CSCI3230 ESTR01 · Part 1/2 Course information

课程：CSCI3230 (ESTR3108) Fundamentals of Artificial Intelligence · 2025T1 本讲：ESTR01，第 1 部分 / 共 2 部分 · 原件 L01-Introduction-2025T1-ESTR扩展.pdf（本地课件） p.1–23 定位：保留普通版未包含的 ESTR 文章报告要求；这是 2025T1 历史安排。 前后：下一份 Survey

整讲导航：

• 1. Course information：p.1–23。
• 2. Survey：p.24–29。

课程目标与范围（p.1–3）

这是一份2025T1的ESTR扩展导论，不是当前2026T1的课程通知。p.1为封面，p.2的两部分是Course information与The survey，p.3为第一部分扉页。它的作用是保留旧版中特有的阅读、报告说明，帮助理解拓展学习怎样组织。

先决定如何使用它：想确认当前课表和评分，去2026T1课程安排及当期公告；想了解怎样把AI话题做成一份有证据的阅读报告，可继续读本篇的通用学习解释。下面凡人数、时限、页数、比例，均只陈述2025文件中的规则，不自动延续到2026。

**学习路线：**先选一个你能用白话说清的问题，再阅读研究如何处理它，最后用证据与局限组织展示。不要从“我应该介绍多少篇论文”开始，因为篇数并不能替你决定报告要回答什么。

学什么，以及谁提供帮助（p.4–6）

p.5 Understand fundamental math behind AI

p.4说明一门课不能覆盖全部AI；p.5列概念、算法、数学、应用、工具与自行发现资源等目标。p.6列Qi Dou为教师，答疑Monday 3pm–5pm，需邮件预约。这些联系安排属于该历史版本，当前安排另核。

p.5目标完整分三层：了解AI的基本概念、经典算法、基础数学、可处理问题及前沿应用；为AI时代准备兴趣、基础知识、深入理解和用工具解决简单问题的动手经验；学会发现新资源以便以后独立学习。p.6教师Qi Dou所属CUHK计算机科学与工程系，邮箱[email protected]，办公室Ho Sin-Hang Engineering Building（SHB）9楼911。

补充：从一个小阅读问题开始。“AI如何预测价格”仍然太大；可以缩成“只有少量训练数据时，为什么更弯曲的拟合曲线可能在新数据上更差？”这个问题会自然要求说明训练误差、复杂度、留出评价，而不是先堆十个模型名。

理解数学也可以逐层完成：先说每个量代表什么，再用两三条数算一次，最后问一般情况下为什么成立。报告里不必把所有推导都挤进去，但讲述者要知道结论依赖哪些条件；否则听众一问“这里如果没有标签呢”，就难以判断原方法还适不适用。

助教、课堂与周计划（p.7–9）

p.7的助教为Zelong Tan；p.8旧版列普通课、ESTR附加课及Tutorial时段。旧表中最后两个Tutorial都写T03，属于原件标签重复，不能擅自当作2026班次。此处不将旧表重用为出勤指南。

p.7助教邮箱[email protected]，答疑星期一14:00–16:00、SHB 121。p.8完整历史课表如下，保留原班次重复：

原页说明四个Tutorial讲相同内容，选择适合的一个。

p.9暂定从线性回归、逻辑回归、SVM、聚类，到神经网络、CNN、Transformer，再到两类搜索和医疗/HCI/机器人应用。ESTR增加矩阵、阅读说明、收敛、对偶、迁移学习、行业讲座与展示。计划仅说明预定主题，不能证明对应内容都已讲授或每份后续材料都存在。

p.9逐周安排（2025暂定，末尾另有“?”，不是执行记录）：

**补充：主课与拓展怎么接。**主课先学模型如何预测、误差怎样定义；拓展可能进一步证明优化结论、研究新任务或比较论文。若尚不明白输入与参数的区别，先补主课小例子会比直接读“收敛定理”更有帮助。拓展不是因为名称更高级就必须先读；它应回答基础学习后自然产生的更深问题。

评分比例与选题（p.10–11）

p.10 Article reading / Project: 20%

按2025原件：作业40%，参与5%，期末35%，文章阅读/项目20%；最后一项在该版拆为展示10%、书面报告10%。四个一级项目合计100%，两个10%是全课比重，不是20%中的各10%。该版考试写Closed book, closed notes；不能用此旧版本定夺2026最终安排。

p.10另说明作业暂定4份，包含概念题、实践题与编程（例为SVM、神经网络、有信息搜索）；课堂参与通过uReply。

**补充权重例子：**若展示内部得80/100，且其全课占比10%，它贡献8个总评点；不是贡献80点，也不是贡献20%乘10%再乘80。数字80是演示自取，真实评分仍按当期实际规则。

p.11列十个阅读方向：医疗、自动驾驶、机器人、科学、语言、游戏、艺术、教育、人机协作、伦理。独立的选题讲义另列金融共十一项，不应把两份材料的列表差异偷偷抹平。

从方向缩到问题（补充）：“医疗AI”是方向；“跨医院使用图像模型时，怎样确认性能没有因设备变化而下降”是可讨论问题。后者帮助你决定该读哪些实验、什么算证据、哪些结论不能下。本例是学习选题方法，不是新增教师指定题目。

分组与口头展示（p.12–13）

这两页含修订删除线，必须看页面而不能只读提取文字。已按图核对：p.12的Individual被划去，替换为Group (2 students)，并注明每组一份报告；p.13的15和5分钟被划去，替换为12分钟展示、3分钟问答。展示计划从十月中旬开始，都是该2025版本的说明。

p.12完整流程是两人组队→从十方向选题或做动手项目→学期内读相关论文→十月中旬起展示→每组提交一份报告。七个目标为拓宽AI知识、理解前沿成果、练研究论文阅读、发现后续信息源、练展示、学习学术写作风格与工具、鼓励实践。

展示内部评分为内容40%、结构20%、表达20%、互动20%。它们评价的是不同问题：资料是否准确深入；论述是否有连贯顺序；听众能否跟上；是否能有效回应和提出问题。不是把幻灯片做得密集就自动满足“内容丰富”。

p.13各评分项的完整观察点：内容须信息丰富、理解深入，观点有逻辑且服务主题；结构须有清楚提纲、段落过渡顺畅、统一故事线；表达须流畅清楚、速度适宜、清楚回答观众问题；互动须主动向其他组提问和讨论，富有思考与启发的问题可获bonus。

**补充演练：**假设选的是图像模型跨医院表现。可以先用一分钟解释“为什么同样叫CT，数据仍可能不同”；再介绍一项研究如何划分医院、训练与测试；接着读它的结果和对照，最后说明结果支持哪里、没有验证哪里。这个顺序让每一步回答前一步留下的问题，而不是按论文发表年份轮流介绍。

这里的时间分配是讲述示意，不是教师规定。你不必为了凑满12分钟塞更多主题；如果一个重要符号解释需要半分钟，就应删掉旁支内容，而不是把解释略掉。听众看不懂符号时，后面的数字再精确也难形成理解。

**自检：**如果删去某页幻灯片，听众是否仍能跟上主问题？若能，而且该页不提供必要证据，可能就是可压缩的旁支。

三页报告与工具（p.14–16）

p.14 Content within 3 pages (excluding references)

2025原件要求正文至多三页、不计参考文献，使用LaTeX与NeurIPS模板。报告内部评分：内容60%、组织20%、格式20%。这些是历史要求；当前版本是否相同需看当期通知。

p.14内容60%具体检查选题是什么、为什么重要且当下有用、相关应用、自己的理解与洞见；组织20%检查引言/方法/结果/讨论的逻辑和易读结构；格式20%检查规范数学表达、清楚美观的图表、遵循LaTeX模板。不是仅交满三页就满足内容要求。

**先理解报告的四个角色。**引言告诉读者问题与意义；方法说明作者如何处理问题及依赖的假设；结果给可核查的证据；讨论解释这些证据支持什么、还缺什么。这四个角色比“每部分占几段”更重要，不能把一篇摘要翻译后自动当成自己的分析。

**补充小例子：**若一方法在A医院测试100例而未在B医院测试，结果段可以描述A的评价；讨论段可以指出尚缺跨医院验证。不能在结论写“已经适用于所有医院”。数字100为示意，目的是练习结论范围与证据范围一致。

若出现公式，先让读者知道它在做什么。例如误差函数 $L(\theta)$ 中，$\theta$ 表示待调整参数，$L$ 输出一个评价这些参数的数；仅印出符号不会自动解释输入与输出。更具体的公式还需说明样本、单位、求和与取平均的约定。

p.15介绍LaTeX为技术文档排版工具，p.16介绍Overleaf在线使用它。工具可以帮助公式、引用、编号一致，不能替你验证论文是否真的支持正文观点。三页限制需要删重复背景，不应删实验条件、来源或关键限定词。

补充 · 报告中的一段论证怎样从材料长出来（通识讲解；演示数据不属于原题）。

可以把一段报告写成“问题—主张—证据—限制”的连续推理。假设问题是模型能否迁移到新环境；主张先限定为“在某些未参与训练的场景仍保持可用表现”；证据要指向真正隔离这些场景的实验；限制再解释哪些设备、群体或条件没被测。四步彼此约束，不是四个可以各自堆字的栏目。

若论文只在同一数据集随机切分，最多支持那个划分下的测试表现，不能把“测试集没用于梯度更新”偷换成“已经验证跨环境迁移”。口头展示时用一张对照图把这一步证据差距讲清，往往比再罗列五篇标题更有内容。这里提供阅读写作方法，不新增2025或2026的课程提交要求。

补充：把论文中的一项主张追到可评价的证据

以下为自编阅读练习，不是新增的报告评分规则。若论文声称“新方法比基线更好”，先把“更好”拆成具体任务、数据划分、指标和比较条件。然后在方法部分找它究竟改变哪一步，在实验部分找支持该改变的结果；若同时改了模型、训练时长和数据，不能只凭最终表格把全部改善归因于其中一个模块。

例如表中准确率由80%升到82%，至少还要知道评估样本数、是否相同测试集、是否重复实验，以及计算代价是否也改变。2个百分点是两个比例相减；相对错误率则从20%降到18%，相对减少10%，两个说法都可算，但不能混写成“准确率提升10个百分点”。

口头报告可以沿“问题→方法变化→关键证据→限制”解释一个主张。限制不是礼貌性加一句“还有提升空间”，而应具体到证据没有覆盖什么，如只在一个数据集上、未比较同等预算、没有隔离模块作用。把作者结论与自己根据实验能支持的结论分开，读者才知道哪一层是原文、哪一层是你的分析。

账号、课程平台与读物（p.17–19）

p.17展示Overleaf注册入口，p.18汇总课程网页、Blackboard 2025R1-CSCI3230、uReply与Piazza。它们是旧版列出的平台，不表示当前需要新注册什么账号，也不代表这篇笔记进行了任何提交。

原平台入口及分工为：

p.19三本书分别是Hastie、Tibshirani、Friedman《The Elements of Statistical Learning》第2版（https://web.stanford.edu/~hastie/ElemStatLearn/）；Goodfellow、Bengio、Courville《Deep Learning》（https://www.deeplearningbook.org/）；Russell、Norvig《Artificial Intelligence: A Modern Approach》第4国际版（http://aima.cs.berkeley.edu/global-index.html）。前两项原页标可免费读PDF，第三项标丰富网站资源。

p.19推荐统计学习、深度学习、人工智能综合教材。**补充读法：**带着一个缺口查书，而不是遇到一个陌生词就开三本书从头读。若研究说用了正则化，先回主课理解“在误差之外约束参数大小”的意义；若研究说换数据后表现下降，先检查数据划分与评价。能把论文术语接回一个已会的小例子，才容易继续读。

在报告里引用教材解释背景，与引用论文报告某次实验，是不同证据用途。教材中的一般结论不能代替具体论文的实验条件，论文标题也不能代替正文结果。

信息来源、承诺与参与（p.20–23）

p.20列媒体、博客、学术检索、论文平台等发现入口；p.21列教学承诺；p.22强调参与、按时完成任务与学术诚信；p.23说明调查会影响材料和节奏。这些属于学习过程，不是模型的数学假设。

p.20逐项入口为MIT Technology Review（https://www.technologyreview.com/）、Google AI Blog（https://ai.googleblog.com/）、Google Scholar（https://scholar.google.com/）、ResearchGate（https://www.researchgate.net/）、arXiv（https://arxiv.org/）、OpenReview（https://openreview.net/）、YouTube的Two Minute Papers频道、Twitter上相关官方账号。名称与地址按历史页保留。

p.21承诺及时上传讲义、适当速度和难度（学生反馈关键）、迅速回邮件、及时Blackboard公告、及时公平评作业；p.22期望出席且准时、积极参与、按时完成作业、遵守学术诚信；p.23用背景调查决定覆盖材料、呈现方式、速度和难度。

**补充：沿证据往回走。**媒体写“AI大幅提升表现”，先找到它指的原研究；在论文里再找比较谁、使用哪些数据、哪个指标、变化多大。若只找到标题而没读结果，就把它当待阅读线索，不写成已经验证的结论。

“自己的理解”不是不需要来源。它可以是把原实验条件串成一条清楚的推理，或指出作者没有测试的场景；要让读者分清论文结果与你的解释。不了解的部分可以明确保留问题，比补一个听起来专业但没有证据的答案更可靠。

本篇的学习建议也不等同评分细则。具体课程规则来自对应年份文件；具体研究结论来自实际读取的研究；二者都不由笔记作者自行增加。

本讲核心考点

• 文章报告的分组、时间、页数与评分来自 p.10、12–14，B 级且限 2025T1。
• 周计划只证明计划覆盖；本地缺少 L11–L13 正式课件。
• 主课概念从 2026T1 L01 开始。

附录

本部分没有需要另展的推导或题目演练。

来源与证据

• 原件：L01-Introduction-2025T1-ESTR扩展.pdf（本地课件），p.1–23；均为当前 PDF 页号。
• 证据边界：本次重写核对本篇所列原课件；旧笔记保留的往年题定位仅作历史练习，不代表 2026T1 考核承诺。
• 往年卷仅证明相应年份考过；2024 卷及 2025 节选未公开的选择题不作推断。