【导读】斯坦福大学2019年夏季开设一门人工智能课程《Artificial Intelligence: Principles and Techniques》,由Robin Jia主讲,涵盖机器学习基础、梯度下降、神经网络、强化学习、无监督学习、博弈理论、AlphaZero等,是了解学习最新人工智能进展的非常好材料。
课程网址:
http://web.stanford.edu/class/cs221/
课程内容简介
网络搜索、语音识别、人脸识别、机器翻译、自动驾驶和自动调度有什么共同点?这些都是复杂的现实问题,而人工智能(AI)的目标就是用严格的数学工具来解决这些问题。在本课程中,您将学习驱动这些应用程序的基本原则,并练习实现其中一些系统。具体的主题包括机器学习、搜索、游戏、马尔可夫决策过程、约束满足、图形模型和逻辑。本课程的主要目标是为您提供解决您在生活中可能遇到的新人工智能问题的工具。
先决条件: 这门课程节奏很快,涉及很多领域,所以在理论和实践方面都有坚实的基础是很重要的。你应修读以下课程(或同等课程):
Programming (CS 106A, CS 106B, CS 107)
Discrete math (CS 103)
Probability (CS 109)
必读书籍:
Russell and Norvig. 人工智能:一种现代方法。一个能覆盖所有人工智能主题的图书。
http://aima.cs.berkeley.edu/
Koller and Friedman. 概率图模型,涵盖所有因子图与贝叶斯网络
http://mitpress.mit.edu/books/probabilistic-graphical-models
Sutton and Barto. 强化学习介绍。涵盖马尔可夫决策过程和强化学习
https://mitpress.mit.edu/books/reinforcement-learning
Hastie, Tibshirani, and Friedman. 统计学习的要素。包括机器学习.
https://web.stanford.edu/~hastie/ElemStatLearn/
Tsang. 约束满足的基础。涵盖约束满足问题。
http://www.bracil.net/edward/fcs.html
目录纲要:
1. 课程介绍
作为人类,我们必须能够感知世界(计算机视觉),在其中执行操作(机器人),并与其他代理通信。
我们也有关于世界的知识(从如何骑自行车到知道法国的首都),利用这些知识我们可以推断和做出决定。
最后,随着时间的推移,我们学习和适应。事实上,机器学习已经成为我们今天看到的许多人工智能应用程序的主要驱动因素。
2. 线性分类、损失最小化
3. 基础知识:线性代数,概率论,python
4. 随机梯度下降
5. 神经网络
6. 最近邻搜索泛化
7. 反向传播与Scikit学习
8. 策略评估改进迭代
9. 强化学习,蒙特卡洛,SARSA,Q-学习
10. 探索、函数近似
11. 无监督学习,K-means
12. 深度强化学习
13. 期望算法
14. α-β剪枝、TD学习
15. 博弈理论
16. 深度学习:自编码器、CNN、RNN
17. AlphaZero
前期课程材料便捷下载:
【SAGAN的PPT下载】
后台回复“AIPT ” 就可以 获取 《人工智能:原则与技术》课程PPT 下载链接~
-END-
专 · 知
专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎登录www.zhuanzhi.ai,注册登录专知,获取更多AI知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询!
请加专知小助手微信(扫一扫如下二维码添加),加入专知人工智能主题群,咨询技术商务合作~
专知《深度学习:算法到实战》课程全部完成!550+位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位!
点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程