前言: 目标:本课程旨在让学生对人工智能的基本概念和实践有一个坚实的(通常是有点理论性的)基础。这门课程在第一学期主要涉及符号化的人工智能,有时也被称为优秀的老式人工智能(GofAI),并在第二学期提供统计方法的基础。事实上,一个完整的基于机器学习的AI应该有专业课程,并且需要比我们在这门课程中更多的数学基础。

课程内容

目标: 使学生对人工智能领域的基本概念和实践有一个坚实的基础。该课程将基于Russell/Norvig的书《人工智能》:现代方法[RN09]

Artificial Intelligence I(第一部分): 介绍人工智能作为一个研究领域,讨论作为人工智能统一概念范式的理性代理,并涵盖问题解决、搜索、约束传播、逻辑、知识表示和规划。

Artificial Intelligence II(第二部分): 更倾向于让学生接触基于统计的人工智能的基础知识:我们从不确定性下的推理开始,用贝叶斯网络建立基础,并将其扩展到理性决策理论。在此基础上,我们介绍了机器学习的基础知识。

成为VIP会员查看完整内容
0
109

相关内容

人工智能(Artificial Intelligence, AI )是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支。

这本受欢迎的教科书的第一版,当代人工智能,提供了一个学生友好的人工智能介绍。这一版完全修订和扩大更新,人工智能: 介绍机器学习,第二版,保留相同的可访问性和解决问题的方法,同时提供新的材料和方法。

该书分为五个部分,重点介绍了人工智能中最有用的技术。书的第一部分涵盖了基于逻辑的方法,而第二部分着重于基于概率的方法。第三部分是涌现智能的特点,探讨了基于群体智能的进化计算和方法。接下来的最新部分将提供神经网络和深度学习的详细概述。书的最后一部分着重于自然语言的理解。

适合本科生和刚毕业的研究生,本课程测试教材为学生和其他读者提供关键的人工智能方法和算法,以解决具有挑战性的问题,涉及系统的智能行为在专门领域,如医疗和软件诊断,金融决策,语音和文本识别,遗传分析等。

https://www.routledge.com/Artificial-Intelligence-With-an-Introduction-to-Machine-Learning-Second/Neapolitan-Jiang/p/book/9781138502383

成为VIP会员查看完整内容
0
99

在复杂的以人为中心的系统中,每天的决策都具有决策相关信息不完全的特点。现有决策理论的主要问题是,它们没有能力处理概率和事件不精确的情况。在这本书中,我们描述了一个新的理论的决策与不完全的信息。其目的是将决策分析和经济行为的基础从领域二价逻辑转向领域模糊逻辑和Z约束,从行为决策的外部建模转向组合状态的框架。

这本书将有助于在模糊逻辑,决策科学,人工智能,数学经济学,和计算经济学的专业人员,学者,经理和研究生。

读者:专业人士,学者,管理者和研究生在模糊逻辑,决策科学,人工智能,数学经济学,和计算经济学。

成为VIP会员查看完整内容
0
124

这本教科书通过提供实用的建议,使用直接的例子,并提供相关应用的引人入胜的讨论,以一种容易理解的方式介绍了基本的机器学习概念。主要的主题包括贝叶斯分类器,最近邻分类器,线性和多项式分类器,决策树,神经网络,和支持向量机。后面的章节展示了如何通过“推进”的方式结合这些简单的工具,如何在更复杂的领域中利用它们,以及如何处理各种高级的实际问题。有一章专门介绍流行的遗传算法。

这个修订的版本包含关于工业中机器学习的实用应用的关键主题的三个全新的章节。这些章节研究了多标签域,无监督学习和它在深度学习中的使用,以及归纳逻辑编程的逻辑方法。许多章节已经被扩展,并且材料的呈现已经被增强。这本书包含了许多新的练习,许多解决的例子,深入的实验,和独立工作的计算机作业。

https://link.springer.com/book/10.1007/978-3-319-63913-0#about

成为VIP会员查看完整内容
0
120

有兴趣的数据科学专业人士可以通过本书学习Scikit-Learn图书馆以及机器学习的基本知识。本书结合了Anaconda Python发行版和流行的Scikit-Learn库,演示了广泛的有监督和无监督机器学习算法。通过用Python编写的清晰示例,您可以在家里自己的机器上试用和试验机器学习的原理。

所有的应用数学和编程技能需要掌握的内容,在这本书中涵盖。不需要深入的面向对象编程知识,因为工作和完整的例子被提供和解释。必要时,编码示例是深入和复杂的。它们也简洁、准确、完整,补充了介绍的机器学习概念。使用示例有助于建立必要的技能,以理解和应用复杂的机器学习算法。

对于那些在机器学习方面追求职业生涯的人来说,Scikit-Learn机器学习应用手册是一个很好的起点。学习这本书的学生将学习基本知识,这是胜任工作的先决条件。读者将接触到专门为数据科学专业人员设计的蟒蛇分布,并将在流行的Scikit-Learn库中构建技能,该库是Python世界中许多机器学习应用程序的基础。

你将学习

  • 使用Scikit-Learn中常见的简单和复杂数据集
  • 将数据操作为向量和矩阵,以进行算法处理
  • 熟悉数据科学中使用的蟒蛇分布
  • 应用带有分类器、回归器和降维的机器学习
  • 优化算法并为每个数据集找到最佳算法
  • 从CSV、JSON、Numpy和panda格式加载数据并保存为这些格式

这本书是给谁的

  • 有抱负的数据科学家渴望通过掌握底层的基础知识进入机器学习领域,而这些基础知识有时在急于提高生产力的过程中被忽略了。一些面向对象编程的知识和非常基本的线性代数应用将使学习更容易,尽管任何人都可以从这本书获益。
成为VIP会员查看完整内容
0
132

作为布尔逻辑的替代

虽然逻辑是理性推理的数学基础和计算的基本原理,但它仅限于信息既完整又确定的问题。然而,许多现实世界的问题,从金融投资到电子邮件过滤,本质上是不完整或不确定的。概率论和贝叶斯计算共同提供了一个处理不完整和不确定数据的框架。

不完全和不确定数据的决策工具和方法

贝叶斯编程强调概率是布尔逻辑的替代选择,它涵盖了为真实世界的应用程序构建概率程序的新方法。本书由设计并实现了一个高效概率推理引擎来解释贝叶斯程序的团队编写,书中提供了许多Python示例,这些示例也可以在一个补充网站上找到,该网站还提供了一个解释器,允许读者试验这种新的编程方法。

原则和建模

只需要一个基本的数学基础,本书的前两部分提出了一种新的方法来建立主观概率模型。作者介绍了贝叶斯编程的原理,并讨论了概率建模的良好实践。大量简单的例子突出了贝叶斯建模在不同领域的应用。

形式主义和算法

第三部分综合了已有的贝叶斯推理算法的工作,因为需要一个高效的贝叶斯推理引擎来自动化贝叶斯程序中的概率演算。对于想要了解贝叶斯编程的形式主义、主要的概率模型、贝叶斯推理的通用算法和学习问题的读者,本文提供了许多参考书目。

常见问题

第四部分连同词汇表包含了常见问题的答案。作者比较了贝叶斯规划和可能性理论,讨论了贝叶斯推理的计算复杂性,讨论了不完全性的不可约性,讨论了概率的主观主义和客观主义认识论。

贝叶斯计算机的第一步

创建一个完整的贝叶斯计算框架需要新的建模方法、新的推理算法、新的编程语言和新的硬件。本书着重于方法论和算法,描述了实现这一目标的第一步。它鼓励读者探索新兴领域,例如仿生计算,并开发新的编程语言和硬件架构。

成为VIP会员查看完整内容
0
136

Perkovic对使用Python编程的介绍:作为应用程序开发的重点,第二版不仅仅是对编程的介绍。这是一本包罗万象的计算机科学入门书,采用了“在正确的时间使用正确的工具”的教学方法,并侧重于应用程序开发。该方法是实践和问题导向的,与实践问题和解决方案出现在整个文本。文本是命令式的,但并不回避在适当的时候尽早讨论对象。关于用户定义类和面向对象编程的讨论将在后面的课文中出现,当学生有更多的背景知识和概念时,可以激发他们的学习动机。章节包括问题解决技术和经典算法的介绍,问题解决和编程以及将核心技能应用于应用程序开发的方法。本版本还包括在更广泛的领域中提供的示例和实践问题。另一章的案例研究是独家威利E-Text,为学生提供实际应用的概念和工具,涵盖在章节中。

成为VIP会员查看完整内容
0
38

决策理论是现代人工智能和经济学的基础。本课程主要从统计学的角度,也从哲学的角度,为决策理论打下坚实的基础。本课程有两个目的:

  • 深入了解统计决策理论、实验设计的自动化方法,并将其与人类决策联系起来。
  • 通过开发算法和智能代理的实验,将该理论应用到强化学习和人工智能的实际问题中。

课程可分为两部分。

  • 第一部分,我们介绍了主观概率和效用的概念,以及如何用它们来表示和解决决策问题。然后讨论未知参数的估计和假设检验。最后,我们讨论了顺序抽样、顺序实验,以及更一般的顺序决策。

  • 第二部分是不确定性下的决策研究,特别是强化学习和专家咨询学习。首先,我们研究几个有代表性的统计模型。然后,我们给出了使用这些模型做出最优决策的算法的概述。最后,我们来看看学习如何根据专家的建议来行动的问题,这个领域最近在在线广告、游戏树搜索和优化方面有很多应用。

成为VIP会员查看完整内容
0
97

这是Peter Norvig(1992)写的《人工智能编程范式:通用Lisp中的案例研究》一书的开放源代码存储库。

目录

  • 人工智能编程范例
    • 前事
    • 前言
  • 第一部分:常见Lisp简介
    • 1 Lisp简介
    • 2 一个简单的Lisp程序
    • 3 Lisp概述
  • 第二部分:早期的AI程序
    • 4 GPS:一般问题求解器
    • 5 Eliza:与机器对话
    • 6 建筑软件工具
    • 7 学生:解决代数词问题
    • 8 符号数学:简化程序
  • 第三部分:工具和技术
    • 9 效率问题
    • 10 低效率问题
    • 11 逻辑编程
    • 12 编译逻辑程序
    • 13 面向对象编程
    • 14 知识表示与推理
  • 第四部分:高级AI程序
    • 15 具有规范形式的符号数学
    • 16 专家系统
    • 17 通过约束满意度标注线图
    • 18 搜索和奥赛罗游戏
    • 19 自然语言导论
    • 20 统一语法
    • 21 英语语法
  • 第五部分:其余的Lisp
    • 22 方案:罕见的Lisp
    • 23 编译Lisp
    • 24 ANSI通用Lisp
    • 25 故障排除
成为VIP会员查看完整内容
PAIP-part2.pdf
PAIP-part1.pdf
0
28
小贴士
相关VIP内容
专知会员服务
99+阅读 · 2020年7月5日
专知会员服务
124+阅读 · 2020年6月24日
【干货书】《机器学习导论(第二版)》,348页pdf
专知会员服务
120+阅读 · 2020年6月16日
专知会员服务
132+阅读 · 2020年6月10日
专知会员服务
182+阅读 · 2020年6月8日
专知会员服务
136+阅读 · 2020年5月18日
专知会员服务
38+阅读 · 2020年5月5日
机器学习速查手册,135页pdf
专知会员服务
160+阅读 · 2020年3月15日
相关资讯
【资源】机器学习数学全书,1900页PDF下载
全球人工智能
69+阅读 · 2019年10月17日
国内第一部AI本科教育体系书籍出版!周志华等人著
大数据技术
15+阅读 · 2019年5月15日
中国工程院:《全球工程前沿2018》(附PDF下载)
走向智能论坛
5+阅读 · 2018年12月5日
张钹院士:走向真正的人工智能(附报告全文)
走向智能论坛
7+阅读 · 2018年7月1日
推荐几个权威且免费的人工智能学习资源
深度学习世界
9+阅读 · 2018年5月2日
数据挖掘与人工智能学习进阶指南
数据挖掘入门与实战
3+阅读 · 2018年1月19日
相关论文
Ya Wang,Dongliang He,Fu Li,Xiang Long,Zhichao Zhou,Jinwen Ma,Shilei Wen
8+阅读 · 2019年11月21日
Liang Yao,Chengsheng Mao,Yuan Luo
8+阅读 · 2019年9月11日
Runhao Zeng,Wenbing Huang,Mingkui Tan,Yu Rong,Peilin Zhao,Junzhou Huang,Chuang Gan
5+阅读 · 2019年9月7日
Learn What Not to Learn: Action Elimination with Deep Reinforcement Learning
Tom Zahavy,Matan Haroush,Nadav Merlis,Daniel J. Mankowitz,Shie Mannor
4+阅读 · 2018年9月6日
CIRL: Controllable Imitative Reinforcement Learning for Vision-based Self-driving
Xiaodan Liang,Tairui Wang,Luona Yang,Eric Xing
4+阅读 · 2018年7月10日
Shikun Liu,Edward Johns,Andrew J. Davison
14+阅读 · 2018年3月28日
Tong Yu,Branislav Kveton,Zheng Wen,Ole J. Mengshoel,Hung Bui
4+阅读 · 2018年2月16日
Quanshi Zhang,Song-Chun Zhu
12+阅读 · 2018年2月7日
Hyrum S. Anderson,Anant Kharkar,Bobby Filar,David Evans,Phil Roth
3+阅读 · 2018年1月30日
Top