我 Year 1 修的 COMP1004，现在课号改成 DSAI1202，课名没变：Introduction to Artificial Intelligence and Data Analytics。如果你是搜课号找进来的，这两个代号指的是同一科。

期末的 Final Quiz 以选择题为主，可以带 cheat sheet 进场。我照 lecture slides 压了一张两页的纸进去，这科最后拿 A-。

直接下载：Final Quiz CheatSheet.pdf（两页，181 KB，点了就开）。源文件也放在 GitHub：COMP1004-FinalCheatSheet。

下面列出这张纸的骨架，让你不用先下载也知道里面有没有你要的东西。

先说清楚：这是 2024 年的版本

我修这科是 2024 年，这张纸完全照当年的 lecture slides 整理。

课号从 COMP1004 换成 DSAI1202，通常也代表课程大纲动过。加上 AI 这个题目本身更新得特别快——纸上那条 AI Milestones 就停在 2023 年的 ChatGPT-4，之后两年发生的事一件都没有。

所以请把它当参考，不是当答案。拿去跟你自己那年的 slides 对一遍，多出来的补上，不教了的划掉。

两页的骨架

纸分成两大部分，顺序跟当年的课程走：

flowchart LR
  P1["第 1 頁"] --> A["Part 1 // Artificial Intelligence"]
  A --> A1["AI / ML / DL 定義與關係"]
  A --> A2["AI 應用"]
  A --> A3["AI 的子領域"]
  A --> A4["Big Data 與 Data Analytics"]
  A --> A5["Machine Learning"]
  A --> A6["Deep Learning"]
  P2["第 2 頁"] --> B["Part 2 // AI Robotics"]
  B --> B1["機器人定義與分類"]
  B --> B2["工業應用與四次工業革命"]
  B --> B3["AI Ethics"]
  B --> B4["各國 AI 策略"]
  B --> B5["搜尋技術與專家系統"]
  B --> B6["Big Data、雲端、AIoT"]

Part 2 其实从第一页的末尾就开始了（机器人定义和 AI Milestones 卡在第一页最后），版面是排满为止，不是一页一个 Part。

第一页：AI 与数据分析

AI / ML / DL 三者的定义各配一个例子（Siri、Netflix 推荐、ChatGPT），后面接三层的包含关系：AI 包住 ML，ML 包住 DL。

AI 应用

• 疾病侦测与癌症诊断
• AlphaFold 与蛋白质结构
• 香港的智能医院：中大医疗中心、天水围医院（2017）
• 自驾车 L0–L5 六个等级，每级一句话（例子是百度 Apollo Go，2022，L4）

AI 的子领域

• Computer Vision：image segmentation、Meta 的 SAM2
• NLP：speech recognition（Whisper）、speech synthesis（ElevenLabs）
• Face Detection / Face Analysis / Face Recognition 三个词的分工
• 职场技能那一小段：T 型与 M 型人才

Big Data 与 Data Analytics

• Big Data 的 4V
• 结构化 / 半结构化 / 非结构化三种数据型态，各配例子
• 四种 data analytics：Descriptive、Diagnostic、Predictive、Prescriptive

Machine Learning

• 早期 AI：Eliza（规则式）、专家系统
• 监督式学习：classification 的三个典型应用（垃圾邮件、情感分析、图像辨识）
• 二元 vs 多元分类（表格）
• Underfitting 与 Overfitting，各配一个考试比喻
• AI 写作侦测器的 false positive 问题
• Confusion matrix
• Regression：预测数值
• 非监督式学习、强化学习（AlphaGo、机器人停车）

Deep Learning

• 传统 ML vs DL 的四维度对照（表格）
• 「deep」指的是层数多
• MNIST、全连接前馈网络、CNN（图像）、Transformer（NLP，生成式 AI 的基础）
• Keypoint detection、pose estimation、义肢

Part 2 的开头（卡在第一页末）

• 机器人的定义（robota，仆役）与四个关键特征：感知、移动、能源、智能
• AI Milestones 2014–2023：GANs、Sophia、WaveNet、AlphaGo、Deepfakes、Transformer、GPT-1、AlphaFold、生成式 AI 普及、ChatGPT-4

第二页：机器人、伦理与政策

机器人分类

• JIRA（日本产业机器人协会）六分类
• RIA（美国机器人协会）Type A 到 Type D

应用与优劣

• 五类应用：人形、工业、医疗、服务、国防
• 优点与限制各三到四条
• Elon Musk 谈 Optimus 的四个重点

工业制造

• 四次工业革命：1784 蒸汽、1913 量产、1969 PLC、2014 智能制造
• 智能制造循环：Data → Analytics → Action → Control → Product
• 业界典型机器人应用清单（弧焊、堆栈、压铸、冲压、打磨抛光、喷涂、包装……）

AI Ethics

• AI 成功的三个要素：算法与架构、算力、大数据
• 电脑擅长什么 vs 人类擅长什么
• Normal Accidents 与 AI 安全
• AI 的好处与风险对照
• 德国自驾伦理委员会找了哪五种人
• 伦理理论分布：效益主义 30%、权利 12%、康德义务论 10%
• 十二条 AI 伦理原则（Accountability 到 Sustainability）
• ISO/IEC 4200 与 AIMS，以及它的八项好处

各国 AI 策略

• 美国、日本（Society 5.0）、欧盟、中国各自的重心
• 中国 AI 发展计划的 2020 / 2025 / 2030 三个阶段

搜索与知识表示

• Knowledge Graph
• 盲目搜索（DFS、BFS）、启发式搜索（A*）、局部搜索（Hill-Climbing）、对抗搜索（Alpha-Beta 剪枝、蒙地卡罗树搜索）
• 专家系统（Edward Feigenbaum，1982）
• Generative AI = 创造、NLP = 理解、LLM = 高级 NLP

Big Data、云端与 AIoT

• Data / Dataset / Big Data 三个词的分别
• 云端运算的五大特性
• AIoT 的组成要素

纸上做成表格的部分

这几组是成对或成组出现的概念，我在纸上排成了表格：

• Binary vs Multiclass classification
• Underfitting vs Overfitting
• 传统 ML vs Deep Learning（特征萃取、训练数据量、算力、可解释性四个维度）
• 电脑擅长什么 vs 人类擅长什么
• AI 的好处 vs AI 的风险

纸上的固定清单

有编号、有年份、有固定条数的东西占了不少版面，整理成一张表方便你对照自己的 slides：

几个提醒

找数据时两个课号都要搜。 COMP1004 和 DSAI1202 是同一科，只搜新代号会漏掉大部分旧数据。

内容是 2024 年的。 上面已经说过一次，但值得再讲：拿去对照你自己那年的 slides，不要直接当答案卷。

能不能带进场，以你当年的公告为准。 我那年是可以的，但这种规定会改，开考前自己确认一次。

祝考试顺利。