CodeSignal – The Duolingo of Coding Practice

Class Central is learner-supported. When you buy through links on our site, we may earn an affiliate commission.

Peking University

人工智能原理

Peking University via XuetangX

Go to class Write review

Overview

  人工智能是国内外著名大学计算机专业设置的骨干课之一，也是国内外著名高校和研究机构的主要研究方向之一。人工智能研究如何用计算机软件和硬件去实现Agent的感知、决策与智能行为，其理论基础表现为搜索、推理、规划和学习，应用领域包括计算机视觉、图像分析、模式识别、专家系统、自动规划、智能搜索、计算机博弈、智能控制、机器人学、自然语言处理、社交网络、数据挖掘、虚拟现实等。

     本课程在系统回顾人工智能发展历程的基础上，重点介绍人工智能的核心思想、基本理论，基本方法与部分应用。 课程以该英文原版教材为主，并根据人工智能、特别是机器学习领域的发展和变化，编撰和充实了大量的内容。本课程共有12讲，采用双语教学，即中英文PPT和中英文作业等、中文讲授和交流。本课程面向对人工智能感兴趣的大学生、研究生、以及科技工作者。

Syllabus

  • Part I. Basics: Chapter 1. Introduction（第I部分 基础：第1章 导论）
    • 1.1 Overview of Artificial Intelligence (人工智能概述)
    • 1.2 Foundations of Artificial Intelligence(人工智能基础)
    • 1.3 History of Artificial Intelligence(人工智能历史)
    • 1.4 The State of Artificial Intelligence(人工智能现状)
    • 1.5 Summary (小结)
  • Part I. Basics: Chapter 2. Intelligent Agent（第I部分 基础：第2章 智能体）
    • 2.1 Approaches for Artificial Intelligence(人工智能研究途径)
    • 2.2 Rational Agents (理性主体)
    • 2.3 Task Environments (任务环境）
    • 2.4 Intelligent Agent Structure （Agent的结构）
    • 2.5 Category of Intelligent Agents（Agent的分类）
    • 2.6 Summary（小结）
  • Part II. Searching: Chapter 3. Solving Problems by Search(第II部分 搜索：第3章 通过搜索求解问题）
    • 3.1 Problem Solving Agents（问题求解Agent）
    • 3.2 Example Problems（问题实例）
    • 3.3 Searching for Solutions（通过搜索求解）
    • 3.4 Uninformed Search Strategies（无信息搜索策略）
    • 3.5 Informed Search Strategies（有信息搜索策略）
    • 3.6 Heuristic Functions（启发式函数）
    • 3.7 Summary（小结）
  • Part II. Searching: Chapter 4. Local Search and Swarm Intelligence（第II部分 搜索：第4章 局部搜索与群体智能）
    • 4.1 Overview（概述）
    • 4.2 Local Search Algorithms（局部搜索算法）
    • 4.3 Optimization and Evolutionary Algorithms (优化和进化算法）
    • 4.4 Swarm Intelligence and Optimization(群体智能和优化)
    • 4.5 Summary（小结）
  • Part II. Searching: Chapter 5. Adversarial Search（第II部分 搜索：第5章 对抗性搜索）
    • 5.1 Games（博弈）
    • 5.2 Optimal Decisions in Games（博弈中的优化决策）
    • 5.3 Alpha-Beta Pruning（Alpha-Beta剪枝）
    • 5.4 Imperfect Real-time Decisions（不完美的实时决策）
    • 5.5 Stochastic Games（随机博弈）
    • 5.6 Monte-Carlo Methods（蒙特卡洛方法）
    • 5.7 Summary（小结）
  • Part II. Searching: Chapter 6. Constraint Satisfaction Problem(第II部分 搜索：第6章 约束满足问题）
    • 6.1 Constraint Satisfaction Problems (约束满足问题)
    • 6.2 Constraint Propagation: Inference in CSPs（约束传播：CPS中的推理）
    • 6.3 Backtracking Search for CSPs（CPS的回溯搜索）
    • 6.4 Local Search for CSPs（CPS局部搜索）
    • 6.5 The Structure of Problems（问题的结构）
    • 6.6 Summary（小结）
  • Part III. Reasoning: Chapter 7. Reasoning by Knowledge（第III部分 推理：第7章 知识推理）
    • 7.1 Overview（概述）
    • 7.2 Knowledge Representation（知识表示）
    • 7.3 Representation using Logic（逻辑表示）
    • 7.4 Ontological Engineering（本体工程）
    • 7.5 Bayesian Networks（贝叶斯网络）
    • 7.6 Summary（小结）
  • Part IV. Planning: Chapter 8. Classic and Real-world Planning（第IV部分 规划：第8章 经典与现实世界规划）
    • 8.1 Planning Problems（规划问题）
    • 8.2 Classic Planning（经典规划）
    • 8.3 Planning and Scheduling（规划与调度）
    • 8.4 Real-World Planning（现实世界规划）
    • 8.5 Decision-theoretic Planning（决策理论规划）
    • 8.6 Summary（小结）
  • Part V. Learning: Chapter 9. Perspectives about Machine Leaning（第V部分 学习：第9章 研读机器学习的视角）
    • 9.1 What is Machine Learning（什么是机器学习）
    • 9.2 History of Machine Learning（机器学习的历史）
    • 9.3 Why Different Perspectives（为什么需要不同的视角）
    • 9.4 Three Perspectives on Machine Learning（机器学习的三个视角）
    • 9.5 Applications and Terminologies（机器学习的应用及有关术语）
    • 9.6 Summary（小结）
  • Part V. Learning: Chapter 10. Tasks in Machine Learning（第V部分 学习：第10章 机器学习的任务）
    • 10.1 Classification（分类）
    • 10.2 Regression（回归）
    • 10.3 Clustering（聚类）
    • 10.4 Ranking（排名）
    • 10.5 Dimensionality Reduction（降维）
    • 10.6 Summary（小结）
  • Part V. Learning: Chapter 11. Paradigms in Machine Learning（第V部分 学习：第11章 机器学习的范型）
    • 11.1 Supervised Learning Paradigm（有监督学习范式）
    • 11.2 Unsupervised Learning Paradigm（无监督学习范式）
    • 11.3 Reinforcement Learning Paradigm（强化学习范式）
    • 11.4 Other Learning Paradigms（其他学习范式）
    • 11.5 Summary（小结）
  • Part V. Learning: Chapter 12. Models in Machine Learning(第V部分 学习：第12章 机器学习的模型）
    • 12.1 Probabilistic Models（概率模型）
    • 12.2 Geometric Models（几何模型）
    • 12.3 Logical Models（逻辑模型）
    • 12.4 Networked Models（网络模型）
    • 12.5 Summary（小结）

Taught by

Wenmin Wang

Tags

Reviews

Start your review of 人工智能原理

Go to class

Never Stop Learning.

Get personalized course recommendations, track subjects and courses with reminders, and more.

Sign up for free
Someone learning on their laptop while sitting on the floor.