高级人工智能（李金龙）
本课程是计算机科学与技术学院计算机应用技术方向的专业基础课。授课内容符合课程简介，没有具体使用哪本教材，主要按照老师的PPT。
关于课程内容，我本人并不研究人工智能方向，因此有一些内容仍属第一次了解。与科大本科的人工智能课程相比，内容主题有重叠，但重叠部分也会有不同的理解视角。李金龙老师能够站在一个更高的层次上将课上涉及到的主题内容串联起来。在前两节课上介绍的知识脉络，第一次听可能不以为然，但实际上是贯穿整门课程的引子，在复习时有很好的提纲挈领之作用。
关于课程作业，是两次开放性质的报告。第一次要求对一个实际问题形式化为一个搜索问题，并给出其解法；第二次要求调研一篇近年来梯度下降领域的研究。从最低要求来看，作业的负担是很轻的。
关于期末考试，形式为闭卷，题型有填空题、判断题、简答题和计算题。会涉及到讲授内容的概念以及一些算法的使用和简单分析，难度因人而异。在复习时一定要注重基本概念的理解和重要式子的记忆（比如常见的三种激活函数及其大致图像）。另外李金龙老师应该是每次都会重新出题。
总的来看，李金龙老师这门课程很好的完成了课程简介中的任务，让我对人工智能现今发展的方向有了大致了解。本课程没有任何程序设计，因此如果想了解某一个方向更细节的内容，建议去选修对应的课程。
这里将我复习时总结的大纲上传：NotesOnAI.pdf。这篇大纲基本是PPT中的内容，但是也加入了我个人的理解和一些其余资料，同时也有略去的部分（但不代表略去的就不考，比如今年填空考察了LSTM的几个门）。如果是在浏览一遍PPT之后在看这个大纲，或许能有一些效果。
-----------------------------
在这一部分试着回忆一些今年的考试试题：
计算题：贝叶斯网络表格的构建与条件概率的计算；常见激活函数及其图像；CNN卷积核应用到矩阵的卷积计算；简单马尔可夫决策过程上的策略评估计算
涉及到的概念（于填空题、判断题和简答题）：泛化能力的概念；马尔可夫决策过程中的概念和贝尔曼方程；LSTM门；决策树叶子结点的数目性质；启发式算法和贪婪算法的关系
还有等等内容，现在已经忘记。