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 python=3.9 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md5 |
5.2 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
