CSCI3230 L01 · Part 1/5 Course information

课程：CSCI3230 (ESTR3108) Fundamentals of Artificial Intelligence · 2026T1 本讲：L01，第 1 部分 / 共 5 部分 · 原件 L01-Introduction-2026T1.pdf（本地课件） p.1–23 定位：分清课程要学的能力、两种课程身份的评分安排，以及课件和公告分别去哪里找。 前后：下一份 What is AI

整讲导航：

• 1. Course information：p.1–23。
• 2. What is AI：p.24–35。
• 3. Today’s AI：p.36–50。
• 4. Fundamental concepts in AI：p.51–73。
• 5. Summary：p.74–75。

p.1 标题页；p.2 是本讲五部分的 Outline；p.3 分节页。

学什么，以及为什么不能只看应用（p.4–6）【新】

p.6 Understand fundamental math behind AI

第一次接触AI时，“既要数学又要编程，还要这么多模型”容易让人觉得必须全部先会。p.4–6 的意思相反：AI范围很广，一门课不可能覆盖一切；课程选择一组基础，帮助你以后读懂更多方法。

先用一个问题贯穿本课：**有过去的商品重量与价格，能否预测新商品价格？**这不是课件原题，而是理解课程结构的补充例子。我们依次要回答：读入哪些信息，采用什么计算规则，规则里哪些数可调整，预测偏离真实时怎样计分，以及换新商品是否仍然有效。暂时不用任何公式，也已看见模型、训练、评价为什么缺一不可。

p.5 的基础与应用关系可以理解为：应用展示你看见的结果，数学、算法、编程解释结果如何产生。会按一个按钮与能判断结果是否适合任务，是不同能力。代码不报错，只能说明这次执行没有触发程序错误，不自动证明数据划分、目标设定和结论正确。

**适合初学者的学习停靠点（补充建议）：**每次遇到新方法，先能用一句白话说任务，再用两三条小数据算一次，最后才压缩成公式。如果第二步还跟不上，回去补该步所需的运算，不必一次补完所有高等数学。p.6 也提到独立寻找资源；教材是遇到具体缺口时的帮助，不是开始学习前必须读完的门槛。

**原页内容补全（p.4–6）：**p.4 强调范围广且受关注；p.5 的冰山图把 application、cutting-edge research 放在水面附近，水下列 parallel computing、human–AI collaboration、machine learning、reasoning、programming、ethics、algorithms、classic concepts、psychology、math。图的关系是“可见应用依赖大量基础”，不是这些学科之间的先修顺序图。p.6 的学习目标逐项是：理解 AI 的基础概念、经典算法、背后的数学、可解决的问题、前沿应用；激发兴趣、学习基础、加深理解、用工具动手解决简单问题；最后能自行寻找新资源。原页并未保证一门课教完所有 AI。

教师、助教与上课安排（p.7–9）

p.7列教师Qi Dou，答疑为Monday 3pm–5pm，需邮件预约。p.8列Zirui Wang（协调）、Jihai Zhang、Wenxin Fan、Siyuan Huang、Haoyuan Wu。以下是当前2026T1课件中的安排；旧ESTR导论的助教与地点不能拿来覆盖它。

表（p.7–8）：原课件列出的教学联系信息，属于该版资料中的安排。

p.9写“4 slots, teaching the same contents”。四个Tutorial时段不是四份不同课程内容；选择和调整仍以课程实际安排为准。上表保留原件的时间写法，临时变动需要看公告。

**补充：怎样提出能得到帮助的问题。**与其只说“全都不懂”，可以带一小段过程：“我知道输入是什么，也算出了预测；但不明白为什么误差要平方。”这样对方能定位你卡在定义、计算还是推理。即使尚未算出答案，把最后能跟上的一步标出来也有用。这是学习建议，不是教师额外规定。

课程顺序与 ESTR 扩展（p.10–11）

先把两张表的身份分开：p.10是主课暂定顺序，p.11是在相同主线上加入ESTR内容。“暂定”表示计划，不保证每个日期或后续主题已完成。

**读懂这条路线（补充解释）：**线性回归先预测一个数，让我们练“规则—误差—选参数”；逻辑回归把输出换成类别相关概率，迫使我们重新选择合适误差；SVM研究另一种分类边界；聚类拿掉已知标签，转而找相似结构。神经网络让模型表示更灵活，搜索则研究在状态与行动之间寻找解。这不是凭空增加一串名字，而是每次改变问题中的某一部分。

ESTR的矩阵、收敛、对偶等扩展进一步问“为什么结论成立、需要什么条件”。例如会用一个公式与能证明某矩阵可逆，是两层要求。CSCI3230初学时可以先建立主线，再按实际课程身份进入扩展，不把所有ESTR推导都当作已掌握的前置。具体后续正文若标ESTR，保留这个边界。

不要把周计划当成作业提交期限。表里出现Assignment编号只记录计划布置节点；当前作业原题或公告才给具体提交条件。本篇不根据计划表推算缺失日期。

补充 · 把先修要求变成可执行的补课顺序（通识讲解；演示数据不属于原题）。

第一次遇到“线性代数、微积分、概率”容易以为必须先学完整本书才能开始。本课前半段可以按实际卡点补：不会从一行特征算预测，先补向量点积；知道预测却不会调整参数，再补导数与链式法则；会算概率却不明白为什么对数相加，再补独立样本与乘法。每次只补当前推导真正需要的内容，然后回到原例题。

例如回归中 $\hat y=2x+1$，代入 $x=3$ 得 7，只需代数；解释“斜率改一点，预测为何跟着变”才需要导数；一次处理十行样本才需要矩阵。把三个问题分开，就不会把记不住矩阵符号误判成自己完全不懂回归。课程安排说明学习路径，不替代当期公告；这里的补课顺序也不是额外作业或考试范围。

补充：怎样判断自己卡在课程路线的哪一层

课程表列出了先后顺序，但“读过前一讲”不等于具备后一讲要用的操作。把准备工作落到三个可检查的动作。读线性回归前，试算 $(1,2)\cdot(3,4)=11$，并解释这是两个位置分别相乘再相加。读逻辑回归前，试对 $f(t)=(2t+1)^2$ 求导：外层平方给 $2(2t+1)$，内层给2，相乘得 $4(2t+1)$。读搜索前，给出一个状态和两种合法后继，并能把“当前状态”与“到达它的动作列表”分开。

这些是自编准备检查，不是新增的课程考试要求。第一项不会，先补向量与矩阵乘法；第二项不会，先补链式法则；第三项不会，先补问题建模。三种障碍不同，不必为了一个计算符号不熟而把整门课重学一遍。反过来，算得出点积也不能自动证明会建立模型：还要解释两个向量各存什么、坐标对应什么单位。后面的 Part 会在使用这些操作处再次展开，这里的检查只帮助选择阅读速度。

资料入口与教材（p.12–13）

p.12把资料分到不同入口：课程网页给概览与阅读材料；Blackboard 2026R1-CSCI3230放课件、作业规格、提交入口和公告；uReply用于互动；Piazza用于讨论。课件所列Piazza网址仍带fall2025，这只是文件中的链接文本，不能据此把整门课学期改成2025。

**遇到信息冲突时先辨用途（补充建议）：**学习笔记解释“为什么”，作业规格决定“交什么”，课程公告可能修订日期与安排。不能用笔记里的一句话覆盖当前作业要求，也不能用旧卷允许带笔记的规则覆盖本期说明。

p.13列三类参考书：《The Elements of Statistical Learning》偏统计学习，《Deep Learning》偏神经网络，《Artificial Intelligence: A Modern Approach》覆盖更广的智能体和搜索等问题。你不必先通读三本书。例如卡在矩阵相乘，先补当前公式中那一个维度问题；卡在损失含义，先用小数据计算，再按对应章节查背景。这样教材是在回应一个明确问题，阅读负担会小得多。

**原页入口与书目（p.12–13）：**课程网站为 https://www.cse.cuhk.edu.hk/~qdou/csci_3230/，Blackboard 为 https://blackboard.cuhk.edu.hk/，uReply 为 https://server5.ureply.mobi/student/mobile_index.php?join=，Piazza 原文为 https://piazza.com/cuhk.edu.hk/fall2025/csci3230estr3108/home。这些是课件记载的地址，此处没有重新验证服务状态。Blackboard 还包括讨论区，并要求查看学校邮箱中的公告通知。

这里转录书目，不表示已读这些书的全文。

两种身份的评分不能混在一起（p.14–15）

这两页按注册身份给两套完整评分。先选属于自己的那一行，再看该行内部怎样加总；不能把两行取最大值拼起来。

p.14–15 对两种身份均注明：作业暂定四次，既有概念题也有实践题，编程例子包括 SVM、神经网络、有信息搜索；课堂参与通过 uReply。ESTR 的额外项目选择 AI 主题，并包含展示和书面报告。

CSCI3230的60+5+35等于100；ESTR的40+5+35+20也等于100。ESTR阅读/项目的20%替换了部分作业比重，不是在CSCI总分之外再加20%。2026课件只说展示与报告，并未在这里给二者各自占比；不要未经核对照搬2025扩展资料的10%+10%。

**补充计算，帮助理解权重：**若某身份的期末占35%，期末原始成绩为80/100，则该项贡献 $0.35\times80=28$ 个总评分数。35%是该项占比，80是该项内部成绩，两者角色不同。此例为教学取数，不预测实际成绩计算中的其他细则。

p.14 Closed book, closed notes (tentative)

本版期末闭卷、闭笔记仍带tentative。旧卷的携带笔记规定只能说明旧卷；最终当期规则要以当期公告为准。这里是课件B级行政证据，不是任何题型“必考”的证据。

教学承诺、参与与反馈（p.16–18）

p.16提及时发课件、适当节奏、邮件回复、公告和公平评分；p.17提准时参与、按时完成任务和学术诚信；p.18说明调查用来调整材料、呈现与难度。三页连接的是“课程如何获得反馈”，不是机器学习的训练假设。

把反馈说具体（补充建议）：“推导太快”还可以拆为“第一行的符号没介绍”“从第二行到第三行不知道用了什么规则”“能跟计算但不懂为什么求这个量”。三种卡点需要不同帮助：补定义、补代数步骤、补问题动机。你可以带着最小例子去问，而不必等整章都看懂后才发言。

做练习时也把“能看懂别人解法”与“能遮住解法独立走一遍”区分开。前者是熟悉，后者才检验是否能主动运用；这与后面机器学习把训练表现与独立评价分开，有相似的学习直觉，但两者不是同一数学过程。

兴趣、先修经历与概念熟悉度调查（p.19–21）

p.19分别问概念、算法、数学、编程、应用兴趣；p.20问AI/ML/DL/Data Mining、线性代数、优化的经历；p.21问logistic regression、L2 norm、Lagrange multipliers、PCA、gradient descent、max pooling、softmax的熟悉程度。这里列名是在调查未知程度，不是在宣布老师已教完这些概念。

**补充：用分层标准理解自评。**见过一个词是一层，能用白话解释是一层，能手算一个小例子又是一层，能说明什么时候不能用是更深一层。“不知道”是可用的调查信息，不是应被隐藏的错误答案。

例如“梯度下降”这个词若只知道“往低处走”，可以诚实停在直觉层；后面还会学习往哪个方向、走多大、为什么可能越走越差。此时不必为了填表先背一个所有符号都不懂的公式。按当前需要逐步补上，比一次记住七个定义更可持续。

工具经历与特别需求（p.22–23）

p.22分别询问Python、Matlab、Scikit-learn、PyTorch经历；p.23让学生表达特别需求。语言用于写程序，库提供现成运算或模型接口，二者不是同一层：会调用一个库不等于已经懂全部算法，懂手算也不等于熟悉库的数据格式。

**补充实践建议：**同一小例子可分三步练：纸上算一次预测；用最少代码复现算术；再用库处理较大数据。若库结果不一致，就回到数据形状、单位、损失是否取平均等具体差异，而不是马上换更复杂模型。

特殊需求可以说明“希望每个公式先解释符号”“希望先看二维例子再推广”，不需要写成专业研究问题。调查答案属于个人经历与偏好，本篇不代填，也不把这些建议冒充课程新增要求。

**调查选项补全（p.19–23）：**p.19 每行选一项，五档为“Yes, a lot! / Yes / Not too much / No!!! / What is it?”；p.20 五档为“上过 CUHK 课程 / 上过线上课 / 自学过材料 / 了解一些基础 / 完全没有”；p.21 四档为“能教这个主题 / 知道 / 听说过 / 不认识”；p.22 五档为“专家 / 常用 / 会用 / 听说但没用 / 不认识”。p.23 是开放式特别需求，没有给标准答案。保留这些尺度，是为了让你可以在笔记中完成同样的自我定位。

本讲核心考点

• 两种课程身份分别计分，期末均 35%（p.14–15，B 级）。
• 本版闭卷闭笔记仍属暂定，不能沿用旧卷说明（p.14–15，B 级）。

附录

本部分没有需要另展的推导或题目演练。

来源与证据

• 本篇按本学期阅读版 PDF 核对；正文页码均为去除动画中间页后的 PDF 页号。 原始 PDF 90 页，阅读版 75 页；逐页映射（本地资料）、清洗核验（本地资料）。

• 原件：L01-Introduction-2026T1.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。