高级人工智能学习路线图
需积分: 12 67 浏览量
2022-09-07
14:29:41
上传
评论
收藏 133KB PDF 举报
学习人工智能的路线图
AI：讨论函数 f
理解 AI
Why, What
& History
函数与复杂性
f 已知，
f 的利用
优化问题的
搜索算法
CSP 问题
搜索问题
盲搜索
启发式
搜索
f 未知，获
得 f 描述
线性回归
非线性处理
神经网
络与深
度学习
非线性
SVM
决策树
线性分类
f 遇上概率论
Bayes 网络
概率推理
Bayes 网
络学习
f 遇上时间 T
马尔科夫
决策过程
强化学习
f 输出是
多元的
MAS
对抗性搜索
博弈论
多个 f , 部
分 f 未
知，利用 f
逻辑推理
Slide 1.1: 理解 AI
– 为什么要研究 AI
– AI 是什么，智能体
– AI 简史
Slide 1.2: 函数
– 函数的定义与描述
– 函数描述的复杂性
– 知识
Slide 2.1: 搜索问题
– 什么是搜索
– 建模：现实问题形式化为搜
索问题
– 搜索求解基准算法
– 算法的评估
Slide 2.2: 盲搜索
– 宽度优先搜索
– 各种改进算法
Slide 2.3: 启发式搜索
– 搜索策略
– A* 算法和贪婪算法
– 启发式函数的设计 h
Slide 2.4: 优化问题
– 优化问题描述
– 确定性算法
– 随机搜索算法
Slide 2.5: CSP 问题
– CSP 问题描述
– 回溯算法
– 约束传播
Slide 3.1: 机器学习基本概念
– 例子
– 什么是机器学习
– 如何评估获得的 h
Slide 3.2: 线性回归
– 例子
– 损失函数
– 最小化损失
Slide 3.3: 线性分类
– 例子
– 分类的几何意义
– 线性 SVM
Slide 3.4: 非线性处理
– KNN
– 特征提取函数
Slide 3.5: 决策树
– 决策树
Slide 3.6: 非线性 SVM
– 非线性 SVM
– 核函数
Slide 3.7: 神经网络-深度学
习
– 神经网络
– 深度学习
Slide 4.1: f 遇上概率论
– 随机变量、随机向量和条件
概率
– 核心问题
– 新 f 的复杂性
Slide 4.2: Bayes 网络
– PMF 的约简表示
– Bayes 网络转换为 PMF
– Bayes 网络的例子
Slide 4.3: 概率推理
– 基于 PMF 的推理
– 基于 Bayes 网络的推理
– 近似推理
Slide 4.4: Bayes 网络学
习
– 问题描述
– 网络结构学习
– 参数学习
– 隐变量学习
Slide 5.1: 马尔科夫决策过程
– 马尔科夫决策过程
– 最优策略
Slide 5.2: 强化学习
– 问题描述
– 强化学习
– 参数更新
– 选择行动
– 函数逼近
Slides 中大部分图表，文字材料都来源于互联网，因篇幅问题无法一一指出出处，在此感谢各位原创作者！
1
资源评论
