logo
COMP9005412.5 学分

AI 自主规划

墨尔本大学·University of Melbourne·墨尔本

COMP90054《AI 自主规划》是 墨尔本大学 的公开课程页面。当前可确认的信息包括 12.5 学分,难度 难,公开通过率 82%。 页面已整理 10 周教学安排,4 个重点考核,3 条学生评价,方便你快速判断工作量、考核结构和适配度。 课程简介摘要: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。

💪 压力
4 / 5
⭐ 含金量
5 / 5
✅ 通过率
0%
👥 选课人数
0

📖 课程概览

选课速读: COMP90054《AI 自主规划》是 墨尔本大学 的公开课程页面。当前可确认的信息包括 12.5 学分,难度 难,公开通过率 82%。 页面已整理 10 周教学安排,4 个重点考核,3 条学生评价,方便你快速判断工作量、考核结构和适配度。 课程简介摘要: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。
### 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。

🧠 大神解析

### 📊 课程难度与压力分析 COMP90054(AI Planning for Autonomy)整体属于中高压到高压 Master 课程。前几周主要是框架搭建与方法建立,体感压力相对可控;从 Week 4 起,阅读、案例、作业和讨论并行推进,Week 6-8 常出现压力峰值。课程评分更看重“问题定义-方法选择-证据支撑-结论表达”是否闭环,而不只是单次结果是否正确。对于计算机科学方向课程,课程组通常会通过 rubric 明确“论证完整度”和“证据质量”,这两项往往决定 Distinction 与 HD 的分界线。 ### 🎯 备考重点与高分策略 建议围绕 7 个高频点复习:1)核心概念与适用边界;2)方法或模型设定逻辑;3)结果解释与业务/学术含义;4)证据与结论一致性;5)风险与限制说明;6)跨章节综合题;7)结构化书面表达。HD 与 Pass 的差距通常在解释深度、论证完整度与可复现性。备考时建议建立“题型-方法-常错点”三列表,把每次作业反馈映射到可执行改进项,避免重复失分。 ### 📚 学习建议与资源推荐 建议先通读 syllabus 与 rubric,建立固定周计划。学习顺序可采用“lecture 搭框架 → tutorial/workshop 验证理解 → 作业复盘错因”。工具建议使用 Notion/Obsidian 维护知识卡片,配合课程官方资料和案例库做针对性复盘。对于案例密集型课程,可补充“单页复盘模板”:问题背景、关键变量、方法选择、证据结论、可改进点五栏,长期积累后对期末综合题非常有帮助。 ### ⚠️ 作业与 Lab 避坑指南 常见扣分点包括:问题界定过泛、方法与场景不匹配、证据不足、结论跳步、引用或格式不规范。建议按 D-10 启动、D-5 第一版、D-2 结构校对、D-1 微调的节奏推进,避免临时重写。若遇到小组任务,务必在第一周明确分工和质量标准(命名规范、引用格式、交付模板),并设置中期对齐节点,防止末期整合成本失控。 ### 💬 过来人经验分享 真正拉开差距的不是“做更多”,而是“每次返分都复盘”。把错因沉淀为清单(定义、方法、证据、表达四类),在下一次作业前逐条对照执行,成绩和稳定性都会明显提升。很多同学到后期才开始复盘,收益会打折;更有效的做法是从第一次作业起就维护“个人评分雷达图”,持续追踪短板。只要你能把复盘动作制度化,这类课程的成绩上限通常会明显提高。

📅 每周课程大纲

Week 1AI 规划导论
自主智能体,规划问题定义,Pacman 介绍
Week 2经典搜索算法
BFS, DFS, UCS, A* 搜索
Week 3高级搜索技术
启发式函数设计,局部搜索,模拟退火
Week 4博弈论与对抗搜索
Minimax, Alpha-Beta 剪枝,蒙特卡洛树搜索 (MCTS)
Week 5经典规划与 PDDL
状态空间规划,规划图 (Planning Graph)
Week 6不确定性推理
马尔可夫决策过程 (MDP), 值迭代,策略迭代
Week 7强化学习 (1)
Q-Learning, 探索与利用,时序差分学习
Week 8强化学习 (2)
深度强化学习 (DQN) 初探,函数逼近
Week 9多智能体系统
合作与竞争,博弈均衡,群体智能
Week 10规划伦理与未来
总结

📋 作业拆解

Project 3 (Contest)

45h
核心考察
强化学习, 策略优化
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
要求
在排行榜上获得名次可获额外加分

📝 作业信息

作业形式:2个个人项目作业,2个小组项目作业,期末考试

作业信息:取自2020第一学期

  • 2个个人项目作业,分别在第4周以及第8周左右时间提交,需要大约13-15小时的工作时间(两个项目总占比 15%)。
  • 组成2-3人的小组,完成小组项目,需要大约30-40小时的工作时间(占比30%
  • 2-3人小组制作一份大约3-5分钟的展示视频,每人大约需要6小时的工作时间(占比5%
  • 2小时的期末考试(占比 50%)。

要通过该科目,学生必须至少获得:

    • 期末考试25/50

🕐 课表安排

2026 学期课表 · 每周 6 小时

Lecture
TBATBA (60)📍 On Campus (Parkville)
Lecture
TBATBA (60)📍 On Campus (Parkville)
Tutorial
TBATBA (60)📍 On Campus (Parkville)
Lecture
TBATBA (60)📍 On Campus (Parkville)
Lecture
TBATBA (60)📍 On Campus (Parkville)
Tutorial
TBATBA (60)📍 On Campus (Parkville)
👤 讲师:Semester 1 contact information; Nir Lipovetzky✉️ comp90054-semester1@unimelb.edu.au; nir.lipovetzky@unimelb.edu.au

📋 课程信息

学分
12.5 Credit Points
含金量
5 / 5
压力指数
4 / 5
期中考试
2001年7月1日

💬 学生评价 (3)

4.0
难度
4.3
含金量
3.0
压力
2.7
教学
匿名用户 · 2021/4/9

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

用户 · 2021/2/18

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)。

用户 · 2021/2/18

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。