Index

  • 2024 Spring UCB CS188
    • 从非常宏观的视角看AI，基本涵盖AI研究的各种领域知识，虽然都不是很深，但是用于整体了解AI还是很好的，后续可以继续学习相关领域
    • 伯克利的人工智能入门课，课程 notes 写得非常深入浅出，基本不需要观看课程视频。课程内容的安排基本按照人工智能的经典教材 Artificial intelligence: A Modern Approach 的章节顺序，覆盖了==搜索剪枝、约束满足问题、马尔可夫决策过程、强化学习、贝叶斯网络、隐马尔可夫模型以及基础的机器学习和神经网络的相关内容==
    • 课程的 6 个 Project 复现了经典的 Packman（吃豆人）小游戏，会让你利用学到的 AI 知识，去实现相关算法，让你的吃豆人在迷宫里自由穿梭，躲避鬼怪，收集豆子。

  • 课程网址

    • 课程网站上恰好有课程视频但是在Youtube我不喜欢，就在B站上找了视频
      • 仅课时已有近 40h，预计学习时长大约 80h
    • 课程PPT 和 notes 在网址上都有，可以作为课程内容的补充，整体的上课形式参照CS61A
    • projects 在课程网站上也有提供，直接用本地的 autograde就好
    • Hw 需要使用 GradeScope 已经搞好了(Policy 的 Auditing里)
      • 网址上也有提供的解答做完可以看

  • 本课程采用的 书是 Artificial Intelligence: A Modern Approach, 4th US ed. 非常著名

  • 基本学习模式

    • 基本上是一个 Lecture 对应一个 note，可以先看课+PPT做笔记，然后看note补充笔记，最后完成 hw 和 project --- 其实最好的方式是一边看note一边记笔记
    • 有些时候 课程的Lecture的内容可能因为时间关系与note的内容有所出入，因此在我记笔记的Lecture中，我做了一些调整

  • 课程大纲介绍 --- 部分课由于课程视频和主题并不是完全一一对应的，有些主题可能在两节课都有涉及，为了保持主题的一致性，我们对于跨主题的课程会将其主题分开做笔记，保证笔记中的主题较为一致

    • L1 --- 整体的一个 intro，不重要
    • L2-L4 --- 系统性讲解 Search
      • L2 介绍search定义以及基本search算法(DFS\BFS\IDS\UCS)
      • L3 引入启发式search算法(Greedy\A*) 并介绍 Graph 与 Tree search
      • L4 另一种search不是search path 而是 answer，满足约束(Beam\Hill-climbing\模拟退火)
    • L5-L6 --- 系统性讲解 Game
      • L5 介绍Game定义以及纯理性game算法(minimax\alpha-beta pruning\evaluation func)
      • L6 介绍概率性game算法(expectimax\monte carlo)
    • L7-L9 --- 系统性讲解逻辑学及其应用
      • L7 讲解 逻辑学的基本知识(完全理论)
      • L8 重点讲解 命题逻辑学算法(FCA\SAT(DPLL))以及其应用(Localization\Mapping\SLAM)
      • L9 重点讲解 First Order Logic(重理论也有一些应用)
    • L10-L16 --- 系统讲解概率学及其应用
      • L10 讲解概率基本知识
      • L11-13 讲解Bayes Nets 的概率学基础及其应用
      • L14-15 讲解 马尔可夫模型(本身就是概率学知识)
      • L16 讲解动态Bayes Nets 相当于将上述将的内容融为一体
    • L17-19 --- 系统讲解 马尔可夫决策过程
      • L17 讲解一些决策问题的基本概念
      • L18 讲解马尔可夫决策过程的基本概念与value iteration
      • L19 讲解 policy iteration
    • L20-23 --- 讲解 ML
      • L20 用朴素贝叶斯网络进行分类的应用和训练
      • L21 线性分类器的应用和训练
      • L22 线性和逻辑回归的应用和训练
      • L23 神经网络的应用和训练
    • L24-26 --- 讲解 RL
      • L25 --- RL 的基本概念和两种主要类型的RL
      • L26、L24 --- 补充 RL 的诸多细节，请最后再看 L24
    • L27-28 --- 拓展知识讲解
    • 其实从L10后的内容是很具有连贯性的，概率部分本质上都是围绕概率展开的，它不涉及找一个最优策略之类的内容，而马尔可夫决策过程从建模上依赖前面的内容，但是解决的问题已经完全不同，它就是要在真实世界中找到最优策略。ML 与 MDP 结合就是 RL