|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/ki-kuenstliche-intelligenz-ai-artificial-intelligence/
课程评论：没有评论
Coursera 课程《人工智能 - 零基础入门》内容总结 这门课程面向初学者，旨在通过回顾人工智能（AI）的历史发展来教授其基本概念。 **第一部分：引言与历史背景** 探讨了人工智能的哲学定义，区分了强人工智能和弱人工智能，介绍了图灵测试。课程将追溯人工智能的诞生、经历过的“伟大期望”时代以及如何回归现实。内容还将涵盖机器学习、深度学习、自然语言处理以及分布式系统在人工智能中的应用。 **第二部分：通用问题求解器** 本部分将重点介绍人工智能早期的技术，包括“逻辑理论家”这类证明程序，以及“人类问题解决”经典案例（西蒙）中的概念。课程将分析问题的结构，并介绍引发早期人工智能热潮的著名示例系统。 **第三部分：专家系统** 本部分将讨论专家系统，这类系统专注于解决特定问题，通过规则和事实形成的知识库来运作。内容将涵盖事实知识与启发式知识、框架（Frames）、槽（Slots）和填充物（Fillers），以及前向和后向推理。还将以“MYCIN”程序为例，并探讨专家系统中的概率计算，例如计算发丝断裂的概率。 **第四部分：神经网络** 本部分将回顾人工智能模仿人脑的思路，介绍神经网络作为数字信息处理的方式。课程将探讨神经网络的早期方法，并分析促成其突破的关键缺失要素。 **第五部分：机器学习（深度学习与计算机视觉）** 本部分将介绍深度学习的起源，如“马铃薯收成”案例。我们将深入理解深度学习网络的层级结构，以及机器学习在计算机视觉领域的应用。内容将涵盖深度学习的诞生年份和卷积神经网络（CNN）。 **第六部分：多智能体系统** 这一部分将介绍智能体（Agent）的概念及其在多智能体系统中的交互。这类系统旨在将复杂性分配给多个实例。 **第七部分：近期的AI突破** 本部分将重点介绍多层神经网络的突破，以及机器学习、计算机视觉、语音识别和当今人工智能的其他重要应用。
Dieser Videokurs über künstliche Intelligenz richtet sich an Einsteiger und ist so aufgebaut, dass Ihnen die Grundlagen im Rahmen der geschichtlichen Entwicklung der KI vermittelt werden. Aus diesem Grund beginnt unsere Reise mit dem Punkt "Einführung und geschichtlicher Hintergrund der KI".Themen und Inhalte der Lektionen:I. Einführung und geschichtlicher HintergrundWas ist KI - eine philosophische BetrachtungStarke und Schwache KIDer Turing TestDie Geburt der KIDie Ära der großen ErwartungenDas Einholen der RealitätWie man einer Maschine das Lernen beibringtVerteilte Systeme in der KIDeep Learning, Machine Learning, Natural Language ProcessingII. Der allgemeine ProblemlöserBeweisprogramm - Logical TheoristBeispiel aus "Human Problem Solving" (Simon)Die Struktur eines ProblemsIm diesem Abschnitt greifen wir zunächst die anfänglichen Techniken der KI auf. Sie lernen dabei die Konzepte und berühmte Beispielsysteme kennen, die diese frühe Phase der Euphorie auslösten.III. ExpertensystemeFaktenwissen und heuristisches WissenFrames, Slots und FillerVorwärts- und RückwärtsverkettungDas MYCIN ProgrammWahrscheinlichkeiten in ExpertensystemenBeispiel - Wahrscheinlichkeit von HaarrissenIn diesem Abschnitt behandeln wir Expertensysteme, die ähnlich zu den allgemeinen Problemlösern nur spezielle Probleme behandeln. Aber dafür exzessiv auf Regeln und Fakten in Form einer Wissensbasis zugreifen. IV. Neuronale NetzeDas menschliche NeuronSignalverarbeitung eines NeuronsDas PerceptronDieser Abschnitt läutet die Rückkehr zu der Idee ein, das menschliche Gehirn nachbauen zu können und so in Form von neuronalen Netzen der digitalen Informationsverarbeitung zugänglich zu machen. Wir betrachten die frühen Ansätze und stellen heraus, welche Ideen noch gefehlt haben, um neuronalen Netzen zum Durchbruch zu verhelfen.V. Maschinelles Lernen (Deep Learning & Computer Vision)Beispiel - KartoffelernteDas Geburtsjahr des Deep LearningSchichten von Deep-Learning-NetzenMaschinelles Sehen / Computer VisionConvolutional Neural Network.Die Idee eines Agenten und ihr Zusammenspiel in einem Multi-Agenten-System wird im fünften Abschnitt beschrieben. Ein solches System dient im Wesentlichen dazu, Komplexität auf mehrere Instanzen zu verteilen.Der sechste Abschnitt behandelt den Durchbruch der mehrschichtigen neuronalen Netze, maschinelles Lernen, maschinelle Sehen (Computer Vision), Spracherkennung und einige weitere Anwendungen der heutigen KI.
