人工智能
这门课学什么
这门课覆盖经典 AI 的主干：搜索、规则推理、约束传播、博弈和早期机器学习。课程有讲座视频、习题大课视频、Python 实验和历年测验。
内容摘要
这门课是经典人工智能的全景导览。主线从“怎样用符号推理解题”出发，走到“机器怎样从例子里学习”，最后回到“人类智能怎样建模”。Winston 认为，懂一个方法的关键是懂它背后的表示（representation）。所以每一讲都围绕一个具体问题，先给表示，再给算法。
课程分成 4 个阶段。第 1 阶段讲推理：目标树（goal tree）、基于规则的专家系统。第 2 阶段讲搜索：深度优先、爬山、束搜索、分支定界、A*，以及博弈中的极小极大与 alpha-beta 剪枝。第 3 阶段讲约束：从线条图解释到域约简，再到视觉物体识别。第 4 阶段讲学习：最近邻、识别树、神经网络、遗传算法、支持向量机、Boosting。最后几讲转向表示、认知架构和概率推理，并以 Winston 自己对人类智能的研究收尾。
作业是 Python 编写的实验（lab），配有自动评测脚本 tester.py，可以反复提交。题目覆盖前向与后向链推理、启发式搜索、博弈搜索、约束满足、k 近邻、决策树、神经网络和 Boosting。考试分 4 次小测和 1 次期末，期末对应部分可以覆盖小测成绩。OCW 另有习题大课（mega-recitation）视频，专讲考试类型的题目怎么做。
学完后，你能说清楚经典 AI 的主要方法各解决什么问题，能动手实现搜索、约束传播和几种基础学习算法。你也会对“智能是什么”有一个工程师视角的框架。
讲课风格很有个人特色。Winston 用黑板和手绘图讲课，节奏慢，故事多，常用一个小例子贯穿整讲。他强调“技能、大想法、把分数放到一边”。这门课适合想打好 AI 概念底子、不急于上深度学习的人。
为什么值得学
Winston 长期领导 MIT 人工智能实验室，讲课以故事见长。这套视频是网上播放量最高的 AI 课之一。
课程信息
- 学校
- 麻省理工（MIT）
- 课程号
- 6.034
- 讲师
- 帕特里克·温斯顿（Patrick Henry Winston）
- 学期
- Fall 2010
- 平台
- MIT OpenCourseWare
- 费用
- 免费
- 难度
- 入门
- 学时
- 30 段视频（讲座 + 习题大课）
- 先修
- 会一门编程语言（作业用 Python），有基础数学。
- 材料
- 视频、讲义、作业、考试、代码
- 许可证
- CC BY-NC-SA 4.0
课程大纲 · 共 23 节
大纲依据：Fall 2010 OCW 讲座视频列表（查看原始页面 ↗）
- 1导论与课程范围Introduction and Scope
说明什么是人工智能、这门课怎样定义 AI，以及全学期的路线图。
- 2推理：目标树与问题求解Reasoning: Goal Trees and Problem Solving
用符号积分程序做例子，展示怎样把大问题拆成目标树逐层求解。
- 3推理：目标树与基于规则的专家系统Reasoning: Goal Trees and Rule-Based Expert Systems
介绍前向链和后向链推理，说明专家系统怎样用规则回答“为什么”和“怎样”。
- 4搜索：深度优先、爬山与束搜索Search: Depth-First, Hill Climbing, Beam
在地图寻路问题上比较几种基础搜索策略，以及启发信息的作用。
- 5搜索：最优路径、分支定界与 A*Search: Optimal, Branch and Bound, A*
从分支定界逐步加上扩展列表和可采纳启发函数，得到 A* 算法。
- 6搜索：博弈、极小极大与 alpha-beta 剪枝Search: Games, Minimax, and Alpha-Beta
讲双人博弈的极小极大搜索，以及 alpha-beta 剪枝和渐进加深怎样省计算。
- 7约束：解释线条图Constraints: Interpreting Line Drawings
用积木世界的线条标注问题，展示约束传播怎样确定三维结构。
- 8约束：搜索与域约简Constraints: Search, Domain Reduction
以地图着色为例，讲回溯搜索与域约简结合求解约束满足问题。
- 9约束：视觉物体识别Constraints: Visual Object Recognition
讨论用对齐和模板匹配识别物体的思路，以及视觉识别中的约束。
- 10学习导论与最近邻Introduction to Learning, Nearest Neighbors
把学习分成几类，重点讲最近邻方法和特征空间中的距离。
- 11学习：识别树与无序度Learning: Identification Trees, Disorder
用无序度（熵）挑选测试，构造识别树并转成规则。
- 12A神经网络Neural Nets
从神经元模型讲到多层网络，推导反向传播（backpropagation）的权重更新。
- 12B深度神经网络Deep Neural Nets
补充深度网络的进展，包括卷积网络在图像识别上的表现和局限。
- 13学习：遗传算法Learning: Genetic Algorithms
讲变异、交叉和选择机制，并讨论遗传算法到底能解决什么。
- 14学习：稀疏空间与音系学Learning: Sparse Spaces, Phonology
用英语复数发音规则的学习，说明稀疏高维空间里的泛化。
- 15学习：近似反例与适切条件Learning: Near Misses, Felicity Conditions
讲从少量正例和“差一点”的反例中学习概念，以及教与学的配合条件。
- 16学习：支持向量机Learning: Support Vector Machines
从最宽间隔出发推导支持向量机，并引入核函数处理非线性边界。
- 17学习：BoostingLearning: Boosting
把多个弱分类器加权组合成强分类器，讲 AdaBoost 的权重更新过程。
- 18表示：类别、轨迹与状态转移Representations: Classes, Trajectories, Transitions
讨论描述世界与故事的几种表示方式，说明表示怎样影响推理。
- 19架构：GPS、SOAR、包容架构与心智社会Architectures: GPS, SOAR, Subsumption, Society of Mind
比较几种经典的智能系统总体架构及其背后的假设。
- 21概率推理（一）Probabilistic Inference I
从联合概率表出发，引入条件独立和信念网络（belief network）。
- 22概率推理（二）Probabilistic Inference II
继续讲信念网络的推理与结构选择，用数据比较不同模型。
- 23模型合并、跨模态耦合与课程总结Model Merging, Cross-Modal Coupling, Course Summary
介绍跨感官信息互相校准的学习思路，并回顾全课的大想法。