Page
Mark Chen |
24 Feb 2021
这里是 2019 - 2020 学年 CS2: Artificial Intelligence 的课程笔记汇总首页。这门课程是基于 UC Berkeley CS188: Artificial Intelligence 的大纲和 Project 开展的。点击这里可以看到这门课的 Project 列表和 UCB 教授上课用的 PPT。
前置条件
在学习这门课前，你应该熟悉面向对象编程，同时拥有一些基础的 Python 基础（如果你做的出来 Project 0 的话，说明你的 Python 水平足以完成这节课的 Project 了）课程资料
这节课使用的课本：*Artificial Intelligence, A Modern Approach*
这节课的官网，其中包括Project，和教授的 PPT 和对应的作业练习 - CS188 官网
教授的课程录课视频在 YouTube 上有，每学完一个知识点，可以看看这个 playlist 里面对应的视频
笔记
(笔记大部分是英文的，因为：1. 我懒得再翻译一遍 2. 我会 Assume 你可以正常阅读英文的东西……)
| 序号 | 章节 | 描述 | 链接 |
|---|---|---|---|
| 1 | What is AI (Ch 1) | 这一章从多个角度定义了“人工智能”，以及为了产生人工智能，在各个领域需要解决的问题 | 笔记 |
| 2 | Intelligent Agent (Ch 2) | 这一章详细的描述了一个 Agent 的定义以及我们如何判断一个 Agent 的行为是“好”的 | 笔记 |
| 3 | Searching Methods (Ch 3) | 这一章描述了几种常用的搜索算法，包括 BFS, DFS, UCS, A* Search 和 Greedy Search | 笔记 Project 1 |
| 4 | Game Tree (Ch 5) | 这一章描述了对抗性搜索（也就是零和博弈） - 在有两个 Agent 参加的零和博弈中如何找到到达目标节点的路径 | 笔记 Project 2 |
| 5 | Constraint Satisfaction Problem (Ch 6) | 这一章描述了约束满足问题。约束满足问题简单来说就是找到一组变量的赋值使得所有变量之间的约束被同时满足。 | 笔记 |
| 6 | Quantifying Uncertainty (Ch 13) | 这一章描述了为何我们要在 Intelligent Agent 中引入不确定性和我们如何在 Intelligent Agent 中利用概率学知识做出决策 | 笔记 |
| Case Study - Naive Bayes | 在这次 Case Study 中，我们会使用 Chapter 13 中描述的 Naive Bayes 来搭建一个可以分辨 MNIST 手写数字数据集的贝叶斯分类器 | Case Study | |
| 7 | Probabilistic Reasoning (Ch 14) | 这一章描述了贝叶斯网络的定义，构建与概率推断方法。概率推断方法包括精确计算与取样估计法。 | 笔记 |
| 8 | Probabilistic Reasoning over Time (Ch 15) | 这一章描述了如何计算随机变量的概率分布随时间推移的变化，主要讲解了 Hidden Markov Model 中的 Filtering, Prediction, Smoothing 与 Most Likely Explanation 方法 | 笔记 |