科技

斯坦福經典AI課程CS 221官方筆記來了!機器學習模型、貝葉斯網路等重點速查

新智元報道

【新智元導讀】斯坦福大學的人工智慧課程“CS 221”至今仍然是人工智慧學習課程的經典之一。為了方便廣大不能親臨現場聽講的同學,課程官方推出了課程筆記CheatSheet,涵蓋4大類模型。斯坦福大學的人工智慧課程“CS 221”,這門鐵打的課程從2011年開始已經走過了8個年頭,流水的講師換了一批又一批,送走的畢業生一撥又一撥,至今仍然是人工智慧學習的經典課程之一。目前2019年春季課程正在如火如荼的開展中。

這門課程是沒有教科書的,所有內容都蘊含在講師的教案以及課後作業中。不過為了方便廣大不能親臨現場聽講的同學,課程官方推出了課程筆記CheatSheet,涵蓋4大類模型。

筆記已在GitHub開源,5份PDF供大家下載儲存列印當成滑鼠墊設成桌布做成窗簾裁成小冊子…隨便你選擇自己合適的操作方式。地址:

因為每年課程可能都會有更新,所以在介紹筆記之前,讓我們先對今年春季課程有一個先入的瞭解,便於新進同學少走彎路。

這門課程是關於什麼的?

網路搜尋,語音識別,人臉識別,機器翻譯,自動駕駛和自動排程有什麼共同之處?這些都是複雜的現實問題,人工智慧的目標是用嚴格的數學工具解決這些問題。

在本課程中,你講學習這些應用程式的基本原則並實踐其中一些系統。具體主題包括機器學習,搜尋,遊戲,馬爾可夫決策過程,約束滿足,圖形模型和邏輯。該課程的主要目標是提供解決生活中可能遇到的新AI問題的工具。

預備知識

這門精進課程涵蓋眾多領域,而且課程進度飛快,要求學者必須在理論和經驗方面都有堅實的基礎。在開始學習該課程之前,確保你已經看過以下課程(或者其他途徑學到的同等級課程)

程式設計 (CS 106A, CS 106B, CS 107)

離散數學 (CS 103)

概率 (CS 109)

接下來新智元來介紹一下筆記內容。

基於反射的機器學習模型 在本節介紹了基於反射的模型,這些模型可以通過經歷具有輸入-輸出的樣本來改善經驗。這一節主要介紹了以下概念

線性預測變數

損失最小化

非線性預測變數

隨機梯度下降

微調模型

部分子概念:

線性分類

K最近鄰

神經網路

梯度下降

反向傳播

近似和估計誤差

具有搜尋優化和MDP的基於狀態的模型 本節主要介紹了搜尋優化、馬爾可夫決策過程和遊戲。

部分子概念:

樹搜尋

搜尋問題

廣度優先搜尋

深度優先搜尋

統一成本搜尋

A星搜尋

馬爾科夫決策

具有CSP和貝葉斯網路的基於變數的模型 本節主要講了約束滿足問題和貝葉斯網路。

部分子概念:

因子圖

Markov blanket

貝葉斯網路

基於邏輯的模型,具有命題和一階邏輯 本節主要介紹了該模型概念、命題邏輯和一階邏輯。

部分子概念:

概念

解釋功能

解析度推理規則

官方筆記地址:

https://stanford.edu/~shervine/teaching/cs-221/cheatsheet-reflex-models

祝大家學習愉快!哦,別忘了在評論區晒出你們都是怎麼使用這份CheatSheet的。

【加入社群】

Reference:科技日報

看更多!請加入我們的粉絲團

轉載請附文章網址

不可錯過的話題