这一页讲的是课程COMPSCI 713的简介，主题为AI Fundamentals，授课教师包括Dr. Thomas Lacombe和Dr. Xinyu Zhang。

这一页讲的是课程COMPSCI 713的简介，标题为AI Fundamentals Introduction，说明这是一个关于人工智能基础知识的课程。幻灯片上还标明了授课教师是Dr. Thomas Lacombe和Dr. Xinyu Zhang，表明课程的学术团队。背景图片结合了奥克兰城市景观和传统雕刻艺术，体现了新西兰的文化特色和科技的结合。这一页主要是为了引导学生了解课程的基本信息和教学团队，同时也通过视觉设计传递课程的文化背景和学术氛围。

这一页讲的是人工智能（AI）的定义和核心能力，包括学习、推理、问题解决、感知和语言理解等认知能力。

这一页讲的是人工智能（Artificial Intelligence, AI）的定义及其实现方式。人工智能是通过模拟人类智能，使机器能够像人类一样思考和行动的技术。其核心能力包括学习（learning）、推理（reasoning）、问题解决（problem-solving）、感知（perception）以及语言理解（language comprehension），这些都是认知能力的例子。人工智能的实现方式是通过设计能像人类思考的计算机、机器人或软件系统。实现人工智能的关键在于研究人类大脑的模式并分析认知过程，这些研究的结果可以开发出智能的软件和系统。例如，语音识别技术通过分析语言模式来实现语言理解功能，从而让机器能够与人类交流。

这一页讲的是弱人工智能（Weak AI）和强人工智能（Strong AI）的区别。弱人工智能专注于特定任务，缺乏通用智能；强人工智能具备类似人类的智能能力，但仍处于理论阶段。

这一页讲的是弱人工智能（Weak AI）和强人工智能（Strong AI）的区别。弱人工智能也称为窄人工智能（Narrow AI），指的是设计用于执行特定任务的人工智能系统。这些系统在其指定功能范围内表现出色，例如语音助手（如 Siri 或 Alexa）、推荐算法和图像识别系统。弱人工智能的特点是只能在预定义的边界内工作，无法超越其专业领域进行泛化。相比之下，强人工智能也称为通用人工智能（General AI），指的是具备人类水平智能甚至超越人类智能的人工智能系统。强人工智能能够理解、推理、学习并应用知识来解决复杂问题，其能力类似于人类的认知。然而，目前强人工智能的发展仍然主要停留在理论阶段，尚未实现。举例来说，弱人工智能可以通过推荐算法为用户推荐电影，但无法像人类一样理解电影的深层含义，而强人工智能则有潜力做到这一点。

这一页讲的是课程的时间线与主题安排，包括人工智能的基础、学习与适应、搜索与决策、以及真实世界的应用。表格列出了每个主题的内容和重要性。

这一页讲的是课程的时间线与主题安排，分为四个主要部分：人工智能的基础（Foundations of Intelligence）、学习与适应（Learning & Adaptation）、搜索与决策（Search & Decision Making）、以及真实世界的人工智能应用（Embodied & Real-World AI）。表格中，第一列是主题（Theme），第二列是具体内容（Content），例如逻辑（Logic）、知识表示（Knowledge Representation）、遗传算法（Genetic Algorithms）、深度学习（Deep Learning）、树搜索（Tree Search）等；第三列是每个主题的重要性（Importance），例如机器如何表示和推理世界、从数据和交互中学习、选择最优动作，以及在物理和社会环境中的行为。右下角的流程图进一步展示了这些主题如何结合形成智能代理（Intelligent Agents）。例如，学习与适应部分强调机器从数据中学习的能力，而搜索与决策部分则关注如何选择最佳行动。

这一页讲的是课程 COMPSCI 713 的介绍，重点包括 AI 核心概念、符号 AI、机器学习和神经网络的突破，以及实际应用和伦理问题。

这一页讲的是课程 COMPSCI 713 的内容概述，主要研究人工智能（AI）的核心概念和技术，包括符号 AI（symbolic AI）、机器学习（machine learning）和神经网络（neural networks）的突破。课程将介绍符号 AI 的关键技术，如启发式搜索（heuristic search）、约束满足（constraint satisfaction）和知识表示（knowledge representation），还涉及贝叶斯推断（Bayesian inference）和机器学习的统计方法。此外，还会探讨受大脑启发的神经网络（brain-inspired neural networks）及其推动的深度学习（deep learning）的发展。课程还强调了人工智能在新西兰（Aotearoa/NZ）的研究和实际应用，特别关注伦理问题。这些内容为学生提供了全面的理论基础和实际应用视角，帮助他们理解 AI 的发展趋势及其社会影响。

这一页讲的是课程的教学团队，包括讲师和助教的联系方式。

这一页讲的是课程的教学团队，明确列出了讲师（Lecturers）和助教（Tutors）的姓名及电子邮件联系方式。讲师包括 Dr Thomas Lacombe 和 Dr Xinyu Zhang，分别提供了他们的邮箱地址以便学生联系。助教团队则由 Zhongsheng Wang、Yuzhuo Li 和 Zhenyu Yin 组成，每位助教的邮箱地址也一一列出。这一页的内容对于学生来说非常重要，因为它帮助学生在学习过程中能够快速找到相关人员进行学术问题的咨询或寻求帮助。例如，如果学生对某一课题有疑问，可以通过邮箱直接联系讲师或助教进行讨论。

这一页讲的是Thomas的学术背景，包括他的博士研究、博士后工作以及当前的教学与研究兴趣。

这一页讲的是Thomas的学术背景。他于2018年在法国的USMB/CUGA完成了电子工程博士学位，研究方向是工业计算机视觉和机器学习（ML），用于自动化视觉质量控制，重点在特征工程和特征选择（Feature Engineering, Feature Selection）。随后，他在2019至2020年间于新西兰奥克兰大学（UoA）完成了博士后工作，研究自动化超参数调优（Automated Hyper-parameter Tuning），应用于数据流中的机器学习。自2021年起，他成为奥克兰大学计算机科学学院的教学研究员（Teaching Fellow），研究兴趣集中在生成式人工智能（Generative AI）与教育之间的交互。页面还展示了相关机构的标志和链接（如scikit-ika.github.io），以及法国大学的校园图片，强调了Thomas的国际化学术背景和研究领域的广泛性。

这一页讲的是Xinyu Zhang的学术与职业背景，包括博士研究、研究员经历及教学职位。主要涉及机器学习、生成式AI等领域。

这一页讲的是Xinyu Zhang的学术与职业背景。他于2021年在中国同济大学获得博士学位，研究方向是机器学习和计算机视觉，特别是无监督/半监督学习（Un/Semi-supervised learning）以及领域适应（Domain adaptation）。随后，他在2021年至2024年间担任百度公司的高级研究科学家，专注于基础模型预训练（Foundation model pre-training）和以人为中心的人工智能（Human-centric AI）。2024至2025年，他成为阿德莱德大学的研究员，研究生成式AI（Generative AI）以及图像/视频生成（Image/Video generation）。自2025年起，他在奥克兰大学计算机科学学院担任讲师，继续从事生成式AI领域的教学与研究。这一页提供了他在不同阶段的学术与职业发展轨迹，展示了他在人工智能领域的深厚积累和多样化研究方向。

这一页讲的是自我介绍，目的是让学生互相了解。主要包括三个问题：你是谁？你来自哪里？你喜欢做什么？

这一页讲的是自我介绍，目的是在课程开始前促进同学之间的交流和了解。幻灯片上提出了三个问题：第一，Who are you? 这是让学生简单介绍自己的身份，例如名字或背景；第二，Where are you from? 这个问题帮助大家了解彼此的地理或文化背景；第三，Something you like to do! 鼓励学生分享自己的兴趣爱好，比如爬山、摄影或其他活动。页面右侧有三张图片，展示了户外活动的场景，例如攀岩和自然景观，这些可能是兴趣爱好的例子，也为话题提供了视觉启发。通过这样的互动，学生可以更快地融入课程环境，同时建立起友好的学习氛围。

这一页讲的是课程的讲座时间和地点安排，以及学习时间的分配。主要包括每周的讲座时间表、地点，以及课程总工作量和典型周工作时间的分配。

这一页讲的是课程的讲座时间和地点安排，以及学生在这门课上的学习时间分配。表格列出了讲座的时间和地点：周一12:00到13:00以及周四14:00到16:00，地点均为BLT100/106-100。课程为标准的15学分课程，学生平均每周需要投入10小时学习时间，总计150小时的工作量分布在15周内（包括12周教学和3周的学习休息及考试）。这些时间分为以下几部分：36小时用于讲座，60小时用于阅读和思考内容，54小时用于完成作业或考试准备。页面还强调了某些周可能需要额外时间完成作业或准备考试，并可能安排在正常上课时间外。典型的一周工作时间分配为：3小时讲座、4小时阅读和思考内容，以及3到4小时用于作业、项目或考试准备。这些信息帮助学生合理规划学习时间，确保课程的顺利完成。

这一页讲的是 2026 年第一学期的课程时间表，涵盖人工智能相关主题。主要内容包括课程安排、讲座主题和时间分布。

这一页讲的是 2026 年第一学期的课程时间表，详细列出了每周的讲座主题和时间安排。从 Week 1 开始，课程分为周一中午 12 点到 1 点和周四下午 2 点到 4 点两部分。课程主题涵盖人工智能（AI）的发展历史、逻辑推理（Symbolic Logic）、知识表示（Knowledge Representation）、专家系统（Expert Systems）、软计算（Soft Computing）等。表格中还包括中期休息周（Mid-Sem Break）和特殊日期安排，例如 ANZAC Day 和 King's Birthday。表格的列清楚区分了周一和周四的课程内容，例如周四的课程更注重实践，如 Workshop 1 和 Workshop 2，分别讨论小组项目提案和文献综述写作。后期课程还涉及深度学习（Deep Learning）、强化学习（Reinforcement Learning）、可持续性 AI（Sustainability in AI）等高级主题。通过这张表可以清楚了解课程的时间安排和学习重点，例如 Week 8 的 ALPHAGO 讲座重点介绍深度学习和强化学习的实际应用。

这一页讲的是课程的关键主题，包括逻辑推理、知识表示、搜索算法、强化学习等重要领域。

这一页讲的是课程的关键主题，涵盖了多个人工智能和计算机科学的重要领域。左侧列出了与传统AI相关的主题，例如符号逻辑(Symbolic Logic)、知识表示(Knowledge Representation)、规则库(Rule Base)、专家系统(Expert System)、决策树(Decision Trees)、软计算(Soft Computing)、遗传算法(Genetic Algorithms)以及具身AI(Embodied AI)。这些主题主要涉及如何构建智能系统的基础理论和方法，比如符号逻辑用于推理，决策树用于分类或预测，遗传算法模拟生物进化解决优化问题。右侧则列出了更偏现代AI的方法，包括搜索算法(Search Algorithms)、图神经网络(Graph Neural Networks)、马尔科夫链(Markov Chain)、强化学习(Reinforcement Learning)、自监督学习(Self-supervised Learning)、持续学习(Continual Learning)以及时间序列/数据流(Time Series/Data Streams)。这些主题强调了如何处理复杂数据结构、动态环境以及自主学习能力，例如强化学习在游戏AI中的应用，自监督学习在无标签数据上的表现。这些内容为学生提供了全面的知识框架，帮助理解AI发展的核心技术和应用场景。

这一页讲的是课程中的沟通方式，包括教学团队与学生之间的沟通渠道，以及学生如何与教学团队联系。

这一页讲的是课程中的沟通方式，分为三部分内容。第一部分是教学团队与学生的沟通方式，主要通过 Canvas Announcements 来发布通知，学生需要每天检查自己的 UoA 邮箱，并确保通知设置为尽快接收。第二部分是学生与教学团队的沟通方式，分为两种渠道：Ed Discussion Forum 用于一般性问题，比如课程内容或行政相关问题；而 Email 则适用于具体、私人或紧急的请求，例如会议安排。第三部分是邮件指导，包括邮件需发送给正确的对象（协调员处理行政问题，讲师处理内容问题）；邮件主题需清晰，例如标注课程代码 [CS713]；内容需简洁明了，同时提供必要的背景信息；发送邮件前需确认问题未在 Canvas 首页、课程公告或 Piazza 讨论中已被回答。最后强调需遵循学校的沟通和课程期望指南。

这一页讲的是“两条路径评估”框架。Lane 1是受控评估，测试学习成果，不允许使用GenAI。Lane 2是非受控评估，支持学习过程，可负责任地使用GenAI。

这一页讲的是“两条路径评估”框架的概念。Lane 1代表受控评估（controlled assessments of learning），主要用于测量学生在课程结束后掌握的知识。这类任务要求学生独立完成，不允许使用生成式人工智能（GenAI）。Lane 2则是非受控评估（uncontrolled assessments for learning），设计目的是在学习过程中支持学生的成长。在完成这些任务时，允许使用GenAI，但必须确保使用方式是负责任的（responsible）、符合伦理的（ethical）并且透明的（transparent）。这一框架的设计反映了对学习结果和学习过程的不同关注点，同时强调了技术使用的道德规范。

这一页讲的是课程评估的组成部分及其权重分配，包括个人演示、小组项目、在线测验、期中测试和期末考试。

这一页讲的是课程评估的详细结构和权重分配。评估分为两个组：Lane 1 和 Lane 2。Lane 2 的评估包括个人演示(Individual Presentation)，占总成绩的10%；小组项目(Group Project，包括文献综述和工作坊)，总权重为35%，其中文献综述占23%，两次工作坊各占6%；以及在线测验(Online quizzes)，共5次，每次占1%，总计5%。Lane 1 的评估包括期中测试(Mid-semester test)，占20%；以及期末考试(Final Exam)，占30%。从表中可以看出，期末考试权重最高，是课程评估的重要部分，而在线测验权重最低，主要用于持续评估学生的学习进度。这种权重分配体现了课程对不同学习活动的重视程度，既关注个人能力，也强调团队合作和考试成绩的重要性。

这一页讲的是课程通过要求，包括 Lane 1 和 Lane 2 两部分评估的权重和最低分数要求。

这一页讲的是课程的通过要求。为了通过课程，学生需要在总成绩中至少获得 50%，同时还需分别通过 Lane 1 和 Lane 2 的综合评估。Lane 1 的评估占课程总成绩的 50%，包括期中测试（占 20%）和期末考试（占 30%），学生需要在这一部分至少获得 25 分（满分 50）。Lane 2 的评估也占课程总成绩的 50%，包括在线测验（共占 5%，每次测验占 1%）、个人演示录制（占 10%）以及小组项目报告（总共占 35%，其中 Deliverable 1 占 6%、Deliverable 2 占 6%、Deliverable 3 占 23%）。学生需要在这一部分也至少获得 25 分（满分 50）。这一页强调了通过课程不仅需要总成绩达标，还需各部分评估均达到最低要求。

这一页讲的是 COMPSCI 713 的个人研究报告任务，包括任务要求、选题方式和截止日期。

这一页讲的是 COMPSCI 713 的个人研究报告任务，任务占课程总成绩的 10%。学生需要从提供的阅读列表中选择一篇论文，并基于该论文录制一个演示视频。阅读材料可以通过 Canvas 平台上的任务链接找到。学生需在共享文档中选择论文，每篇论文的可选人数有限，需在 3 月 29 日之前完成选择，逾期未选的学生会被随机分配论文。最终的视频演示需在 5 月 17 日之前提交。这一任务旨在培养学生的独立研究能力和演示技巧，同时强调时间管理的重要性。

这一页讲的是如何制作一个好的演示。重点包括视频时长限制、内容选择、使用图表突出重点，以及相关资源和限制。

这一页讲的是如何制作一个好的演示。首先，视频的总时长应控制在 6 分钟左右（允许误差 30 秒），这要求演讲者在表达时要简洁明了，精选关键信息以确保有足够时间清晰表达。其次，建议绘制图表或使用简单的视觉辅助工具来突出重点，这比直接使用论文中的图表更有效。页面还提到可以通过 UoA Learning Essentials 提供的资源来帮助准备和呈现演示。此外，幻灯片强调了使用生成式 AI（GenAI）的限制，例如不能直接用 AI 工具生成视频或使用 AI 生成的语音。这些指导旨在帮助学生制作内容清晰、表达有力且符合规范的演示。

这一页讲的是 COMPSCI 713 课程的组项目作业安排，包括三个部分的任务及其权重和截止日期。

这一页讲的是 COMPSCI 713 课程中的组项目作业安排，重点是文献综述（literature review），占总成绩的 35%。作业分为三个部分：第一部分是 Workshop assignment 1，即项目提案（project proposal），占 6%，截止日期为 4 月 12 日；第二部分是 Workshop assignment 2，即文献综述提纲（lit. review outline），占 6%，截止日期为 5 月 10 日；第三部分是最终的文献综述报告（Final lit. review report），占 23%，截止日期为 6 月 10 日。这三部分任务逐步推进，帮助学生完成从提案到最终报告的完整过程，要求学生具备项目规划能力、文献分析能力以及综合写作能力。这些任务的时间安排也体现了循序渐进的学习过程，确保学生有足够时间完成每一步工作。

这一页讲的是 COMPSCI 713 的在线测验安排。主要包括测验数量、内容及目的，以及对 GenAI 的使用建议。

这一页讲的是 COMPSCI 713 的在线测验安排。课程中共有 5 次在线测验，每次测验限时 60 分钟，包含 10 道多选题（MCQ）。测验每隔两周进行一次，目的是帮助学生跟上课程内容和节奏，同时评估学生是否掌握了过去 2-3 周的基础知识。测验通常在周五早上发布，截止时间为周日晚。关于 GenAI 的使用，课程方不会对其使用进行检查或限制，但强烈建议学生独立完成测验，以确保对内容的真实理解，而不是依赖 AI 的答案。特别提醒，正式考试时不会允许使用 GenAI，因此测验是验证自身学习效果的关键环节。

这一页讲的是 COMPSCI 713 的期中考试安排，包括时间、地点、考试形式及需携带物品等信息。

这一页讲的是 COMPSCI 713 的期中考试安排，考试占总成绩的 20%。考试时间定于 4 月 28 日星期二晚上 6:30 开始，总时长 60 分钟，其中包括 55 分钟答题时间和 5 分钟阅读时间。考试将在学校的 City Campus 进行，具体教室待定。考试形式为纸质考试，内容涵盖从第一周到第六周的所有讲座内容。学生进入考场必须携带笔和学生证，同时可以带瓶装水和一张 A4 双面手写笔记。需要注意的是，不允许使用计算器。这些信息帮助学生提前做好准备，确保考试顺利进行。

这一页讲的是COMPSCI 713期末考试的具体安排，包括时间、地点、考试形式和注意事项。考试内容覆盖所有课程讲座，学生需携带必要文具和校园卡。

这一页讲的是COMPSCI 713期末考试的详细信息。考试形式为纸质测试，持续时间为2小时，地点在校园内，具体考场信息可通过SSO查询。考试内容覆盖所有课程讲座，除外来讲座和部分指定研究论文（具体内容待定）。学生必须携带蓝色或黑色笔（建议多备一支备用）、铅笔以及学生校园卡（若未携带校园卡，将罚款25美元）。此外，学生还可以携带瓶装水和一张A4双面手写笔记进入考场。需注意的是，计算器不允许使用。这些要求确保考试顺利进行，同时规定了允许携带的辅助材料范围，以帮助学生复习和应考。

这一页讲的是班级代表（Class Rep）的角色与选举流程。主要内容包括班级代表的职责、选举规则，以及如何参与选举。

这一页讲的是班级代表（Class Rep）的角色与选举流程。班级代表是学生与讲师、导师之间的沟通桥梁，负责收集学生的建议、投诉或对课程的反馈，并组织学生间的交流，例如创建社交媒体群聊。选举班级代表是强制性的，前提是课程有至少15名学生。讲师的角色是帮助组织选举过程，但不能直接指定候选人。选举将在 Ed Discussion 平台上进行，候选人可以在平台上发布自己的竞选动机。如果有多个候选人，将通过 Canvas 平台进行投票。幻灯片右侧的宣传图强调了班级代表的职责，包括收集同学反馈、参加部门会议以及解决班级中的问题，同时指出担任班级代表是提升领导力和简历的重要机会。

这一页讲的是奥克兰大学提供的学生支持服务，包括心理健康、宗教支持、学生行为管理等，帮助学生应对学术、个人或心理问题。

这一页讲的是奥克兰大学为学生提供的多种支持服务，旨在帮助学生在学术、个人或心理方面遇到困难时获得帮助。页面列出了多个服务项目：例如“Te Papa Manaaki, Campus Care”提供安全、保密的指导服务，由专人帮助学生连接相关资源；“University Health Services (UHCS)”则为注册学生提供预约医生或心理咨询师的服务；“Spiritual and religious support”帮助学生探索信仰与精神健康；“AUSA Advocacy”为学生提供学术、财务或个人问题的专业建议。此外，“Complaints and Incidents”是学生提交投诉或报告事件的渠道，“Alcohol and Drug Clinician”提供酒精和药物相关的咨询服务，“HELP Centre”专注于性侵幸存者的支持服务，还有“Rainbow Support Adviser”为LGBTQ+学生提供一对一支持。页面还提到“Puāwaitanga Counselling”，这是一个针对焦虑、关系问题等提供支持的咨询服务。这些服务涵盖了学生生活的多个方面，帮助学生在大学期间获得全面支持。

这一页讲的是课程的待办事项，包括熟悉 Canvas 页面、选择文献综述伙伴和主题、挑选阅读论文以及提交班代表申请。

这一页讲的是课程的待办事项，主要包括四个方面。第一，建议学生尽快熟悉课程的 Canvas 页面，并加入 Ed Discussion 论坛，以便参与课程讨论和获取重要信息。第二，学生需要开始考虑文献综述项目的合作伙伴以及研究的主题，这部分将在周四进一步讨论。第三，学生需要选择用于展示的阅读论文，采取先到先得的方式。如果在 3 月 29 日之前未选择论文，老师将为其分配一个。最后，对于有意担任班级代表的学生，需要在 Ed Discussion 上提交兴趣表达，具体操作需等待老师创建相关帖子。这些任务旨在帮助学生更好地参与课程活动并完成相关项目。

这一页讲的是课程反馈的重要性和提交方式。主要建议通过与班级代表沟通或填写学期末的SET评估表来提供反馈，以帮助课程改进。

这一页讲的是课程反馈的重要性，强调这是课程的第二次迭代，因此非常欢迎学生的反馈以便未来进一步优化课程内容和教学质量。反馈的提交方式主要有两种：第一种是通过与班级代表(class rep)沟通，由他们汇总并向课程负责人报告；第二种是填写学期末的SET评估表(SET Evaluations)。SET评估是一种标准化的反馈机制，通常用于收集学生对课程和教学的意见。这两种方式都旨在确保学生的意见能够被有效传递并被采纳，从而帮助课程设计者更好地满足学生需求。举个例子，如果学生觉得某些课程内容过于复杂，可以通过班级代表提出建议，或者在SET评估中详细说明，这样课程团队就能针对性地调整教学内容或节奏。

这一页讲的是课程COMPSCI 713的欢迎信息，表达了对学生的欢迎和期待。

这一页讲的是课程COMPSCI 713的欢迎信息，主要目的是向学生传递友好的开课氛围和期待。幻灯片背景包含奥克兰大学的标志和新西兰的文化元素，突出了课程的学术背景和地域特色。页面中心以大字体写着“Welcome to COMPSCI 713!”以及“希望你们喜欢这门课程”的欢迎语。这种设计不仅让学生感到被重视，也营造了积极的学习氛围。背景图展示了城市景观和传统雕刻，传递了新西兰的文化与现代化的结合，暗示课程可能涉及技术与文化的交叉内容。