《人工智能基础》是大连理工大学软件学院软件工程专业，开设在大三上学期的，一门计算保研分的必修课。主要讲知识表示、确定性推理、搜索、机器学习方法概述、深度学习基础技术、卷积神经网络、自然语言处理与循环神经网络。拿了98。
学习笔记参考：gitee仓库
这门课没有一些同学想像的有意思。虽然“人工智能”这个概念最近随着Chatgpt爆火而出圈，但事实上“人工智能”是在1956年就被提出的概念。我们可能想象着会学习到前沿的技术，例如深度学习、神经网络和chatgpt原理，但遗憾的是，它得从上个世纪的“古董”算法开始讲起。特别是前三章知识表示、确定性推理和搜索，在大多数人眼中就是一些没用、古老而且复杂枯燥的算法。这些基本占据了一半课程的时间。
机器学习方法概述这部分呢？基本是略过的，因为之前开设的课程《高级统计方法》已经讲过了。
好，终于来到了最激动人心的深度学习技术部分。我和一些同学聊过，其中一位是做这方面内容大创的，他承认这些内容是有用有帮助的，不足之处是ppt和老师讲课的风格都是走马观花式的带过，并没有真正想要教会大家这里面的细节与奥妙。
如他所言，我也不喜欢这位老师的讲课风格。在我遇到的老师中，大部分是想要教会同学东西，认真讲课而且负责的老师，学生是能感受到老师的激情与认真的。但是也有少部分的老师只是念完ppt完成任务，学生也能感受到他/她低劣的态度。不幸的是这位老师属于后者，每一堂课都用平淡的语气讲完ppt，来的同学也没几个人在听。
但我理解这位老师。一是这门课是第二次开，没有什么教学经验。二是高校老师的评价体系，只用科研和论文来评价老师，教学只是完成任务。一位“聪明”的老师自然会为了更多的科研时间而放弃好好备课，但这并不是负责的行为。在此向好好备课、认真上课的负责任的老师表达敬意！你们是真正的英雄！
聊聊上机，深度学习的上机编码是需要GPU运算的，普通的评测平台不可能提供这样的环境，那咋办？我扒到了检测代码是否通过的源文件（平台权限没设置好），竟然仅仅是检测提交代码是否出现了和答案一模一样的语句！这有多逆天呢？
- 即使你的代码是对的，只是因为变量名和答案不一样，所以你是错的。
- 即使你的代码根本不能运行，因为你和答案一样，你可以通过。
举个例子，最后一次上机，只检测这些代码是否都出现在提交的源文件中：
1
2
3
4
5
6
7
8
9
10
11
config_ck=1
oss=nn.SoftmaxCrossEntropyWithLogits(is_grad=False,sparse=True)
opt=nn.Momentum(network.trainable_params(),cfg.learning_rate,cfg.momentum)
loss_cb=LossMonitor()
ds_train=create_dataset(args.preprocess_path,cfg.batch_size,cfg.num_epochs,True)
ckpoint_cb = ModelCheckpoint(prefix="lstm", directory=args.ckpt_path, config=config_ck)
model.train(cfg.num_epochs,ds_train,callbacks=[ckpoint_cb,loss_cb])
ds_eval=create_dataset(args.preprocess_path,cfg.batch_size,1,False)
param_dict=load_checkpoint(args.ckpt_path)
load_param_into_net(network,param_dict)
acc=model.eval(ds_eval)
当然，这门课也有亮点。最后复习在看ppt的时候，我发现ppt的逻辑是比较清晰的，只是讲课实在无聊。在大一写五子棋算法的时候，就曾经看到一些算法是用α-β过程来做的，当时觉得太复杂写不出来，这一次正好学到了。之前学深度学习也有一些地方没完全搞明白，看ppt的时候，想着想着就理顺了。卷积神经网络和循环神经网络部分会有一些经典的网络架构和原理讲解，如果有基础会很有意思。
聊聊考试。因为这门课是去年新开的，所以参考会很少。在做去年卷子的时候，就感觉老师是因为第一次考，难度特意降低了，果然如此。今年第二年考，一些同学感觉选择题变难了，其实如果有基础的话，这些选择题是学深度学习本应该搞懂的知识，只是因为老师不愿意好好教明白，而且课堂练习和去年考题都很简单，造成的一种题目简单的错觉。希望今后他（她）能负责教好一点吧。大题如下：
- 聊聊为什么用卷积？好处？
- 列举一些人工智能研究方向、热点。
- α-β过程和剪枝。
- 卷积计算。
- A*算法求路径。
- 归约法证明结论。