简介这是清华大学《人工智能导论》课程龙明盛老师主讲的完整资料包面向计算机及相关专业的本科生、考研备考生及AI方向自学者可系统补齐从模型原理到动手实践的知识链路。压缩包共184个文件、170.1MB文件类型丰富既有PDF讲义、PPT课件、TeX源码等教学材料也有Python脚本、Jupyter Notebook、npy/csv数据文件及实验日志对应编程作业、数据分析和结课报告等环节。附带多份作业与试题包含习题解答、数据资源和运行结果覆盖机器学习、深度学习、自然语言处理、计算机视觉等基础模块有助于对照课件边学边练、检验掌握程度。已有380人学习适合需要完整体系化课内资源来复习、备课或自学人工智能入门内容的用户。 看到THU-AI-Intro-Assignments-Tests.zip这个文件名很多想系统学AI的人应该不陌生。这是清华大学龙明盛老师《人工智能导论》课程的课件、作业和历年试题打包合集在不少学习群里流传过。学人工智能入门有人习惯找吴恩达但国内这套导论课其实更值得先啃它不玩虚的把搜索、知识表示、概率推理、机器学习、神经网络串成一条完整线索学完你对AI到底在解决什么问题会有特别清晰的画面。对自学的在校生、准备考研复试的同学、想系统补AI基础的工程师来说这份资源相当于集讲义、练习册、模拟卷于一体的学习资料省去了东拼西凑的时间成本。1. 这门课和这份资源包凭什么值得花时间去啃1.1 课程定位为什么导论课反而更值得细读很多人对导论两个字有误解觉得就是泛泛讲概念、放几张科普图。实际上龙明盛老师这门课定位是让人真正建立AI知识坐标系。它不是上来就讲深度学习而是把AI的核心问题拆成两层我们想让机器做什么感知、推理、决策以及用什么方法做搜索、逻辑、概率、学习。这种讲法对初学者的好处在于你不会一上来就被各种模型带偏而是先理解搜索、规划、约束满足这些底层能力再看到深度学习时心里会有一个它在解决大问题中的哪个环节的判断。我自己的体会是很多同学刷了几个月视频追了一堆大模型新闻但对为什么需要反向传播为什么模型会有幻觉还是说不清楚本质上就是缺了这层基础框架。这门课的课件恰好把这些底座知识讲得比较透而且每一讲都对应配置了作业题目等于逼着你把听懂变成会做。这种设计与很多只讲概念不布置实操的免费课截然不同也是我推荐优先学这门课的核心原因。1.2 资源包整体结构一个压缩包里到底有什么我拿到的这版THU-AI-Intro-Assignments-Tests.zip解压后的目录结构大概是这样的THU-AI-Intro-Assignments-Tests/ ├── lectures/ # 课件按周划分 │ ├── week01-intro.pptx │ ├── week02-search.pptx │ ├── week03-adversarial-search.pptx │ ├── week04-constraint-satisfaction.pptx │ ├── ... ├── assignments/ # 作业题与代码框架 │ ├── hw1-search/ │ ├── hw2-csp/ │ ├── hw3-bayes/ │ └── hw4-mlp/ ├── exams/ # 期中、期末试题与部分答案 │ ├── midterm-2021.pdf │ ├── final-2021.pdf │ └── ... └── README.md # 课程说明与使用建议不同渠道下载的版本可能会有细微差别但通常都包含这三类核心内容。课件文件一般是PPT或PDF作业会给题目描述和代码骨架试题多为PDF。这个结构本身就很适合自学先用课件建立框架再做作业检验理解最后用试题模拟考试。我的建议是拿到压缩包后不要急着全部解压到桌面先建一个专门的课程学习文件夹按上述三级结构存放。后续复习时每学完一章就在对应目录里回填笔记查找效率会高很多。2. 课件怎么读不是逐页翻完而是带着问题找答案2.1 课件内容主线从搜索到学习的知识脉络这套课件的章节组织大体沿袭欧美名校AI导论课的主流结构同时也带龙老师自己的风格。大致主线是绪论与智能体什么是智能体任务环境如何建模问题求解无信息搜索BFS、DFS、迭代加深、启发式搜索A*、爬山法对抗搜索Minimax与Alpha-Beta剪枝延伸到博弈场景约束满足问题回溯、前向检查、弧一致性逻辑与推理命题逻辑、一阶逻辑、归结法概率与不确定性贝叶斯公式、朴素贝叶斯、贝叶斯网络机器学习基础决策树、线性回归、逻辑回归、SVM的概念深度学习感知机到MLP、反向传播、CNN/RNN的基本思想强化学习与高级话题Q-learning、多智能体、应用案例。可以看到深度学习被放在了比较靠后的位置。这个顺序不是随意排的AI研究的核心难题从来不是怎么搭模型而是怎么表示问题、怎么搜索解空间、怎么在不确定中做决策。先学搜索和逻辑你才能理解深度学习的许多设计动机。另外网上检索人工智能导论时会看到张睿老师相关的一些资料如果你手里恰好有不同版本的讲义也可以拿来交叉参考但主线还是建议以龙老师的课件为准毕竟课件、作业、试题是一套完整体系混着看不同版本容易打乱知识索引。2.2 高效读课件的三步法课件不是小说不建议从头到尾线性朗读。我自己摸索出的三步法可以帮你大幅提高效率。第一步拿出某一周的PPT先看目录页自己列3到5个问题。比如看启发式搜索这一讲前先问自己A*为什么能比BFS更高效启发函数该怎么设计这样读起来有明确目标。第二步快速过一遍正文把不懂的术语标记出来不要纠结细节控制在20分钟以内。很多概念第一遍只需要混个脸熟后面做作业时自然会逼你回头看。第三步立刻做对应的作业题不会做再回到课件里翻公式、看例子。作业做通一个环节这个知识点才算真正属于你。这三步走下来一次学习周期大约需要两小时比单纯看课件记忆要牢固得多。我看过太多人把PPT从头看到尾结果合上电脑什么也说不出就是因为缺少第三部的代码输出和题目反馈。3. 作业才是这门课的精华别指望只看课件就能过3.1 作业设计背后的思路从算法到代码的强制落地这份资源包里最值钱的部分我反而认为是作业。课程作业通常不是那种简单的选择题问卷而是以代码实现为主的编程任务考查的是你能否把算法转化成可运行的程序。以常见版本为例作业会覆盖这几个方向HW1搜索算法在迷宫里实现BFS、DFS、A*比较节点扩展数直观感受启发函数省了多少搜索HW2约束满足问题实现一个回溯求解器解决地图着色或数独顺带接触弧一致性剪枝HW3概率与贝叶斯用朴素贝叶斯做文本分类踩一遍特征工程和拉普拉斯平滑的坑HW4神经网络用numpy手写一个两层MLP在MNIST或简化数据集上训练强制你把前向传播和反向传播的矩阵维度算明白。这些作业本身就是小型项目训练。真正动手写一遍A*,你对启发式可采纳性的理解会远超看十遍课件。而且作业之间还有梯度先做搜索你才知道状态空间怎么建模再学约束满足你才知道剪枝对复杂问题有多重要之后接触贝叶斯你才明白不确定性推理和确定性搜索是两套完全不同的思维。完成一轮作业相当于把整个AI方法体系亲手搭了一遍。3.2 做作业时的实操建议与环境配置做作业前先把Python环境收拾干净。我建议用conda新建一个虚拟环境避免和日常开发环境冲突conda create -n ai-intro python3.9 conda activate ai-intro pip install numpy matplotlib scikit-learn jupyter版本方面不用追新作业框架一般在Python 3.8到3.10之间都能跑关键是numpy和matplotlib装好。跑不通的时候优先检查是不是版本兼容问题。写代码时建议先用小数据集或简化版场景调试比如HW1先在5×5的小地图上跑通逻辑再去跑完整地图。这一步能帮你区分实现bug和算法bug省下大量排错时间。3.3 两个容易被忽略的作业细节第一个细节是随机种子。很多作业里的数据加载、权重初始化都会用到随机数如果不固定seed哪怕算法完全一样每次跑出来的结果也不一样很难和参考答案对比。所以交作业前把random.seed和np.random.seed固定在某个数值养成固定复现的好习惯。第二个细节是实验报告。别把代码往GitHub一扔就算完事课程考核通常还看报告质量。报告里要有实验设置、结果表格、失败案例分析。比如A*在迷宫规模增大后节点扩展数增长了多少这类观察比单纯贴代码有价值得多。写清楚你在实现过程中遇到过什么坑、最后怎么解掉的这份报告放到求职作品集里也是很好的能力证明。4. 往年试题的正确用法从背题变成知识体检4.1 一份试题里有哪些题型试题文件其实揭露了这门课的考核重点。根据资源包里的往年题大致会有这几类题型概念简答题考察什么是智能体搜索的完备性与最优性区别这类基础认知推导计算题比如贝叶斯公式推导、A*开闭集合的扩展过程、反向传播的梯度推导算法设计题给一个新问题要求设计状态表示或启发函数应用题给一个业务场景要求用约束满足问题或概率图模型建模。这些题型说明考试不靠死记硬背而是要求你真正能用知识解决问题。有些同学喜欢把往年题从头背到尾其实风险很高——出题风格每年都在微调场景一换背答案的人就露馅了。正确做法是把它当自测卷先限时做一遍批改后不是只看对错而是去翻错题背后的课件章节搞懂为什么错。4.2 用往年题做知识补漏的复习节奏表我给自己定过一个四周复习计划实测效果不错列在这里供参考时间任务目标第1周通读全部课件按章节整理知识卡片建立完整知识框架第2周重新完成所有作业题不看旧代码巩固代码层面的理解第3周限时做一套往年试题批改后整理错题定位知识薄弱点第4周围绕错题回看对应课件和作业补齐盲区再自测一次这套节奏在校生和在职自学党都适用。如果你时间更紧至少保证第2周和第3周不省略因为这两周是真正输出的阶段最涨能力。对于在职党我建议把每周拆成5个晚上每晚1.5小时连续四周比周末两天突击容易坚持得多也更容易形成知识记忆的连贯性。5. 自学这门课最容易踩的坑我已经替你踩过一遍5.1 高频问题速查表自学过程中下面几个问题出现频率极高。我把对应思路整理成一张表问题原因解决办法课件看了就忘缺少输出环节必须做作业和自测作业跑不出结果环境依赖或随机种子问题固定seed检查numpy版本往年题对不上考点只看题没补基础以课件知识点为纲再做题深度学习部分听不懂线代和概率基础薄弱先补矩阵运算和贝叶斯基础资源包文件损坏下载不完整重新下载检查大小和md55.2 关于资源包使用的几个实操提醒最后说几个关于资源包本身的提醒都是大家实际使用中容易踩的。第一打开压缩包前先看看文件大小如果明显小于正常值多半是下载不全解压时会报错与其到处问不如重新下一遍。解压工具建议用7-Zip它对多层嵌套目录和特殊文件名支持更好直接双击系统自带解压有些时候会漏文件。第二作业可以讨论思路但不要直接抄代码。课程目的不是交一份漂亮答案而是真正学会解决问题。哪怕你第一次做只做对一半后面收获也远大于复制一份满分作业。如果实在卡住可以先看别人代码的核心思路然后关掉参考自己重写一遍。第三遇到某个文件加密或打不开先确认是不是下载工具导致文件损坏再检查解压工具大概率能解决。这套资源已经在不少学习群里验证过完整度整体上是可以正常使用的。第四可以把每章课件对应的重点术语、作业要点、常考题型整理成一个表格用Notion或Excel都行。我当时的做法是每做完一个知识点就在表里打一个勾一个月下来哪些章节还没复习透一目了然比买一堆标签纸贴在书上好用太多。说实话我自己第一次看到这份课程资源时第一反应也是先收藏再吃灰。后来逼着自己按课件到作业再到试题的节奏走完一轮最大的感受是AI基础真的不一定需要高价训练营只要你肯把作业逐行写一遍把错题背后的知识点老老实实补上这套已经流传许久的资源就足够把你领进门。这门课还让我养成了一个习惯拿到任何新技术先问三个问题——它要解决什么问题它用什么表示方法它怎么评估好坏。这三个问题想清楚了学什么都快。希望这份THU-AI-Intro-Assignments-Tests.zip能成为你AI学习路上的一个靠谱起点。本文还有配套的精品资源点击获取
清华AI导论资源包：课件+作业+试题，系统学AI的硬核起点
简介这是清华大学《人工智能导论》课程龙明盛老师主讲的完整资料包面向计算机及相关专业的本科生、考研备考生及AI方向自学者可系统补齐从模型原理到动手实践的知识链路。压缩包共184个文件、170.1MB文件类型丰富既有PDF讲义、PPT课件、TeX源码等教学材料也有Python脚本、Jupyter Notebook、npy/csv数据文件及实验日志对应编程作业、数据分析和结课报告等环节。附带多份作业与试题包含习题解答、数据资源和运行结果覆盖机器学习、深度学习、自然语言处理、计算机视觉等基础模块有助于对照课件边学边练、检验掌握程度。已有380人学习适合需要完整体系化课内资源来复习、备课或自学人工智能入门内容的用户。 看到THU-AI-Intro-Assignments-Tests.zip这个文件名很多想系统学AI的人应该不陌生。这是清华大学龙明盛老师《人工智能导论》课程的课件、作业和历年试题打包合集在不少学习群里流传过。学人工智能入门有人习惯找吴恩达但国内这套导论课其实更值得先啃它不玩虚的把搜索、知识表示、概率推理、机器学习、神经网络串成一条完整线索学完你对AI到底在解决什么问题会有特别清晰的画面。对自学的在校生、准备考研复试的同学、想系统补AI基础的工程师来说这份资源相当于集讲义、练习册、模拟卷于一体的学习资料省去了东拼西凑的时间成本。1. 这门课和这份资源包凭什么值得花时间去啃1.1 课程定位为什么导论课反而更值得细读很多人对导论两个字有误解觉得就是泛泛讲概念、放几张科普图。实际上龙明盛老师这门课定位是让人真正建立AI知识坐标系。它不是上来就讲深度学习而是把AI的核心问题拆成两层我们想让机器做什么感知、推理、决策以及用什么方法做搜索、逻辑、概率、学习。这种讲法对初学者的好处在于你不会一上来就被各种模型带偏而是先理解搜索、规划、约束满足这些底层能力再看到深度学习时心里会有一个它在解决大问题中的哪个环节的判断。我自己的体会是很多同学刷了几个月视频追了一堆大模型新闻但对为什么需要反向传播为什么模型会有幻觉还是说不清楚本质上就是缺了这层基础框架。这门课的课件恰好把这些底座知识讲得比较透而且每一讲都对应配置了作业题目等于逼着你把听懂变成会做。这种设计与很多只讲概念不布置实操的免费课截然不同也是我推荐优先学这门课的核心原因。1.2 资源包整体结构一个压缩包里到底有什么我拿到的这版THU-AI-Intro-Assignments-Tests.zip解压后的目录结构大概是这样的THU-AI-Intro-Assignments-Tests/ ├── lectures/ # 课件按周划分 │ ├── week01-intro.pptx │ ├── week02-search.pptx │ ├── week03-adversarial-search.pptx │ ├── week04-constraint-satisfaction.pptx │ ├── ... ├── assignments/ # 作业题与代码框架 │ ├── hw1-search/ │ ├── hw2-csp/ │ ├── hw3-bayes/ │ └── hw4-mlp/ ├── exams/ # 期中、期末试题与部分答案 │ ├── midterm-2021.pdf │ ├── final-2021.pdf │ └── ... └── README.md # 课程说明与使用建议不同渠道下载的版本可能会有细微差别但通常都包含这三类核心内容。课件文件一般是PPT或PDF作业会给题目描述和代码骨架试题多为PDF。这个结构本身就很适合自学先用课件建立框架再做作业检验理解最后用试题模拟考试。我的建议是拿到压缩包后不要急着全部解压到桌面先建一个专门的课程学习文件夹按上述三级结构存放。后续复习时每学完一章就在对应目录里回填笔记查找效率会高很多。2. 课件怎么读不是逐页翻完而是带着问题找答案2.1 课件内容主线从搜索到学习的知识脉络这套课件的章节组织大体沿袭欧美名校AI导论课的主流结构同时也带龙老师自己的风格。大致主线是绪论与智能体什么是智能体任务环境如何建模问题求解无信息搜索BFS、DFS、迭代加深、启发式搜索A*、爬山法对抗搜索Minimax与Alpha-Beta剪枝延伸到博弈场景约束满足问题回溯、前向检查、弧一致性逻辑与推理命题逻辑、一阶逻辑、归结法概率与不确定性贝叶斯公式、朴素贝叶斯、贝叶斯网络机器学习基础决策树、线性回归、逻辑回归、SVM的概念深度学习感知机到MLP、反向传播、CNN/RNN的基本思想强化学习与高级话题Q-learning、多智能体、应用案例。可以看到深度学习被放在了比较靠后的位置。这个顺序不是随意排的AI研究的核心难题从来不是怎么搭模型而是怎么表示问题、怎么搜索解空间、怎么在不确定中做决策。先学搜索和逻辑你才能理解深度学习的许多设计动机。另外网上检索人工智能导论时会看到张睿老师相关的一些资料如果你手里恰好有不同版本的讲义也可以拿来交叉参考但主线还是建议以龙老师的课件为准毕竟课件、作业、试题是一套完整体系混着看不同版本容易打乱知识索引。2.2 高效读课件的三步法课件不是小说不建议从头到尾线性朗读。我自己摸索出的三步法可以帮你大幅提高效率。第一步拿出某一周的PPT先看目录页自己列3到5个问题。比如看启发式搜索这一讲前先问自己A*为什么能比BFS更高效启发函数该怎么设计这样读起来有明确目标。第二步快速过一遍正文把不懂的术语标记出来不要纠结细节控制在20分钟以内。很多概念第一遍只需要混个脸熟后面做作业时自然会逼你回头看。第三步立刻做对应的作业题不会做再回到课件里翻公式、看例子。作业做通一个环节这个知识点才算真正属于你。这三步走下来一次学习周期大约需要两小时比单纯看课件记忆要牢固得多。我看过太多人把PPT从头看到尾结果合上电脑什么也说不出就是因为缺少第三部的代码输出和题目反馈。3. 作业才是这门课的精华别指望只看课件就能过3.1 作业设计背后的思路从算法到代码的强制落地这份资源包里最值钱的部分我反而认为是作业。课程作业通常不是那种简单的选择题问卷而是以代码实现为主的编程任务考查的是你能否把算法转化成可运行的程序。以常见版本为例作业会覆盖这几个方向HW1搜索算法在迷宫里实现BFS、DFS、A*比较节点扩展数直观感受启发函数省了多少搜索HW2约束满足问题实现一个回溯求解器解决地图着色或数独顺带接触弧一致性剪枝HW3概率与贝叶斯用朴素贝叶斯做文本分类踩一遍特征工程和拉普拉斯平滑的坑HW4神经网络用numpy手写一个两层MLP在MNIST或简化数据集上训练强制你把前向传播和反向传播的矩阵维度算明白。这些作业本身就是小型项目训练。真正动手写一遍A*,你对启发式可采纳性的理解会远超看十遍课件。而且作业之间还有梯度先做搜索你才知道状态空间怎么建模再学约束满足你才知道剪枝对复杂问题有多重要之后接触贝叶斯你才明白不确定性推理和确定性搜索是两套完全不同的思维。完成一轮作业相当于把整个AI方法体系亲手搭了一遍。3.2 做作业时的实操建议与环境配置做作业前先把Python环境收拾干净。我建议用conda新建一个虚拟环境避免和日常开发环境冲突conda create -n ai-intro python3.9 conda activate ai-intro pip install numpy matplotlib scikit-learn jupyter版本方面不用追新作业框架一般在Python 3.8到3.10之间都能跑关键是numpy和matplotlib装好。跑不通的时候优先检查是不是版本兼容问题。写代码时建议先用小数据集或简化版场景调试比如HW1先在5×5的小地图上跑通逻辑再去跑完整地图。这一步能帮你区分实现bug和算法bug省下大量排错时间。3.3 两个容易被忽略的作业细节第一个细节是随机种子。很多作业里的数据加载、权重初始化都会用到随机数如果不固定seed哪怕算法完全一样每次跑出来的结果也不一样很难和参考答案对比。所以交作业前把random.seed和np.random.seed固定在某个数值养成固定复现的好习惯。第二个细节是实验报告。别把代码往GitHub一扔就算完事课程考核通常还看报告质量。报告里要有实验设置、结果表格、失败案例分析。比如A*在迷宫规模增大后节点扩展数增长了多少这类观察比单纯贴代码有价值得多。写清楚你在实现过程中遇到过什么坑、最后怎么解掉的这份报告放到求职作品集里也是很好的能力证明。4. 往年试题的正确用法从背题变成知识体检4.1 一份试题里有哪些题型试题文件其实揭露了这门课的考核重点。根据资源包里的往年题大致会有这几类题型概念简答题考察什么是智能体搜索的完备性与最优性区别这类基础认知推导计算题比如贝叶斯公式推导、A*开闭集合的扩展过程、反向传播的梯度推导算法设计题给一个新问题要求设计状态表示或启发函数应用题给一个业务场景要求用约束满足问题或概率图模型建模。这些题型说明考试不靠死记硬背而是要求你真正能用知识解决问题。有些同学喜欢把往年题从头背到尾其实风险很高——出题风格每年都在微调场景一换背答案的人就露馅了。正确做法是把它当自测卷先限时做一遍批改后不是只看对错而是去翻错题背后的课件章节搞懂为什么错。4.2 用往年题做知识补漏的复习节奏表我给自己定过一个四周复习计划实测效果不错列在这里供参考时间任务目标第1周通读全部课件按章节整理知识卡片建立完整知识框架第2周重新完成所有作业题不看旧代码巩固代码层面的理解第3周限时做一套往年试题批改后整理错题定位知识薄弱点第4周围绕错题回看对应课件和作业补齐盲区再自测一次这套节奏在校生和在职自学党都适用。如果你时间更紧至少保证第2周和第3周不省略因为这两周是真正输出的阶段最涨能力。对于在职党我建议把每周拆成5个晚上每晚1.5小时连续四周比周末两天突击容易坚持得多也更容易形成知识记忆的连贯性。5. 自学这门课最容易踩的坑我已经替你踩过一遍5.1 高频问题速查表自学过程中下面几个问题出现频率极高。我把对应思路整理成一张表问题原因解决办法课件看了就忘缺少输出环节必须做作业和自测作业跑不出结果环境依赖或随机种子问题固定seed检查numpy版本往年题对不上考点只看题没补基础以课件知识点为纲再做题深度学习部分听不懂线代和概率基础薄弱先补矩阵运算和贝叶斯基础资源包文件损坏下载不完整重新下载检查大小和md55.2 关于资源包使用的几个实操提醒最后说几个关于资源包本身的提醒都是大家实际使用中容易踩的。第一打开压缩包前先看看文件大小如果明显小于正常值多半是下载不全解压时会报错与其到处问不如重新下一遍。解压工具建议用7-Zip它对多层嵌套目录和特殊文件名支持更好直接双击系统自带解压有些时候会漏文件。第二作业可以讨论思路但不要直接抄代码。课程目的不是交一份漂亮答案而是真正学会解决问题。哪怕你第一次做只做对一半后面收获也远大于复制一份满分作业。如果实在卡住可以先看别人代码的核心思路然后关掉参考自己重写一遍。第三遇到某个文件加密或打不开先确认是不是下载工具导致文件损坏再检查解压工具大概率能解决。这套资源已经在不少学习群里验证过完整度整体上是可以正常使用的。第四可以把每章课件对应的重点术语、作业要点、常考题型整理成一个表格用Notion或Excel都行。我当时的做法是每做完一个知识点就在表里打一个勾一个月下来哪些章节还没复习透一目了然比买一堆标签纸贴在书上好用太多。说实话我自己第一次看到这份课程资源时第一反应也是先收藏再吃灰。后来逼着自己按课件到作业再到试题的节奏走完一轮最大的感受是AI基础真的不一定需要高价训练营只要你肯把作业逐行写一遍把错题背后的知识点老老实实补上这套已经流传许久的资源就足够把你领进门。这门课还让我养成了一个习惯拿到任何新技术先问三个问题——它要解决什么问题它用什么表示方法它怎么评估好坏。这三个问题想清楚了学什么都快。希望这份THU-AI-Intro-Assignments-Tests.zip能成为你AI学习路上的一个靠谱起点。本文还有配套的精品资源点击获取