伯克利 CS188 人工智能导论
课程名称： Introduction to Artificial Intelligence
课程官网地址：官方网站，自动跳转到最新
先修课程： CS61A 计算机程序的结构和解释、CS61B 数据结构、伯克利 Math54 线性代数和微分方程、伯克利 CS70 离散数学和概率论
重要程度： ※※※※※
课程评点： 这是一门极具代表性和影响力的人工智能入门课程，面向本科生开设，也被许多其他高校借鉴和改编，是AI教学领域的标杆课程之一。
课程说明
课程官网上配套的资料非常详细，包括线上教材、视频、Project等等到本课程结束时，你将能够构建自主智能体，在信息完备、部分可观测以及对抗性环境中高效地做出决策。这些智能体将能够在不确定环境中进行推理，并为任意的奖励结构优化行为。
你所实现的机器学习算法将能识别手写数字和照片图像。你在本课程中学习的技术适用于各种人工智能问题，并将为你未来在任何应用领域的进一步学习打下坚实的基础。
📚 课程内容概览
CS188 主要讲授构建智能体（agent）进行推理、规划与学习的方法。涵盖人工智能的核心基础，内容包括但不限于：
- 搜索与图算法：深度优先 / 广度优先搜索（DFS / BFS）、A* 搜索、最优性与复杂性分析
- 博弈与对抗搜索：Minimax 算法、α-β剪枝、多人博弈策略
- 概率与不确定性建模：贝叶斯网络、马尔科夫决策过程（MDP）、隐马尔科夫模型（HMM）
- 强化学习（Reinforcement Learning）：值迭代（Value Iteration）、Q-learning、策略梯度（进阶拓展）
- 机器学习基础：感知机、贝叶斯分类器、决策树
- 自然语言处理与计算机视觉简介：文本分类、图像识别任务（如识别手写数字）
📖 推荐教材
- Artificial Intelligence: A Modern Approach 作者：Stuart Russell 和 Peter Norvig ✅ 全球公认最经典的 AI 教材，CS188 的很多内容源自这本书 ✅ 中文译名：《人工智能：一种现代的方法》
项目与实践
CS188 非常强调项目驱动学习（project-based learning）。学生需要实现多个完整的智能体，并应用算法解决实际问题。
- 迷宫游戏（Pacman）中实现智能导航
- 使用 Q-learning 训练吃豆人智能体
- 实现 HMM 解码的词性标注器
- 图像分类器（识别手写数字）
| 项目名称 | 技术主题 | 内容简介 |
|---|---|---|
| Project 1: Search | DFS, BFS, A* | 控制吃豆人穿越迷宫 |
| Project 2: CSP | Constraint Satisfaction | 解约束问题（如数独） |
| Project 3: MDP | 马尔可夫决策过程 | 用值迭代和策略迭代玩游戏 |
| Project 4: Q-Learning | 强化学习 | 训练能自主学习的吃豆人 |
| Project 5: BayesNet | 概率推理 | 使用贝叶斯网络建模与预测 |
| Project 6: Classification | 感知机、Naive Bayes | 手写数字图像识别 |
建议学习节奏
| 周数 | 任务 | 时间分配 |
|---|---|---|
| 第1-2周 | 搜索算法与迷宫项目 | 每周6小时 |
| 第3-4周 | 博弈树与约束满足问题 | 每周6小时 |
| 第5-6周 | MDP 与强化学习项目 | 每周8小时 |
| 第7-8周 | 概率推理 + 图模型 | 每周8小时 |
| 第9-10周 | 机器学习分类任务 | 每周8小时 |
| 第11-12周 | 总复习 + 延伸阅读（RL、深度学习） | 每周6小时 |