Introduction to Artificial Intelligence (Theory)
本课程围绕四个递进问题展开：什么是智能体？智能体如何解决问题？智能体如何学习？智能体如何应对复杂系统？课程涵盖搜索、强化学习、博弈论与逻辑学等核心数学与计算方法。在此基础上，课程进一步引入认知科学的前沿研究成果：一方面，借助人工智能的理论与模型研究自然智能；另一方面，通过计算与认知神经科学的最新发现启发新的人工智能理论，促进人工智能与认知科学的双向交叉与融合。
| 周次 / 日期 | 主题 | 内容简介 |
|---|---|---|
| 第 1 周 · 9 月 14 日（一） | 什么是人工智能 | 智能体、环境、状态空间、目标与效用。 |
| 第 1 周 · 9 月 16 日（三） | 无信息搜索 | 状态空间图、搜索树、边界、重复状态检测，以及典型无信息搜索方法。 |
| 第 2 周 · 9 月 21 日（一） | 启发式搜索 | 启发式函数、启发式搜索、搜索代价与启发式质量，理解效率与最优性之间的关系。 |
| 第 2 周 · 9 月 23 日（三） | 约束满足 | 变量、域、约束、约束图、回溯搜索、变量与取值选择，以及约束传播。 |
| 第 3 周 · 9 月 28 日（一） | 对抗搜索 | 确定性零和博弈、对抗搜索、深度限制、评估函数与剪枝思想。 |
| 第 3 周 · 9 月 30 日（三） | 第一次考试与答疑讨论 | 60 分钟阶段考试，范围为第 1–5 次课；考试后进行答疑、讲评和讨论。 |
| 第 4 周 · 10 月 10 日（六） | MDP、回报与价值迭代 | 策略评估与策略迭代 |
| 第 5 周 · 10 月 12 日（一） | 强化学习基础 | 强化学习交互、未知转移和奖励、经验驱动的价值学习、探索策略与控制。 |
| 第 5 周 · 10 月 14 日（三） | 高级强化学习 | POMDP 的基本表示、隐藏状态、观测、信念状态、信念更新和信念空间中的行动选择。 |
| 第 6 周 · 10 月 19 日（一） | 第二次考试与答疑讨论 | 60 分钟阶段考试，范围为第 7–10 次课；考试后进行答疑、讲评和讨论。 |
| 第 6 周 · 10 月 21 日（三） | 多智能体系统 | 博弈和多智能体系统、联合行动、奖励结构、合作与竞争，以及多智能体环境中的非平稳性。 |
| 第 7 周 · 10 月 26 日（一） | 逻辑学基础与命题表征 I | 知识库、命题、联结词、语法与语义、可能世界、模型、满足与蕴含。 |
| 第 7 周 · 10 月 28 日（三） | 逻辑学基础与命题表征 II | 对象、属性、关系、规则、目标和动作前提的命题化表示，以及基础规则检查。 |
| 第 8 周 · 11 月 2 日（一） | 逻辑表征与强化学习 | 逻辑表征如何扩展状态空间、动作结构、转移与目标，并服务于规划和强化学习。 |
| 第 8 周 · 11 月 4 日（三） | 期末考试 | 90 分钟闭卷考试，覆盖全课程内容。 |
| 考核环节 | 时间 | 占总成绩 |
|---|---|---|
| 第一次阶段考试 | 9 月 30 日，60 分钟 | 25% |
| 第二次阶段考试 | 10 月 19 日，60 分钟 | 25% |
| 期末考试 | 11 月 4 日，90 分钟 | 50% |
主教材：Russell & Norvig，《人工智能：一种现代方法》（第 4 版）。
参考书：
认知科学参考文献：