※ 本文是否可提供臺大同學轉作其他非營利用途？（須保留原作者 ID）
（是／否／其他條件）：
是，須通知作者
哪一學年度修課：
101-1
ψ 授課教師 (若為多人合授請寫開課教師，以方便收錄)
于天立
δ 課程大概內容
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 私心推薦指數(以五分計) ★★★★★
★★★★★★★★★★
η 上課用書(影印講義或是指定教科書)
沒有教科書，投影片為本體。但有兩本參考用書。
[人工智慧，AIMA，主要]
Artificial Intelligence: A Modern Approach, 3/e,
by Russell and Norvig
[機器學習，ML，次要]
Machine learning, by Mitchell
μ 上課方式(投影片、團體討論、老師教學風格)
投影片上課。
投影片內容非常紮實，有上過老師計算機概論的同學應能體會。
老師會舉大量例子來解釋，讓學生更好理解，
每次上課前也會花一些時間概覽上次的進度。
如果有不懂的地方，下課去問老師，老師會很熱心的解答，
若還是不清楚，老師會在下次上課時給出更好的解釋或例子。
σ 評分方式(給分甜嗎？是紮實分？)
程式作業(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)
期末總成績全班加4.5分。
若在邊緣(研究所標準是70分?)，會視作業繳交情形拯救之
ρ 考題型式、作業方式
作業是寫UC Berkeley著名的小精靈Project，
內容是search與learning相關。(不過我們的HW似乎有做過修改)
語言是Python，但學過C++的話要適應應該不難，
建議參考Python官方文件邊寫作業邊學。
每個作業約花三~四個晚上左右，包括學Python的時間。
考試方面，雖然可以帶雙面A4大抄，
但沒真正讀懂的話大抄也救不了你，
因為考題非常靈活，需要多加思考。
建議在大抄上記一些投影片上的證明，會有幫助的:)
期末專題，2~3人一組，自訂一個有關AI或ML的題目，
期末上台報告10分鐘並交一篇term paper(就是報告XD)。
內容舉例而言，可以是遊戲AI(撲克牌、棋類...)或影像處理。
不過只能報告10分鐘，因為組別太多，
所以務必注意時間orz
ω 其它(是否注重出席率？如果為外系選修，需先有什麼基礎較好嗎？老師個性？
加簽習慣？嚴禁遲到等…)
程式能力是必要的，作業和期末專題都會用到，
老師表示：資料結構或演算法起碼要修過一個。
老師完全不在意是否出席或遲到早退，但學生應該會TAT
投影片密度太高，回家自己啃會有點辛苦。
加簽的話，本學期是3類加選，因為期末專題每組都要上台報告，
老師不希望人太多XD
Ψ 總結
雖然這是一門研究所的課，
而且還有大學部較少見的期末專題，
不過整體來說還是適合大三以上對CS有興趣的同學來修，
可以對AI這門極廣泛的領域有更具體的認識:)