MOOC人工智能原理学习笔记1

本文探讨了人工智能的基础原理,包括哲学、数学、经济学等跨学科领域,并深入介绍了神经科学、认知心理学、控制理论与赛博学的基本概念。文章还概述了人工智能的应用范围,如计算机视觉、自然语言处理和智能诊断等,同时讨论了实现人工智能的不同方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

人工智能原理学习笔记1

The Foundations of AI:

Philosophy
Mathematics
Economics
Neuroscience
Psychology
Computer engineering
Control theory and cybernetics
Linguistics

1.Mathematics
1)Logic
2)Computation
NP-completeness
P:多项式时间
NP:不确定性多项式时间
NP完:NP与NP难的交集
尤拉图

3)Probability——概率
博弈论、统计学、贝叶斯

2.Neuroscience——神经科学
Prediction and simulation are key to decision making.预测和仿真
Computer VS Human brain
到了2020年计算能力可以达到一个人脑的水平,2050年可以达到所有人类大脑的水平。

3.Cognitive Psychology——认知心理学
Views the brain as an information-processing device, studies mental processes. 把大脑看作是信息处理设备,是研究心智过程的学科。
1)Attention——注意机制
2)Memory: 过程记忆、语义记忆、情景记忆。
3)Perception——感知:物理感知(视觉、嗅觉、味觉、知觉),及其认知过程。
4)Language: 语言习得、语言形成的组件、语言使用时的语气、或者许多其他相关领域。
5)Metacognition——元认知:是认知的认知、思考的思考、认识的认识;由认知的知识和认知的调节组成。
Cognitive peychology——认知心理学
Congitive science——认知科学

4.Control Theory and Cybernetics
控制理论:工程与数学的交叉学科分支。
处理动态系统对输入的行为,以及该行为如何通过反馈进行调整。
控制框图
Cybernetics
探索调控系统、它们的结构、约束、和可能性。
控制论:1948年被定义为“研究动物与机器的控制与通信的学科”;21世纪,“用技术控制任何系统”。

专家系统

人工智能的历史坎坷,近几年因为计算机的发展而逐渐强大起来。各种AI机器人冒出来,不是偶然,而是必然,历史的发展潮流。

Applications

——AI运用领域

Computer vision
Image processing
VR, AR and MR
Pattern recognition
Intelligent Diagnosis
Game theory and Strategic planning——博弈论和策略规划
Game AI and Gamebot
Machine Translation
Natural language processing, and Chatbot
Nonlinear control, and Robotics——非线性控制和机器人技术
Artificial life
Automated reasoning——自动推理
Automation
Biological computing——生物计算
Concept mining——概念计算
Data mining——数据挖掘
Knowledge representation——知识表示
Semantic Web——语义Web
E-mail spam filtering——垃圾邮件过滤
Litigation——诉讼
Hybrid intelligent system——混合人工智能
Intelligent agent——智能代理
Intelligent Control
And so on.

研究领域

stand here

Approaches for Artificial Intelligence

——人工智能的方法

1.Cybernetics and brain simulation——控制论和大脑仿真

2.Symbolic vs. Sub-symbolic——符号与亚符号
对比
右边节点间有更多附加信息。

3.Logic-based vs. Anti-logic——基于逻辑与反逻辑

4.Symbolism vs. Connectionism——符号主义与联结主义
符号主义:凭借符号及他们之间的关系来表征信息。
联结主义:用网络内部的一种分布式形式来表征信息。

5.Statistical approach——统计方法

6.Intelligent agent paradigm——智能体范式
Intelligent Agent:
Operate autonomously自主操作、
Perceive their environment感知环境、
Persist over a prolonged time period持续动作、
Adapt to change顺应变化、
Create and pursue goals实现目标、
The best outcome, or the best expected outcome(when there is uncertainty)最佳结果,或最佳预期结果(存在不确定性时)。

智能体

Right Thing=Rational Action
Rational理性:exploration, learing, autonomy.
Rational action理性动作:对给定的感知序列,能使期待的性能指标最大化。
Rational=Best最佳
Rational=Optimal最优
Rational≠Omniscience全知全能
Rational≠Clairvoyant明察秋毫
Rational≠Successful百战百胜
理性依赖于四件事:
1.定义成功标准的性能指标。
2.智能体对环境的先验知识。
3.智能体能够完成的动作。
4.智能体最新的感知序列。

刚在Nature上搜索了下deep learning 发现近期发表了好多相关的论文,现在人工智能正朝喷井式发展,将来也会发展的越来越好。
MOOC(大规模开放式在线课程)是一种通过网络平台开设的在线教育课程,可以为广大学习者提供方便灵活的学习机会。人工智能实践:TensorFlow笔记,是由北京大学推出的一门针对人工智能领域的实践课程,旨在帮助学习者掌握使用TensorFlow框架进行深度学习的基本方法和技巧。 该课程的代码提供了一系列丰富的示例和实践项目,通过这些代码我们可以了解和掌握TensorFlow的使用方法。其中包括数据处理、模型构建、模型训练与评估等关键步骤。通过学习和实践,我们可以学会如何搭建神经网络模型,进行图像分类、文本生成等任务。 在这门课程中,北京大学的代码示例主要围绕深度学习的常用库TensorFlow展开,通过给出具体的代码实现,解释了每部分的原理和操作方法,帮助学习者理解基本概念和技术,熟悉TensorFlow框架和编程语言的使用。 此外,这门课程还涵盖了一些实践项目,例如基于TensorFlow的手写数字识别、图像分类与预测、文本生成等。通过完成这些实践项目,我们可以加深对TensorFlow的理解并提高实践能力。 总之,人工智能实践: TensorFlow笔记 - 北京大学代码是一门结合了理论与实践的在线课程,通过教授深度学习的基本概念和TensorFlow的应用方法,帮助学习者掌握人工智能领域的基本技能。通过这门课程,我们可以学习到TensorFlow的使用方法,掌握一定的实践能力,并将这些知识应用于实际项目当中。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值