Stanford AI kursu CS 221 notları! Makine öğrenimi modeli, Bayes ağı, vb. (Bağlantılı)
Kaynak: Xinzhiyuan
Bu makale Çoklu harita , Okumanız tavsiye edilir 7 dakika .
Bu makale sizlerle Stanford Üniversitesi'nin yapay zeka kursu "CS 221" ders notlarının 4 tip modeli kapsayan CheatSheet'i paylaşacak.
Stanford Üniversitesi'nin yapay zeka kursu "CS 221" hala yapay zeka öğrenme kurslarının klasiklerinden biridir. Derslere şahsen katılamayan öğrencilerin işlerini kolaylaştırmak için kurs resmi olarak 4 ana modeli kapsayan CheatSheet ders notlarını başlattı.
Stanford Üniversitesi'nin yapay zeka kursu "CS 221", bu demir gibi sert kurs 2011'den bu yana 8 yıl geçti. Eğitmenlerin sayısı gruptan diğerine değişti ve gönderilen mezunlar dalga dalga. Halen yapay zeka öğreniminin klasik derslerinden biridir. Şu anda, 2019 bahar kursları tüm hızıyla devam ediyor.
Bu ders için ders kitabı yoktur, tüm içerik öğretim görevlisinin ders planlarında ve ödevlerinde yer almaktadır. Bununla birlikte, derse şahsen katılamayan öğrencilerin rahatlığı için, kurs resmi olarak ders notları için 4 kategoride modeli kapsayan bir CheatSheet başlattı.
Notlar GitHub'da açık kaynaklıdır ve 5 PDF indirilebilir, kaydedilebilir ve fare altlığı olarak yazdırılabilir, duvar kağıdı olarak ayarlanır, perde yapılır ve kitapçık şeklinde kesilir ... kendi uygun çalışma yönteminizi seçebilirsiniz. adres:
https://github.com/afshinea/stanford-cs-221-artildo-intelligence/blob/master/cheatsheet-reflex-models.pdf
Ders her yıl güncellenebileceğinden, notları tanıtmadan önce, yeni öğrencilerin sapmalardan kaçınabilmeleri için bu bahar kursunu ilk bakışta anlayalım.
Bu kurs ne hakkında?
Web araması, ses tanıma, yüz tanıma, makine çevirisi, otomatik sürüş ve otomatik gönderim ortak noktaları nelerdir? Bunlar karmaşık gerçek dünya problemleridir ve yapay zekanın amacı, bu problemleri titiz matematiksel araçlarla çözmektir.
Bu derste, bu uygulamaların temel prensiplerini öğrenecek ve bu sistemlerden bazılarını uygulayacaksınız. Belirli konular arasında makine öğrenimi, arama, oyunlar, Markov karar süreçleri, kısıtlama memnuniyeti, grafik modeller ve mantık yer alır. Kursun temel amacı, hayatta karşılaşılabilecek yeni AI problemlerini çözmek için araçlar sağlamaktır.
Önkoşul bilgisi
Bu yoğun kurs birçok alanı kapsar ve kurs ilerlemesi hızlıdır ve akademisyenlerin teori ve deneyimde sağlam bir temele sahip olmasını gerektirir. Bu kursu okumaya başlamadan önce, aşağıdaki kursları (veya aynı seviyedeki diğer kursları) okuduğunuzdan emin olun.
- Programlama (CS 106A, CS 106B, CS 107)
- Ayrık Matematik (CS 103)
- Olasılık (CS 109)
Daha sonra notların içeriğini tanıtacağız.
Bu bölümde, girdi-çıktı ile örnekler üzerinden geçerek deneyimi geliştirebilecek yansımaya dayalı modelleri tanıtıyoruz. Bu bölüm esas olarak aşağıdaki kavramları tanıtır
- Doğrusal tahmin
- Kaybı en aza indirin
- Doğrusal olmayan tahminci
- Stokastik gradyan inişi
- Modele ince ayar yapın
Bazı alt kavramlar:
Doğrusal sınıflandırma
K en yakın komşu
Nöral ağlar
Dereceli alçalma
Geri yayılım
Yaklaşım ve tahmin hatası
Bu bölüm temel olarak arama optimizasyonunu, Markov karar sürecini ve oyunları tanıtmaktadır.
Bazı alt kavramlar:
Ağaç arama
Arama sorunu
Kapsamlı ilk arama
Derinlik öncelikli arama
Figür
Tek tip maliyet araması
Bir yıldız araması
Markov kararı
Bu bölüm esas olarak kısıtlama tatmin problemlerinden ve Bayes ağlarından bahsediyor.
Bazı alt kavramlar:
Faktör grafiği
Markov battaniyesi
Bayes ağı
Bu bölüm temel olarak model kavramını, önermesel mantığı ve birinci dereceden mantığı tanıtmaktadır.
Bazı alt kavramlar:
konsept
Açıklayıcı işlev
Çözüm çıkarım kuralları
Resmi not adresi:
https://stanford.edu/~shervine/teaching/cs-221/cheatsheet-reflex-models
Hepinize mutlu bir çalışma diliyorum! Oh, bu CheatSheet'i nasıl kullandığınızı yorum alanına yazmayı unutmayın.
Editör: Wen Jing redaksiyon: Lin YilinTsinghua-Qingdao Veri Bilimi Enstitüsü'nün resmi WeChat kamu platformunu takip edin " THU Veri Pastası "Ve kız kardeş numarası" Veri Pastası THU "Daha fazla ders avantajı ve kaliteli içerik elde edin.
