教学大纲

简介

本课程介绍了构建应用系统以及从计算的角度解释智能时，所使用的表述方式、技术和结构。探讨了其在规则推理链，启发式搜索，逻辑，约束传递，约束搜索和其他问题解决的范例的应用。另外，本课程还涵盖了有关决策树，神经网络，支持向量机(SVM)和其他学习范例的应用。

6.001: 我们有定期分配的任务，希望您能够阅读并编写方案。这是我们唯一的构建条件。

18.02: 我们认为您已经了解了链式法则，偏导数和内积的知识。如果您没有选修18.02(或不是正在学习这门课程)，您确实应该等到修完后再学习6.034

本课程涉及到三个主要领域:

在线作业作为本课程的一个主要部分，是必须完成的。任意一个在线作业拿到90分就可获得满学分。90分和100分没有区别。如果在线作业平均分在75分以下，将会导致本课程学分不全。

迟交的作业只会得到一半的分数，除非你有合理的理由，并且得到助教的许可。

完成6.034的同学将能够：

H - 作业

Q - 课堂测验, 期末考试

完成6.034的学生将能够：

预期课程成果表
成果	如何检测	相关目标
1. 预测基于向后推理规则系统的行为。	H, Q	1, 2
2. 预测多种启发式和优化搜索方法(包括深度优先、广度优先、最优优先，代价一致法和A*)的行为，评估时间和空间代价，并为特定问题选择合适的方法。	H, Q	1, 2
3. 预测各种约束满足方法(回溯法, 前向检验, 约束传播)的行为, 并为特定问题选择合适的方法。	H, Q	1, 2
4. 开发基于逻辑，基于规则的和基于搜索的小型系统, 预估性能特征,并描述规则推理链和搜索在智能系统工程中的作用。	H	3, 4
5. 使用规则和逻辑表述行为、分类和因果知识。	H, Q	1, 2
6. 应用基本的机器学习方法，如最近邻法、判定树和神经网络。	H, Q	1, 2
7. 预测基本机器学习方法的行为，并为特定问题选择合适的方法。	H, Q	1, 2
8. 修改并扩展主题表述和各种方法的简单实现。	H, Q	3, 4
9. 开发小型学习系统，预估性能特征，并描述学习在智能系统工程中的作用。	H	3, 4
10. 讨论知识表述、问题求解和学习中的关键问题。	H	1, 2, 3, 4, 5