课程名称： Artificial Intelligence: Principles and Techniques
课程简介：
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之处?这些都是复杂的现实世界问题，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、马尔科夫决策过程、约束满足、图形模型和逻辑。这门课程的主要目标是让你具备解决生活中可能遇到的新人工智能问题的工具。
课程部分大纲：
- 课程简介
- 基础知识
- 机器学习
- 线性分类
- 损失最小化
- 随机梯度下降法
- 章节:优化，概率，Python(综述)
- 特性和非线性
- 神经网络，最近邻
- 搜索
- 马尔可夫决策过程
- 政策评估，政策改进
- 策略迭代，值迭代
- 强化学习
- 博弈
- 约束满足问题(Dorsa, Reid)
- 贝叶斯网络
- 逻辑
- 结论
讲师介绍：
Percy Liang，斯坦福大学计算机科学与统计系副教授，他的研究方向是自然语言处理和统计机器学习。 个人网页：https://cs.stanford.edu/~pliang/
成为VIP会员查看完整内容
【slides】Introduction to the course
【video】Introduction to the course
【slides】Linear algebra（基础知识）
【video】Linear algebra（基础知识）
【slides】Vector calculus（基础知识）
【video】Vector calculus（基础知识）
【video】Probability 1（基础知识）
【video】Probability 2（基础知识）
【slides】Complexity（基础知识）
【video】Complexity（基础知识）
【slides】Recurrence（基础知识）
【video】Recurrence（基础知识）
【slides】Optimization（基础知识）
【video】Optimization（基础知识）
【slides】Overview（Machine learning）
【video】Overview（Machine learning）
【slides】Regression（Machine learning）
【video】Regression（Machine learning）
【slides】Classification（Machine learning）
【video】Classification（Machine learning）
【slides】Stochastic gradient descent（Machine learning）
【video】Stochastic gradient descent（Machine learning）
【slides】Nonlinear predictors（Machine learning）
【video】Nonlinear predictors（Machine learning）
【slides】Generalization（Machine learning）
【video】Generalization（Machine learning）
【slides】Best practices（Machine learning）
【video】Best practices（Machine learning）
【slides】Unsupervised learning（Machine learning）
【video】Unsupervised learning（Machine learning）
【slides】Learning demo（Machine learning）
【video】Learning demo（Machine learning）
【slides】Tree search and dynamic programming（Search）
【video】Tree search and dynamic programming（Search）
【slides】Uniform cost search（Search）
【video】Uniform cost search（Search）
【slides】Uniform cost search correctness（Search）
【video】Uniform cost search correctness（Search）
【slides】A-star（Search）
【video】A-star（Search）
【slides】A-star relaxations（Search）
【video】A-star relaxations（Search）
【slides】Markov decision processes（Markov Decision Processes (MDPs) and reinforcement learning）
【video】Markov decision processes（Markov Decision Processes (MDPs) and reinforcement learning）
【slides】From MDPs to RL（Markov Decision Processes (MDPs) and reinforcement learning）
【video】From MDPs to RL（Markov Decision Processes (MDPs) and reinforcement learning）
【slides】Model-based Monte Carlo（Markov Decision Processes (MDPs) and reinforcement learning）
【video】Model-based Monte Carlo（Markov Decision Processes (MDPs) and reinforcement learning）
【slides】Model-free Monte Carlo（Markov Decision Processes (MDPs) and reinforcement learning）
【video】Model-free Monte Carlo（Markov Decision Processes (MDPs) and reinforcement learning）
【slides】SARSA（Markov Decision Processes (MDPs) and reinforcement learning）
【video】SARSA（Markov Decision Processes (MDPs) and reinforcement learning）
【slides】Q-learning（Markov Decision Processes (MDPs) and reinforcement learning）
【video】Q-learning（Markov Decision Processes (MDPs) and reinforcement learning）
【slides】Epsilon-greedy（Markov Decision Processes (MDPs) and reinforcement learning）
【video】Epsilon-greedy（Markov Decision Processes (MDPs) and reinforcement learning）
【slides】Function approximation（Markov Decision Processes (MDPs) and reinforcement learning）
【video】Function approximation（Markov Decision Processes (MDPs) and reinforcement learning）
【slides】Games
【video】Games
【slides】Evaluation functions（Games）
【video】Evaluation functions（Games）
【slides】Alpha-beta pruning（Games）
【video】Alpha-beta pruning（Games）
【slides】Recap（Games）
【video】Recap（Games）
【slides】Factor graphs and backtracking search（Constraint satisfaction problems and factor graphs）
【video】Factor graphs and backtracking search（Constraint satisfaction problems and factor graphs）
【slides】Approximate search（Constraint satisfaction problems and factor graphs）
【video】Approximate search（Constraint satisfaction problems and factor graphs）
【slides】Markov networks and sampling（Constraint satisfaction problems and factor graphs）
【video】Markov networks and sampling（Constraint satisfaction problems and factor graphs）
【slides】Bayes net definition and inference（Bayesian networks）
【video】Bayes net definition and inference（Bayesian networks）
【slides】Learning and smoothing（Bayesian networks）
【video】Learning and smoothing（Bayesian networks）
【slides】EM algorithm（Bayesian networks）
【video】EM algorithm（Bayesian networks）
【slides】Overview of logic and course conclusion
【video】Overview of logic and course conclusion
【slides】Propositional logic syntax（Logic and conclusion）
【video】Propositional logic syntax（Logic and conclusion）
【slides】Propositional logic semantics i（Logic and conclusion）
【video】Propositional logic semantics i（Logic and conclusion）
【slides】Propositional logic semantics ii（Logic and conclusion）
【video】Propositional logic semantics ii（Logic and conclusion）
【slides】Inference rules（Logic and conclusion）
【video】Inference rules（Logic and conclusion）
【slides】First order logic（Logic and conclusion）
【video】First order logic（Logic and conclusion）
相关内容
专知会员服务
145+阅读 · 2019年12月10日
Arxiv
77+阅读 · 2019年11月10日
Arxiv
3+阅读 · 2018年7月19日
Arxiv
8+阅读 · 2018年3月13日
Arxiv
3+阅读 · 2018年1月30日
相关主题
相关VIP内容
专知会员服务
145+阅读 · 2019年12月10日
相关资讯
相关论文
Arxiv
77+阅读 · 2019年11月10日
Arxiv
3+阅读 · 2018年7月19日
Arxiv
8+阅读 · 2018年3月13日
Arxiv
3+阅读 · 2018年1月30日
微信扫码咨询专知VIP会员