Lipton, Mu Li (李沐), Alex Smola等著，人民邮电出版社（官网）
  • 《最优化：建模、算法与理论》，刘浩洋、户将、李勇锋、文再文著，高等教育出版社（下载）
  • 《Python机器学习：基于PyTorch 和Scikit-Learn》by Sebastian Raschka; Yuxi(Hayden) Liu; Vahid Mirjalili，机械工业出版社
  • 《机器学习方法》，李航著，清华大学出版社

关键时间

• 交作业：
  • 使用智汇南雍提交
  • 迟交24小时：80% credit
  • 迟交48小时：60% credit
  • 48小时之后：0% credit（以提交时间戳为准）
  • 如有其他意外情况导致无法交作业，请及时联系老师/助教，以邮件时间戳为准
• 第10/11周：期中考试（课上，~80分钟）