※ 本文是否可提供台大同学转作其他非营利用途？（须保留原作者 ID）
（是／否／其他条件）：
是，须通知作者
哪一学年度修课：
101-1
ψ 授课教师 (若为多人合授请写开课教师，以方便收录)
于天立
δ 课程大概内容
分成三部分，每部分5周左右
期中考到[2]-(1)
[1] Search
(1) Uninformed/Informed Search
(2) Non-Classical Search
(3) Adversarial Search
[2] Learning
(1) Concept Learning
(2) Computational Learning Theory
(3) Decision Tree & Bayesian Network
(4) Reinforcement Learning
[3] Logic
(1) Propositional Logic
(2) First-Order Logic
(3) Planning
Ω 私心推荐指数(以五分计) ★★★★★
★★★★★★★★★★
η 上课用书(影印讲义或是指定教科书)
没有教科书，投影片为本体。但有两本参考用书。
[人工智能，AIMA，主要]
Artificial Intelligence: A Modern Approach, 3/e,
by Russell and Norvig
[机器学习，ML，次要]
Machine learning, by Mitchell
μ 上课方式(投影片、团体讨论、老师教学风格)
投影片上课。
投影片内容非常扎实，有上过老师计算机概论的同学应能体会。
老师会举大量例子来解释，让学生更好理解，
每次上课前也会花一些时间概览上次的进度。
如果有不懂的地方，下课去问老师，老师会很热心的解答，
若还是不清楚，老师会在下次上课时给出更好的解释或例子。
σ 评分方式(给分甜吗？是扎实分？)
程式作业(Python)三次 25% = 8% + 9% + 8%
期中考 30%
期末考 20%
期末Project 25% = 5% (proposal)
+5% (presentation)
+15% (term paper)
期末总成绩全班加4.5分。
若在边缘(研究所标准是70分?)，会视作业缴交情形拯救之
ρ 考题型式、作业方式
作业是写UC Berkeley著名的小精灵Project，
内容是search与learning相关。(不过我们的HW似乎有做过修改)
语言是Python，但学过C++的话要适应应该不难，
建议参考Python官方文件边写作业边学。
每个作业约花三~四个晚上左右，包括学Python的时间。
考试方面，虽然可以带双面A4大抄，
但没真正读懂的话大抄也救不了你，
因为考题非常灵活，需要多加思考。
建议在大抄上记一些投影片上的证明，会有帮助的:)
期末专题，2~3人一组，自订一个有关AI或ML的题目，
期末上台报告10分钟并交一篇term paper(就是报告XD)。
内容举例而言，可以是游戏AI(扑克牌、棋类...)或影像处理。
不过只能报告10分钟，因为组别太多，
所以务必注意时间orz
ω 其它(是否注重出席率？如果为外系选修，需先有什么基础较好吗？老师个性？
加签习惯？严禁迟到等…)
程式能力是必要的，作业和期末专题都会用到，
老师表示：资料结构或算法起码要修过一个。
老师完全不在意是否出席或迟到早退，但学生应该会TAT
投影片密度太高，回家自己啃会有点辛苦。
加签的话，本学期是3类加选，因为期末专题每组都要上台报告，
老师不希望人太多XD
Ψ 总结
虽然这是一门研究所的课，
而且还有大学部较少见的期末专题，
不过整体来说还是适合大三以上对CS有兴趣的同学来修，
可以对AI这门极广泛的领域有更具体的认识:)