UniMate AI

COMP90054

AI 自主规划

12.5 学分难度 👥 12 人学过

课程定位 COMP90054(AI Planning for Autonomy)是墨尔本大学计算机科学方向的研究生课程,定位在理论框架、方法工具与真实场景应用的结合。课程面向希望进入研究、咨询、产品、分析或管理岗位的学习者,强调把课堂知识转化为可解释、可落地的决策支持。它通常可衔接后续 capstone、研究项目或行业实践。 技术栈与学习内容 学习内容通常覆盖该学科的核心理论、分析方法、案例推演与实务沟通能力。你需要在作业与项目中完成问题定义、方法选择、证据组织、结论表达与风险边界说明,重点是建立完整论证链路,而不是只追求单点结论。对于计算机科学方向课程,老师通常更重视你如何把模型或框架解释清楚,并将其与具体场景建立一一对应关系。 课程结构 一般按 12-13 周推进:前段搭建基础框架,中段进入高密度作业与案例分析,后段进行综合整合与期末评估。常见考核由 Quiz/Workshop、2 次作业或项目、期末评估组成。即便没有明确 Hurdle,评分也会关注关键能力是否稳定达标。课程后半段通常会出现多任务并行,提前拆解任务与里程碑是稳定发挥的关键。 适合人群 适合希望在计算机科学方向深入发展的硕士同学。建议每周投入 10-14 小时,按“预习-实践-复盘”节奏推进。课程难点在于多任务并行与高质量表达;能稳定执行周计划并及时复盘的人,后期表现通常更稳。若你目标是 HD,建议从学期初就维护“错因与改进清单”,把反馈转化为下一轮可执行动作。

Course decision

选课先看

先看考核重心、截止节奏和入门要求,再决定这门课是否适合你的学期安排。

考核总权重

100%

4 项考核

最高单项

40%

Final Exam

期末考试

以官方 outline 为准

Hurdle

1 项

需要单独满足

Deadline map

考核时间线

按截止周排列作业节点;持续考核会保留在下方完整考核结构中。

Week 5

Project 1 (Search)

15%

Pacman 寻路与启发式搜索实现

Week 8

Project 2 (Planning/Games)

15%

对抗搜索或经典规划器实现

Week 12

Project 3 (RL/Contest)

30%

基于强化学习的 Pacman 竞赛

Week 13

Final Exam

40%

综合理论考试

Syllabus

每周大纲

默认只展示每周独有的知识重点;节奏、考核、Tutorial 和避坑信息按需展开。

  1. 1

    AI 规划导论

    自主智能体,规划问题定义,Pacman 介绍

  2. 2

    经典搜索算法

    BFS, DFS, UCS, A* 搜索

  3. 3

    高级搜索技术

    启发式函数设计,局部搜索,模拟退火

  4. 4

    博弈论与对抗搜索

    Minimax, Alpha-Beta 剪枝,蒙特卡洛树搜索 (MCTS)

  5. 5

    经典规划与 PDDL

    状态空间规划,规划图 (Planning Graph)

  6. 6

    不确定性推理

    马尔可夫决策过程 (MDP), 值迭代,策略迭代

  7. 7

    强化学习 (1)

    Q-Learning, 探索与利用,时序差分学习

  8. 8

    强化学习 (2)

    深度强化学习 (DQN) 初探,函数逼近

  9. 9

    多智能体系统

    合作与竞争,博弈均衡,群体智能

  10. 10

    规划伦理与未来

    总结

Assessment

考核结构

Project 1 (Search)

Pacman 寻路与启发式搜索实现

15%

Week 5

Project 2 (Planning/Games)

对抗搜索或经典规划器实现

15%

Week 8

Project 3 (RL/Contest)

基于强化学习的 Pacman 竞赛

30%

Week 12

Final ExamHurdle

综合理论考试

考试需及格 (16/40)

40%

Week 13

Assignments

作业详情

Project 3 (Contest)

设计并训练一个强化学习 Agent 参加 Pacman 团队对抗赛,需综合运用特征工程和奖励函数设计

重点: 强化学习, 策略优化

要求:在排行榜上获得名次可获额外加分

⏱ 预计 45 小时

Reviews

学生评价

4.0

难度

4.3

含金量

3.0

压力

2.7

教师评分

Yue Han

课没太有难度,和其他墨大科目相比,是能挺轻松拿到高分,内容也有一定用处

匿名同学

尽管该课程对你的未来非常有用,但不要仅依靠讲座。 因为2位主要讲师之一没有教学能力。 我认为最好的方法是在开始学习伯克利大学的Edx.org的AI入门课程(直到机器学习的第一部分)之前(如果你不希望失败的话)。

匿名同学

对于两位讲师不能真正教书这一事实,我同意另一点评论。 但是,作业和考试并不是很难,与其他墨尔本科目相比,你可以轻松获得高分。

From Seniors

学长留下的

基础信息谁都查得到,真正值钱的是过来人的经验。

学姐说

比你早一年的学长留下的真实经验 —— ChatGPT 给不了。

这门课还没有学长经验,你可以是第一个 —— 注册后在课内分享。

往年考点 / 踩坑

这门课暂无往年考点记录。

毕业生去向(整体)

下面是匠人学院毕业生整体去过的公司分布(来自脱敏校友证言)。这是全平台的总体去向,不代表选这门课的人一定去这些公司。

统计自 317 份脱敏校友证言

Deloitte

6 位校友

岗位:Graduate Program · Graduate Consulting · Platform Engineer · Web developer · Platform engineer

Zerologix

4 位校友

岗位:Frontend Dev · junior frontend developer · Front-end Developer · Full Stack Developer

Servian

4 位校友

岗位:Full-stack Developer · Data Engineer · Consultant

关于这块数据,我们说实话

雇主墙来自脱敏毕业生证言(testimonials)的整体分布,无法关联到具体学员或其所选课程;仅作为毕业生去向的总体社会证明展示。

我们没有"某位学长选了这门课、后来进了哪家公司"这种可查询的个人去向档案 —— 校友证言是脱敏的,无法关联到具体的人或他选过的课。所以这里只给整体分布,不给个人路径,不编。