AI Course

AI Course

• 考试内容

  • 1.第一章：概述（掌握基本常识）（1.1～1.6） 2.第二章：搜索求解问题（2.1基本思路重点掌握，2.22.32.4了解当中内容） 3.第三章：搜索策略，重点掌握（3.1盲目搜索和3.2启发式搜索重点掌握）（3.2.13.2.2，重点掌握爬山法）（3.3重点掌握，随 机搜索？） 4.第四章：图搜索（4.1重点掌握，涉及A算法和A*，4.2重点掌握4.2.14.2.4) 5.第五章：重点掌握博奔搜索（minmax，alphabeta，montecarlo） 6.第六章：遗传算法和免疫算法（6.1～6.10重点掌握，6.8一般了解即可，6.116.14重点掌握，6.15一般性了解） 7.第七章：群智能算法（7.2.1～7.2.3重点掌握，7.3一般了解） 第八九章跳过 知识表示方法＆推理方法 10.第十章：基本知识表示方法（10.110.310.410.5，以及状态空间法，问题归约法，知识图谱） 11.第十一章：推理（11.111.2..的归结原理以及应用） 12.第十二章：不确定性推理（12.212.3，12.2证据理论，12.3主观bayes重点掌握（nmd），以及概率推理＆可信度，但是 模糊推理不考？？） 机器学习，人工神经网络，深度学习和强化学习 14.第十四章：机器学习（机器学习方法＆机器学习算法，后者不在教科书范围内，但是ppt上有，例如svm，回归，决策树等 算法) 15.第十五章：人工神经网络（15.115.5要非常熟悉，15.6一般了解即可）（至少了解两个：15.7.1感知机，15.7.2BP算法 ?？.深度学习＆强化学习：至少掌握CNN，RNN，强化学习网络的基本工作原理，掌握基本常识

• Search

• Reasoning

  • 知识表示 {{embed ((635f695e-82d9-44a9-b5f5-25fe3f28f030)) }}

• Uncertain Reasoning

  • 主观Bayes方法

    • Given $P(E|S),P(H),LS, LN$
    • $$def. O(x)=\frac{P(x)}{1-P(x)} \\ O(H|E)=LS\cdot O(H), O(H|\neg E)=LN\cdot O(H) \\ P(H|S)=P(H|E)P(E|S)+P(H|\neg E)P(\neg E|S) \\$$

    • 分类讨论：

      • $P(E|S)=1 \implies P(H|S)=P(H|E)=1/(O(H|E)+1)=\frac{LS\cdot P(H)}{(LS-1)P(H)+1}$ $P(E|S)=0\implies P(H|S)=P(H|\neg E)=\frac{LN\cdot P(H)}{(LN-1)P(H)+1}$
      • $P(E|S)=P(E)\implies \text{E and S are independent}\implies P(H|S)=...=P(H)$
      • others: 由上述三个点线性插值

  • 可信度方法

    • $$CF(H)=CF(H,E) Relu(CF(E))\\ CF(A\land B)=\min(CF(A),CF(B)),CF(A\lor B)=\max(CF(A),CF(B))\\ abs(CF(C))=CF_A(C)+CF_B(C)-CF_A(C)CF_B(C)$$

  • Dempster-Shafer理论

    • 基本概率分配函数$\sum_{z\in 2^\theta} m(z)=1$ 置信函数$Bel(A)=\sum_{z\sub A} m(z)$ 置信区间$[Bel(A),p^*A]$ 其中不怀疑A的度量为$p^*(A)=1-Bel(A^c),A^c=\theta-A$

    • 证据的组合

  • 模糊推理

  • References

    • 人工智能技术导论——不确定性知识的表示与推理 ↗

• ML

  • classify by strategy

    • rote: memorize straight forward

    • instruction: induct generic rules from typical instances

    • explanation(EBL):

    • ML by analogy:

• ANN

  • event camera事件相机vs场相机、脉冲神经网络

  • 交感神经：Your** sympathetic nervous system controls your “fight-or-flight” response.** Danger or stress activates your sympathetic nervous system, which can cause several things to happen in your body.

  • 小脑模型关节控制CMAC、互联前向网络（同层互联）、广泛互联网络（玻尔兹曼机）

  • 有监督：广义Delta规则、LVQ算法

  • 无监督：按相似特征分组聚集（如分组方差），Kohonen算法、Carpenter-Grossberg

  • References

    • rnn-effectiveness ↗, visualize of RNN reading picture sequentially, char-level LMs

• RL

  • References

    • Part 2: Kinds of RL Algorithms — Spinning Up documentation.. ↗
    • RL vs. A* ↗
    • 基于强化学习的有向图搜索实例 ↗

  • MDP马尔可夫过程 马尔可夫性质：下一个状态的条件概率分布仅取决于当前状态 bellman方程：关注当前reward与未来reward

  • Q-Learning

    1. initialize
    2. while not end
    3. explore or exploit(decide by random)
    4. if explore, choose max Q-value
    5. update new Q-value

  • 特点、对比搜索

    • 训练过程？无初始全局预估