|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/artificial-intelligence-concepts-principles-and-practices/
课程评论：没有评论
**课程名称：人工智能原理与实践（第一部分）** **课程概述：** 本课程旨在全面介绍人工智能（AI）的基础概念、核心原理和实际应用。课程将从什么是人工智能入手，深入探讨智能体的概念，包括智能体与环境的交互，以及如何定义和评估智能体的性能（PEAS模型：性能参数、环境、执行器、传感器）。 **课程内容要点：** * **智能体与问题解决：** * **智能体及其环境：** 学习智能体的构成要素，以及不同类型环境的特性。 * **问题定义：** 理解如何清晰地定义一个AI问题，包括状态空间、初始状态、目标状态、目标测试、转移模型、动作和传感器。 * **不确定性下的行为：** 探讨在信息不完整或不确定的环境中，智能体如何做出决策，并通过8-Puzzle、8-Queens和Wumpus World等经典问题进行说明。 * **Wumpus World详解：** 深入研究Wumpus World问题，特别是部分可观测空间中的推理，包括联合分布、独立性、贝叶斯定理的应用。 * **搜索技术：** * **基础搜索算法：** 介绍树搜索和图搜索算法，以及冗余路径和循环路径的处理。 * **问题求解中的搜索：** 解释如何将现实世界问题转化为可搜索的问题，并解决井定义的问题。 * **无信息搜索策略：** 学习广度优先搜索、一致代价搜索、深度优先搜索、深度受限搜索、迭代加深深度优先搜索和双向搜索等。 * **有信息（启发式）搜索策略：** 掌握贪婪最佳优先搜索和A\*搜索算法，理解启发式函数在最小化估计总成本中的作用，以及启发式准确性对性能的影响。 * **超越经典搜索：** 探索局部搜索算法，如爬山算法、随机爬山算法。 * **优化问题与局部搜索：** 讲解局部搜索在连续空间中的应用，以及局部束搜索和遗传算法。 * **遗传算法实例：** 通过8-Queens问题的遗传算法实例，展示其应用。 **总结：** 本课程为学习者提供了扎实的人工智能基础知识，涵盖了智能体设计、问题解决策略以及多种搜索和优化技术，为进一步深入学习AI领域打下坚实的基础。
Introduction to Artificial Intelligence- The fundamental concepts, principles and practices.: Intelligent Agents - Agents and environments - PEAS Performance Parameters, Environment, Actuators, Sensors. Good behavior - The nature of environments - The structure of agents - Problem-Solving agents - How to define a problem? Problem Definition - State Space, Initial State, Goal State, Goal Test, Transition Model, Actions, Sensors. Acting under uncertainty - The 8-Puzzle problem , The 8-Queens problem. The Wumpus World problem-Partially Observable Space - Inference using full joint distributions; -Independence; Bayes' rule and its use; -The Wumpus world revisited. Searching Techniques: Tree Search Algorithm and Graph Search Algorithm, Redundant path, Loopy Path - Problem-Solving Agents, Well-defined problems and solutions, Formulating problems, Real-world problems. Uninformed Search Strategies, Breadth-first search, Start from Initial State, Choose the data structures Frontier and Explored set. Uniform-cost search with Priority Queue with the cost function, Depth-first search, Last In First Out Queue - Depth-limited search, Iterative deepening depth-first search, Bidirectional search, Informed (Heuristic) Search Strategies, Greedy best-first search, A* search: Minimizing the total estimated solution cost, Heuristic Functions. The effect of heuristic accuracy on performance. Beyond Classical Search, Local Search Algorithms, Hill Climbing Algorithm, Stochastic Hill Climbing Algorithm. Optimization Problems, Local Search in Continuous Spaces, Local Beam Search, Genetic Algorithm, Example of Gentic Algorithm for 8-Queens problem.
