人工智能
这门课学什么
这门课是耶鲁本科 AI 主干课，教材是 Russell 与 Norvig 的《人工智能：一种现代方法》第 4 版。内容从智能体和搜索讲起，再讲逻辑、规划、不确定性推理、机器学习、强化学习和自然语言处理。每讲有公开的讲义摘要页，作业用 Python 和 Jupyter 完成。
内容摘要
这门课是耶鲁本科 AI 主干课，按 Russell 与 Norvig 的 AIMA 第 4 版展开。Spring 2025 共 24 讲，每讲 75 分钟。讲次顺序是：智能体、搜索、逻辑与规划、不确定性与决策、机器学习、强化学习、自然语言处理。
前 3 讲是导入：AI 的两面、大语言模型与耶鲁校内 AI、Python 与 Jupyter 环境。第 4–13 讲覆盖教材前半：智能体、搜索、博弈、约束满足、逻辑和规划，之后是期中考试。第 14–24 讲覆盖教材后半：不确定性、基于目标的决策、机器学习、强化学习和自然语言处理。
讲师 Stephen Slade 常穿插自己的研究，例如基于目标的决策模型 VOTE 和定性算术。课程网站列出一份 AI 经典原始文献清单，从 Turing 1950 到 Transformer 论文。每讲开头播放学生推荐的“每日视频”，课上有小测，计入参与分。
作业共 8 次。HW0、HW1 是 Python 入门和智能体练习，HW2 用 AIMA 代码库做搜索，HW3 写 21 点（blackjack）游戏策略，HW4 是期中前的练习题，HW5 是概率与决策习题，HW6、HW7 在 Jupyter 笔记本里做机器学习和强化学习。期末不考试，改为写一篇 AI 伦理论文；研究生另做项目。学完后学员能用 Python 实现 AIMA 的核心算法，并能读懂 AI 史上的关键论文。
为什么值得学
耶鲁多数高阶 AI 课都以它为先修。课程网站列出 Turing 1950、ELIZA、Transformer 等原始论文，适合配合 AIMA 自学。
课程信息
- 学校
- 耶鲁（Yale）
- 课程号
- CPSC 370/570
- 讲师
- 斯蒂芬·斯莱德（Stephen Slade）
- 学期
- Spring 2025
- 平台
- 课程官网
- 费用
- 免费
- 难度
- 中级
- 学时
- 24 讲 × 75 分钟
- 先修
- 需要数据结构（CPSC 223）和离散数学（CPSC 202），并会用 Python 写面向对象程序。
- 材料
- 讲义、作业
- 许可证
- 未注明
课程大纲 · 共 24 节
大纲依据：Spring 2025 讲次摘要列表（24 讲）（查看原始页面 ↗）
- 1导论课Introductory Lecture
讲 AI 的两面：面向具体领域的统计学习系统，与追求通用智能的长期目标。介绍课程安排和课堂小测规则。
- 2大语言模型与耶鲁 AILLM's and Yale AI
讨论大语言模型的能力与局限。学生 Nicolas Gertler 客座介绍耶鲁数字伦理中心的聊天机器人 LuFlot。
- 3HW0、Python 与 Jupyter 笔记本HW0, Python, and Jupyter notebooks
讲解 HW0 和课程使用的 Python、Jupyter 环境。对比现代 AI 与耶鲁经典 AI 两种视角，并讨论 Searle 的中文屋论证。
- 4智能体（一）Intelligent Agents
回顾 AI 发展史，开始讲 AIMA 第 2 章：智能体与环境。
- 5智能体（二）Intelligent Agents
继续讲智能体的结构。布置期末论文：用 AI 伦理论文代替期末考试。
- 6智能体（三）Intelligent Agents
完成智能体部分，介绍课程的 AI 经典原始文献清单。
- 7搜索（一）Search
把问题表示为状态空间搜索，讲无信息搜索算法。
- 8搜索（二）Search
讲启发式搜索和 A* 算法。HW2 用 AIMA 的 search 代码库实现搜索。
- 9博弈（对抗搜索）Game Playing, aka, Adversarial Search
讲 minimax 和 α-β 剪枝，并以 Samuel 的跳棋程序作历史案例。
- 10约束满足Constraint Satisfaction
把问题表示为变量、取值域和约束，讲回溯搜索和约束传播。
- 11逻辑Logic
讲命题逻辑的语法、语义和推理方法。
- 12逻辑与规划Logic and Planning
从逻辑推理过渡到自动规划，讲怎样用动作描述生成行动序列。
- 13规划与期中复习Logic and Planning + Midterm Review
完成规划部分，复习期中考试内容。期中考试在下一次课举行。
- 14不确定性Uncertainty
讲概率基础和贝叶斯规则，说明信息不完整时怎样推理。
- 15基于目标的决策Goal-based Decision Making
讲讲师提出的基于目标的决策模型，并讨论 AI 伦理。
- 16形式验证、谎言与 VOTEFormal verification, Lies and More VOTE
讨论形式验证，并继续讲 VOTE 程序：它模拟国会议员的投票决策。
- 17学习（一）Learning
开始讲机器学习，对应 AIMA 第 19 章的监督学习。
- 18定性算术Qualitative Arithmetic
讲人在没有精确数字时怎样比较和判断，以及程序怎样模拟这种定性推理。
- 19学习（二）Learning
继续讲机器学习并进入神经网络。HW6 在 Jupyter 笔记本里做机器学习练习。
- 20强化学习（一）Reinforcement Learning + HW7
讲马尔可夫决策过程和由奖励驱动的学习。布置 HW7：用 Gym 的 FrozenLake 环境练习强化学习。
- 21强化学习（二）Reinforcement Learning
继续讲强化学习算法，对应 AIMA 第 22 章。
- 22自然语言处理（一）Natural Language Processing
对比传统自然语言处理与深度学习方法，引出大语言模型。
- 23自然语言处理（二）Natural Language Processing
Google 的 Alexandra Slade 远程客座，介绍搜索中的 AI 模式（AI Mode）。
- 24自然语言处理、伦理与告别Natural Language Processing and Farewell
讨论 LLM 的行为与伦理问题，回顾全学期内容。
耶鲁的其他AI课
- 自动化决策系统 · Automated Decision Systems
- 图结构数据上的深度学习 · Deep Learning on Graph-Structured Data
- 可信深度学习 · Trustworthy Deep Learning
- 游戏中的计算智能 · Computational Intelligence for Games