CS50 AI · 用 Python 入门人工智能

这门课讲什么

哈佛 CS50 系列里的 AI 分册，用 Python 把人工智能的全景过一遍：搜索、知识表示与逻辑、不确定性与概率、优化、机器学习与神经网络、语言处理。每个主题都配一个可动手的项目。

为什么重要

它是最友好的 AI 第一课。在钻进任何一门硬核课之前，先用它建立”AI 到底包含哪些大块、各自解决什么问题”的全景认知，后面学具体方法时就有了挂靠的框架，不会只见树木不见森林。

怎么学不踩坑

重心放在项目上，而不是看完视频就算数——AI 的知识是”手比脑子先懂”。环境配置是第一个坎，按官方说明用虚拟环境装好依赖再开始。概念面广但每个都偏浅，不要纠结深度，先把全景建立起来，深度交给后面的课。

学到什么程度算过关

独立完成至少 3 个项目，并能讲清搜索、概率、学习这三类方法各自解决什么问题。

高频英文术语

这门课覆盖面广，这些词是 AI 全景里的“地名”，先眼熟起来：

• Search 搜索 —— 在状态空间里找解的一类方法，AI 的起点。
• Breadth-/Depth-First Search (BFS / DFS) 广度 / 深度优先搜索 —— 两种最基础的搜索策略。
• Heuristic 启发式 —— 用估计值引导搜索（如 A*）少走弯路。
• Minimax 极小化极大 —— 对抗博弈里假设对手最优的决策算法。
• Alpha-Beta Pruning α-β 剪枝 —— 给 Minimax 砍掉无用分支的加速法。
• Constraint Satisfaction Problem (CSP) 约束满足问题 —— 把问题表达成“变量+约束”再求解。
• Knowledge Representation 知识表示 —— 用逻辑/符号把知识写成机器能推理的形式。
• Inference 推理 —— 从已知事实推出新结论。
• Bayesian Network 贝叶斯网络 —— 用图表达变量间概率依赖关系。
• Markov Model 马尔可夫模型 —— “未来只取决于现在”的概率模型。
• Reinforcement Learning 强化学习 —— 通过奖励试错学策略。
• Neural Network 神经网络 —— 课程最后引入的深度学习基本结构。