MOOC简介——人工智能:模型与算法长春工程学院校网通站

从逻辑推理、搜索求解、监督学习、无监督学习、深度学习、强化学习和博弈对抗介绍人工智能基本概念和模型算法,帮助学习者了解人工智能历史、趋势、应用及挑战,掌握人工智能在自然语言理解和视觉分析等方面赋能实体经济的手段。课程对应教材为高等教育出版社十三五和十四五期间重点打造“新一代人工智能系列教材”中的《人工智能导论:模型与算法》。算法实训平台为“智海-Mo平台(momodel.cn)”。本课程由浙江大学求是特聘教授、人工智能研究所所长吴飞教授开设。

——课程团队

授课教师:浙江大学吴飞教授

课程介绍:

本课程成体系介绍人工智能的基本概念和基础算法,可帮助学习者掌握人工智能脉络体系,体会具能、使能和赋能,从算法层面对人工智能技术“知其意,悟其理,守其则,践其行”。课程内容包括如下:人工智能概述、搜索求解、逻辑与推理、监督学习、无监督学习、深度学习、强化学习、博弈对抗。

重点章节大纲:

第三章:逻辑与推理(I)

3.1命题逻辑

3.2谓词逻辑

3.3知识图谱推理:一阶归纳推理算法

第四章:逻辑与推理(II)

4.1知识图谱推理:路径排序算法

4.2因果推理

第七章:统计机器学习算法应用

7.1逻辑斯蒂回归与分类

7.2潜在语义分析

7.3线性区别分析及分类

第十章:强化学习

10.1强化学习定义

10.2策略优化与策略评估

10.3强化学习求解:QLearning

10.4深度强化学习

第十二章:人工智能发展与挑战

12.1记忆驱动的智能计算

12.2可计算社会学

12.3若干挑战

第十一章:人工智能博弈

11.2遗憾最小化算法

11.3虚拟遗憾最小化算法

课后小测:

1.(单选)下面哪个方法于20世纪被提出来,用来描述对计算机智能水平进行测试()

A.费马定理

B.香农定律

C.摩尔定律

D.图灵测试

正确答案:B

解析:用来描述对计算机智能水平进行的测试叫做图灵测试。

2.(多选)下面对生成对抗网络(GenerativeAdversarialNetwork)描述正确的是()

A.GAN是一种区别学习模型。

B.GAN是一种生成学习模型。

C.GAN包含生成网络和判别网络两个网络。

D.生成网络和判别网络分别依次迭代优化。

正确答案:BCD

解析:GAN是一种生成学习模型、GAN包含生成网络和判别网络两个网络、生成网络和判别网络分别依次迭代优化。

3.(判断)人类智能能够自我学习,机器智能大多是依靠数据和规则驱动

A.√

B.×

正确答案:A

解析:人类智能能够自我学习,机器智能大多是依靠数据和规则驱动

师生课程体会:

本课程主要从数据智能这一角度来讲授人工智能的基本算法和模型,辅以一定的实训题目促进对模型的深入了解,使学习者能够掌握逻辑推理、机器学习、强化学习、博弈对抗等基本模型,明晰人工智能具能、使能和赋能的手段和方法。

课程非常全面的介绍了人工智能各个领域的知识,从历史、搜索、推理、机器学习基础、深度学习、强化学习、人工智能的安全等方面进行了讲解,言简意赅,难度适中,体系完整。老师讲课生动,是一门非常值得学习的人工智能课程。

THE END
1.教育的软件:开启智慧学习的新篇章便捷性:教育软件打破了时间和空间的限制,学习者可以随时随地进行学习,大大提高了学习的便捷性。 互动性:许多教育软件都具备互动功能,如在线讨论、实时答疑等,这些功能增强了学习者之间的互动和交流,提高了学习效果。 个性化:通过大数据和人工智能技术,教育软件能够为学习者提供个性化的学习路径和推荐,帮助学习者更加高效https://www.pbids.com/aboutUs/pbidsNews/1861300105820344320
2.学习笔记在线强化学习是强化学习的一种形式,其中智能体(agent)通过与环境的实时交互来学习。在这个过程中,智能体根据当前观察状态(state)采取行动(action),并从环境那里接收奖励(reward)和下一个状态(next state)。智能体使用这些反馈来更新其策略(policy),即在定状态下选择行动的规则。在线学习的特点是智能体在每一时刻都基https://blog.csdn.net/hzlalb/article/details/136870080
3.手把手教你强化学习(一)什么是强化学习?与机器学习有什么区别?与无监督学习的区别:无监督学习是学习数据本身的规律、模式。强化学习是最大化期望收益。就像你去看电影,无监督学习学习你以前的观影记录,然后开始分析,给你推荐电影。强化学习相当于从用户那获得反馈,学习的是用户偏好,而不是数据本身,然后建立自己的知识框架,再来给你推荐电影。 https://developer.aliyun.com/article/1293995
4.什么是强化学习强化学习简介强化学习的优势以及应用嘲强化学习在制造业领域中也有广泛的应用,可以用来优化生产流程和降低成本。 强化学习与监督学习和无监督学习有什么区别? 监督学习是在有标签数据的情况下进行学习的,目标是学习一个从输入到输出的映射关系。无监督学习是在没有标签数据的情况下进行学习的,目标是学习数据中的内在结构和模式。强化学习则是在与环境交互的https://cloud.tencent.com/developer/techpedia/1750
5.持续学习与在线强化学习.pptx2.通过持续学习和在线强化学习,可以实现更智能、更自主的系统,提高生产效率和服务质量。3.未来,持续学习与强化学习将成为人工智能领域的重要研究方向之一。在线强化学习的基本原理持续学习与在线强化学习在线强化学习的基本原理在线强化学习的定义1.在线强化学习是在线学习和强化学习的结合,通过实时的反馈和数据进行模型优化https://m.renrendoc.com/paper/297429452.html
6.机器学习中在线学习批量学习迁移学习主动学习的区别按wiki上所描述的看,主动学习也属于半监督学习的范畴了,但实际上是不一样的,半监督学习和直推学习(transductive learning)以及主动学习,都属于利用未标记数据的学习技术,但基本思想还是有区别的。如上所述,主动学习的“主动”,指的是主动提出标注请求,也就是说,还是需要一个外在的能够对其请求进行标注的实体(通常http://eetrend.com/node/100016949
7.强化学习和监督式学习,非监督式学习的区别强化学习和监督式学习, 非监督式学习的区别 描述 今天来看看强化学习,不过不是要用它来玩游戏,而是觉得它在制造业,库存,电商,广告,推荐,金融,医疗等与我们生活息息相关的领域也有很好的应用,当然要了解一下了。 本文结构: 定义 和监督式学习, 非监督式学习的区别https://m.elecfans.com/article/734441.html
8.强化学习的基本概念在线学习和离线学习针对的是在强化学习模型在训练过程中交互数据的使用方式。在线学习的强化学习模型,会在一个交互之后,立即用本次交互得到的经验进行训练。而离线学习的强化学习模型,往往是先将多个交互的经验存储起来,然后在学习的时候,从存储的经验中取出一批交互经验来学习。 https://www.jianshu.com/p/28625d3a60e6
9.在线学习力:结构特征及影响因素然而,由于在线学习准时空分离特性,学习者易产生孤独、无助等情绪,实际学习效果尚未达到预期。探究远程学习者的在线学习力,辨析学习的内在机制与规律,可帮助学习者克服消极体验,提升学习水平,实现可持续发展。本研究首先通过理论研究,提出包含内驱力、认识力、意志力以及应用力四个维度的在线学习力理论框架,而后开展问卷https://maimai.cn/article/detail?fid=1527297080&efid=XUDmn34HY91HTKNshubb-A
10.在线网课学习课堂《人工智能(北理)》单元测试考核答案(1分)自组织特征映射网络的学习方法为()A非监督学习B监督学习C强化学习D半监督学习王确智家A第22题单选题(1分)自组织特征映射网络中的竞争方式是()A权值最大的神经元为获胜神经元B权值最小的神经元为获胜神经元C权值与输入向量最接近的神经元为获胜神经元D权值离输入向量最远的神经元为获胜神经元正确鲁索tC第https://www.yxfsz.com/view/1673214771380457473
11.叶志豪:介绍强化学习及其在NLP上的应用分享总结雷峰网接下来,讲一下强化学习和监督学习的区别,主要的区别可以归纳为两点。和监督学习比较,强化学习的信号是一个奖励信号,有样本、有标签,然后就是输入的不同。因为我们常见的,像我们的输入模型,它们都是独立分布的,但是对强化学习来说,一般它是一个序列,也就是说它的每一个动作的输出和它的输入是有关系的,它两次的https://www.leiphone.com/news/201807/sbyafpzV4BgvjLT1.html
12.GitHubWDWSD/easy强化学习中文教程(蘑菇书),在线阅读地址:https://datawhalechina.github.io/easy-rl/ - WDWSD/easy-rlhttps://github.com/WDWSD/easy-rl
13.2022在线网课学习课堂《人工智能(北理)》单元测试考核答案.pdf在线网课学习课堂《人工智能(北理 )》单元测试考核答案.pdf,注:不含主观题 第 1 题 单选题 (1分) 变化是学习的()。 A 基础 B 结果 C 条件 D 目标 第 2 题 单选题 (1分) 群智能对应于人的()。 A 学习能力 B 行为能力 C 语言能力 D 社交能力 第 3 题 单选题 (1分) 进化https://m.book118.com/html/2022/0913/8126126014004137.shtm
14.科学网—[转载]强化学习在资源优化领域的应用根据智能体在与环境交互过程中具体学习的内容,可以把无须对环境进行建模(即model-free)的强化学习算法分为两大类:直接学习动作执行策略的策略优化算法(如REINFORCE)和通过学习一个值函数进而做出动作执行决策的值优化算法(如Q-learning)。 在策略优化这类算法中,主要学习对象是动作执行策略πθ,其中,θ表示当前策略的https://blog.sciencenet.cn/blog-3472670-1312677.html
15.行为策略与目标策略Onpolicy与Offpolicy51CTO博客行为策略与目标策略、On-policy与Off-policy,在强化学习中,行为策略和目标策略的区别在于,行为策略是智能体在环境中实际采取的策略,而目标策略是智能体希望https://blog.51cto.com/sddai/6151204
16.AI深度强化学习落地方法七步曲2——状态空间篇回报函数篇由于强化学习的优化目标是折扣累加的长期收益,这使得reward起作用的方式较为间接,无法像有监督学习那样为神经网络的feature extraction提供很好的指导,这也是DRL训练效率低下的根本原因。因此,我们在状态空间上多下一点功夫,DRL学习的难度就降低一点。在资源有限的情况下这很有可能就是训不出来和训得出来的区别,也有可能https://www.shangyexinzhi.com/article/4228946.html
17.多智能体强化学习及其在游戏AI上的应用与展望根据反馈信号的不同,通常可以将机器学习分为监督学习,半监督学习,无监督学习和强化学习。其中,强化学习的训练没有现成的样本,而是智能体在与环境的交互中收集相应的(状态,动作,奖赏)的样本进行试错学习,从而不断地改善自身策略来获取最大的累积奖赏11 12。https://www.gameres.com/890381.html
18.面向连续8.动作表征的核心优势是对原始的复杂动作空间进行了本质语义关联的刻画,因而在得到的表征空间中影响或者含义相近的排列更紧密,进而带来的了学习过程中动作空间的泛化,提升强化学习学习任务的学习效率。然而,目前的动作表征方法都没有考虑混合动作空间。如何对离散和连续动作根据语义进行表征(embedding)学习以及如何基于动作表https://www.xjishu.com/zhuanli/55/202110958527.html
19.监理工作方案(通用17篇)3.教学辅导:教师要制定教学计划,根据录播课程确定教学重难点,配套教学案;围绕学生网络录播课的学习,进行学习辅导;教师布置课堂作业及课后作业,及时讲解,强化学习效果。 4.习题课:主科教师每周要利用上午时间,开设一节习题课,可利用在线直播的形式,归纳一周学习要点,讲解学生在作业中出现的普遍问题和难点。 https://www.diyifanwen.com/word/jianligongzuofangan.html