莫纳什 FIT5047《人工智能基础》：没有期末，周测 24% 加三个实验 51%
莫纳什 FIT5047《人工智能基础》是硕士 Level 5 单元：6 学分，每周测验 24% 加作业 25% 加三个实验各 17%——没有期末考试，成绩全靠过程。
课程官网（学校官网）：https://handbook.monash.edu/2026/units/FIT5047
FIT5047 是一门什么课？
一句话：经典 AI 的全景课——搜索、知识表示与推理、规划、不确定性推理、机器学习范式与进化算法，工具链是 Weka 与 Netica，不是深度学习那一套。
这是莫纳什大学（Monash University）的硕士单元，单元代码 FIT5047，英文名 Fundamentals of artificial intelligence，中文常译「人工智能基础」。6 个莫纳什学分点（EFTSL 0.125），开课单位为信息技术学院（Faculty of Information Technology）。
几条身份信息：
- 层级：研究生（Postgraduate），Level 5。
- 五个场次，三种授课模式：第一学期 Clayton（FLEXIBLE 灵活模式）、第一学期 Malaysia（ON-CAMPUS）、第一学期 OS-CHI-SEU 中国合作办学点（ON-CAMPUS）、第二学期 Clayton（BLENDED 混合模式）、第二学期 Malaysia（ON-CAMPUS）。
- 关联三个方向：Computer science、Data science、Computer networks and security。
- 可用于交换学习（Yes）；无工作整合学习安排（None）。
一张卡横跨三个方向，说明 AI 基础是这三条路的公共方法层。
学校官网的内容是「六大方法流派」：
- 自动搜索方法。
- 知识表示与推理。
- 规划。
- 不确定性下的推理（贝叶斯网络）。
- 机器学习范式。
- 进化算法。
主线是「两大范式」：符号主义（搜索、逻辑推理、知识表示、贝叶斯网络）与数据驱动（机器学习范式）——课程把两条线都教全，再谈怎么按问题选路线。
与深度学习课的分野很清楚：这里的机器学习是 Weka 上的经典范式实操，评价标准是模型的正确性与适配性论证，不追新框架。
不确定性推理用贝叶斯网络（Netica 工具加两本贝叶斯专著支撑）——这是多数国内 AI 导论课轻轻带过、这里却是考核重头的部分。
工具全部免费：Netica（免费）、Weka Data Mining Toolkit（免费），另需网络与互联网接入。
参考书四本：Witten & Frank《Data Mining: Practical Machine Learning Tools and Techniques》（第 3 版）、Hernandez-Orallo《The measure of all minds》、Jensen《Bayesian Networks and Decision Graphs》、Korb & Nicholson《Bayesian Artificial Intelligence》（第 2 版）。
书单结构说明了课程的重心：一本数据挖掘经典，加上两本贝叶斯专著——贝叶斯这条线在这里的分量，比多数导论课重得多。
与国内同类课程的差异
国内「人工智能导论」多按章节过概念；这里无期末考试、三个实验直接钉在工具产出上，经典范式（搜索、推理、贝叶斯、进化算法）并教且考核选型论证。
第二个差异是工具链。Weka 加 Netica 是免费轻量工具；国内同类课多配 Python 生态，或只讲理论不动手。
第三个差异是内容取向。符号推理与贝叶斯网络和机器学习范式同等权重；国内导论近年多被深度学习挤掉经典部分。
第四个差异是先修结构。编程线且数学线的嵌套双门槛；国内导论课普遍单线先修。
第五个差异是书单。以 Witten & Frank 加两本贝叶斯专著为主；国内教材以综述型导论为主。
考核怎么算？
五项考核，合计 100%，全部无 hurdle（不设单项及格线）。
| 考核 | 类型 | 占比 | 覆盖成果 |
|---|---|---|---|
| Weekly quizzes（每周测验） | Quiz/Test | 24% | 1／2／3／4 |
| Assignment（作业） | Written | 25% | 2／3／4 |
| Lab: Machine learning（机器学习实验） | Demonstration | 17% | 1／2 |
| Knowledge Representation（知识表示实验） | Demonstration | 17% | 2／3／4 |
| Lab: Bayesian networks（贝叶斯网络实验） | Demonstration | 17% | 1／2 |
这一门课的考核信息比多数莫纳什单元透明：五项任务名称与学习成果映射官网全部给出（很多单元只给类型与权重）。这本身就降低了不确定性——你可以按成果分配复习精力。
四条结构性判断：
第一，没有期末考试。 周测 24% 逼平时跟进，三个实验 51% 直接钉在工具产出上，作业 25% 考选型论证——典型的「过程定成绩」结构，期末突击没有着力点。
第二，三个实验合计 51%，是最大的一块。 而且它们分别对应三大板块：机器学习、知识表示、贝叶斯网络。 每个 17%，任何一个崩了都补不回来。
第三，周测 24% 是最容易被低估的一项。 每周都在考当周内容，没有喘息段；而它的分数只能靠每周整理，不能靠考前补。
第四，作业 25% 的覆盖成果是 2／3／4——考的是「选型、落地、评价」，不含成果 1（理论解释）。 这说明作业不是写概念，是写判断。
先修要求是什么？
先修是嵌套 AND 组合——两条线都要满足。
编程线（四选一……实际是三选一）：FIT9131（Programming foundations in Java）、FIT9133（Programming foundations in python）、FIT9136（Algorithms and programming foundations in Python）。
数学线（二选一）：MAT9004（Mathematical foundations for data science and AI）、EPM5026（Mathematical foundations for biostatistics）。
有效口径：〔编程线任一〕且〔数学线任一〕——两条线各取其一，缺一不可。
禁选：ITO5047（Fundamentals of artificial intelligence，同名单元）——修过不能再修本课计学分。 注意学校官网这一栏容器标记为 AND，但只列了一条，正文照原样呈现。
双线先修的含义是「会写代码＋懂数学基础」：
- 编程线决定你能不能自己在工具里搭模型。
- 数学线支撑概率与推断——贝叶斯部分尤其吃概率底子。
选课实操上最常见的一种错：只满足编程线就以为够了。 正确做法是对照两线清单分别核成绩单，两线各有其一才选；缺哪线先补哪线。
学完能做什么？
学完你能解释 AI 主要范式的理论基础、按问题选对方法、用 Weka 与 Netica 落地模型，并用评价标准论证模型的正确性与适配性。
学校官网的四条学习成果：
- ULO1 理论——能解释人工智能的理论基础，如理性智能体、符号与数据驱动推理，及其在信息技术与社会中的应用。
- ULO2 选型——能批判性地解释、评估并在实践中应用合适的 AI 理论、模型或技术，含逻辑推理、启发式搜索、遗传算法、机器学习与贝叶斯推断。
- ULO3 落地——能使用合适的软件工具开发 AI 模型或软件。
- ULO4 评价——能运用并解释评价标准，度量模型的正确性与／或适配性。
四条成果是「懂理论→会选型→能落地→可评价」的闭环，而选型能力（ULO2）是评分重心——它出现在除机器学习实验与贝叶斯实验之外的所有考核里。
去向层面：机器学习工程师、AI 解决方案工程师、数据科学家是直接对口；面试里的「为什么选这个模型」环节，正是 ULO2 与 ULO4 的考场。
Weka 加 Netica 的双工具经验对齐企业原型验证阶段的轻量工具链——很多公司做可行性验证，用的就是这类不用写代码的工具。
一条容易被忽略的价值：在深度学习浪潮下，「能解释为什么不用深度学习」反而成了稀缺能力。 这门课给的就是那种判断力。
难点与常见挂因
这门课的难点在「广度换深度」：六大方法流派一学期全过，每个都要能上手，还要能论证选型。
一、概念体系的广度：六线并进，术语容易串
机制：搜索、推理、规划、贝叶斯、机器学习、进化算法六线并进，每线都有自己的形式语言。
为什么卡：国内导论课多按章节浅过，学生没有「同时维护六套术语」的经验。
卡了会怎样：术语题概念串线——把启发式搜索的思路说成规划的，把贝叶斯推断说成频率派的。
怎么补：每学一个流派画一张「问题类型—方法—工具」卡，六张卡贴在一起对比记忆。 六张并排看，差别一眼可见；分开记则永远混。
二、贝叶斯网络推理：网络建对，推理算错
机制：联合概率分解、条件独立与精确／近似推断是纯抽象运算。
为什么卡：国内课程少系统教贝叶斯网，学生没有「在图上做概率计算」的训练。
卡了会怎样：贝叶斯实验里网络结构画对了，但推断结果算错——这是最常见的翻车方式。
怎么补：用 Netica 从三节点小网开始，手算验证每一步推断，再逐步加节点。 三节点能对上，五节点才敢用工具；直接上大网，错了也不知道错在哪。
三、搜索算法的选型与调参：启发函数设计不当
机制：盲目搜索、启发式搜索与进化算法各有适用域，选错则问题规模爆炸。
为什么卡：国内选型论证的训练少，学生习惯「学一个用到底」。
卡了会怎样：搜索题里启发函数设计不当——要么不满足可采纳性，要么弱到等于没启发。
怎么补：每类搜索配两个规模不同的例题，写出选择理由再动手。 规模一大，盲目搜索跑不动的事实会立刻教育你。
再补一条判断口径：启发函数弱到什么程度等于没用、强到什么程度会破坏可采纳性，这个区间要在两三个例子上亲手试出来。 试过一次，选型就不再靠猜。
四、工具链落地：理论对但产出不规范
机制：Weka 的界面与数据格式、Netica 的网络编辑都要现学，实验考核直接用工具交付。
为什么卡：国内没有 Weka／Netica 工具链的训练，学生把时间花在环境上而不是分析上。
卡了会怎样：实验演示前还在装环境，是明确的早期信号。
怎么补：开课前跑通 Weka 的一个分类示例与 Netica 的一个诊断示例，并熟悉导出格式。 两个示例只花一个下午，却能省掉整个学期的手忙脚乱。
五、评价标准的论证：只有指标没有论证
机制：正确性与适配性不是算个准确率就完，要解释「为什么这个模型配这个问题」。
为什么卡：国内模型评价写作训练少，学生习惯把指标往报告里一贴。
卡了会怎样：报告题只有指标没有论证——而 ULO4 恰恰考的就是这个。
怎么补：每个实验报告固定写「指标—对比基线—适用边界」三段。 指标是结果，基线是参照，边界是这个模型什么时候会失效——三段齐了，论证就成立。
六、周测的持续压力：第三到五周最容易掉分
机制：每周测验占 24%，每周都在考当周内容，没有喘息段。
为什么卡：国内没有周测制，学生习惯「平时松、期末紧」；而这里每周都必须有产出。
卡了会怎样：第三周起整理页出现空缺——概念叠加期一掉队，后面越滚越大。
怎么补：每周内容当天整理成一页纸，周末快速过一遍，测试前只看整理页。 一页纸的成本很低，但它是「不让任何一周空缺」的唯一办法。
七、三个实验的并行节奏：撞期与赶工
机制：机器学习、知识表示、贝叶斯网络三个实验各占 17%，发布时间交错。
为什么卡：多实验并行的课程在国内较少，学生容易低估排期的复杂度。
卡了会怎样：实验撞期、赶工质量下滑——51% 的分数同时受损。
怎么补：拿到实验当天拆解任务排进周历，每个实验至少留一周缓冲。 三个实验并行时，缓冲不是奢侈品，是必需品。
八、中国办学点场次的信息差
机制：第一学期有 OS-CHI-SEU（中国合作办学点） 场次，学校官网未展开该点细节。
为什么卡：学生容易把它当成普通海外校区，按 Clayton 的经验做预期。
卡了会怎样：选课信息与授课安排预期错位——开学才发现节奏不同。
怎么补：选该场次前向办学点确认授课与考核安排，别按 Clayton 版想当然。 一句话的确认邮件，能避免一学期的错位。
九、先修单边被拦：只查一头
机制：先修是嵌套组合，编程线与数学线都要满足。
为什么卡：国内先修多为单门指定课，学生没有「双线都要查」的习惯。
卡了会怎样：选课系统直接拦截；或勉强选上但概率题读不懂题干。
怎么补：对照两线清单分别核成绩单，两线各有其一才选。 缺的那条线补齐并自测通过再上本课——这是省时间的做法，不是拖延。
留学生特别提醒
中国学生最容易在六处吃亏：AI 术语英文配错、周测持续压力掉分、三实验撞期、中国办学点信息差、先修只查一头、实验报告缺论证。
- 按六大流派做术语中英对照卡（heuristic、inference、prior、paradigm 等），每词配一个算法场景例句；实验前重点过一遍贝叶斯术语。
- 每周内容当天整理成一页纸，周末过一遍；周测占 24%，任何一周空缺都会累积。
- 拿到实验当天拆任务排周历，每个实验留一周缓冲；三个实验各 17%，撞期代价极大。
- 选 OS-CHI-SEU 场次前向办学点确认授课与考核安排，别按 Clayton 版做预期。
- 对照两条先修线分别核成绩单：编程线三选一、数学线二选一，两线各有其一才选。
- 实验报告按「指标—对比基线—适用边界」三段式起草，写完请写作中心或同学检查论证链是否完整。
怎么准备？
准备的关键是三条：把两个工具先跑通、把六流派卡片做出来、把先修两线核清。
- 装工具：Weka 与 Netica（均免费）各跑通一个完整示例并熟悉导出格式。
- 补数学：概率、条件独立、贝叶斯公式，各配一个例子。
- 补编程：确认能满足编程线要求，或先用 Python 写一个小的分类流程。
- 做流派卡：六大流派各一张「问题类型—方法—工具」卡。
- 手算贝叶斯：三节点小网手算一遍，再上 Netica 验证。
- 读 Witten & Frank：作为数据挖掘主线，先过分类章。
- 读贝叶斯两本：Jensen 与 Korb & Nicholson 按需查，别从头读。
- 练选型论证：找三个场景各写「指标—基线—边界」三段。
- 核先修：编程线三选一、数学线二选一，两线各有其一。
- 查场次：确认所修场次的授课模式与安排。
- 查 Moodle：开学核实考核细节。
中英术语速查
- artificial intelligence —— 人工智能。
- rational agent —— 理性智能体：依目标采取最优行动的实体。
- symbolic reasoning —— 符号推理：以符号与逻辑规则推演。
- data-driven reasoning —— 数据驱动推理：从数据中学习规律。
- heuristic search —— 启发式搜索：借助估计函数引导搜索。
- admissible heuristic —— 可采纳启发：不高估真实代价的启发函数。
- knowledge representation —— 知识表示：把知识写成机器可用形式。
- inference —— 推断：从已知推出未知。
- planning —— 规划：生成达成目标的行动序列。
- uncertainty —— 不确定性。
- Bayesian network —— 贝叶斯网络：用图表示变量间概率关系。
- conditional independence —— 条件独立。
- prior —— 先验：观测前的概率判断。
- posterior —— 后验：结合证据后的概率。
- machine learning paradigm —— 机器学习范式。
- supervised learning —— 监督学习。
- unsupervised learning —— 无监督学习。
- classification —— 分类。
- clustering —— 聚类。
- genetic algorithm —— 遗传算法：模拟进化的优化方法。
- evolutionary algorithm —— 进化算法。
- Weka —— 免费的数据挖掘工具包。
- Netica —— 贝叶斯网络建模工具。
- baseline —— 基线：用于对比的参照方法。
- evaluation metric —— 评价指标。
- accuracy —— 准确率。
- fitness —— 适配性：模型与问题的匹配程度。
- weekly quiz —— 每周测验。
- demonstration —— 演示类考核：以工具产出交付。
- flexible / blended / on-campus —— 灵活／混合／面授三种授课模式。
关于我们
鱼之跃做在读留学生的学业支持，服务分两块，界限很清楚：
辅导＝老师授课：由 QS 前 200 院校的硕博老师把课程的知识点、推导链、作业要求讲透，按对口专业配课；覆盖同步辅导、论文辅导、考前辅导、预习。
护航＝你的学业管家：排计划、理材料、理流程这些杂事都替你打点好，该提前准备的他先想到；你只管学，有事随时找，需要时都在。同地区的留学学姐，熟悉你所在学校的节奏。
学术问题上的申诉，我们做材料梳理与流程陪跑，不代写、不代考、不碰学术诚信边界，也不承诺任何成绩。
课程官网与核对说明
课程官网（学校官网）：https://handbook.monash.edu/2026/units/FIT5047
本文涉及学校、开课单位（信息技术学院）、单元代码、学分点（6）与 EFTSL（0.125）、层级（研究生 / Level 5）、五个场次与三种授课模式（含中国合作办学点场次）、关联三个方向、可交换学习、无工作整合学习、单元简介与六大方法流派、四项学习成果、五项考核结构（周测 24%／作业 25%／机器学习实验 17%／知识表示实验 17%／贝叶斯网络实验 17%，合计 100%，均无 hurdle，任务名称与成果映射官网均给出）、嵌套双线先修（编程三选一且数学二选一）、禁选 ITO5047（容器标记 AND 但仅一条，照原样呈现）、工具资源（Weka 与 Netica 免费）、四本参考书等事实，均来自上述学校官网单元页；核对时间为 2026-10-30。文中「与国内课程差异、先修判断、难点、适合谁、怎么准备、学完能力」等属于基于课程内容的分析与学习建议，不代表学校官方要求。