Học liệu mở · Miễn phí
Introduction to Artificial Intelligence
University of California, Berkeley · CS 188 · Thu 2018 · Electrical Engineering and Computer Sciences
Giảng viên gốc: Pieter Abbeel, Dan KleinBiên soạn trên OpenER: Ban biên tập OpenER
Đang tải nội dung khóa học…
Giới thiệu
Làm sao để một chương trình biết tìm đường, chơi trò chơi đối kháng, ra quyết định khi thông tin không đầy đủ, hay tự học từ dữ liệu? CS 188 học kỳ Fall 2018 của UC Berkeley, do Pieter Abbeel và Dan Klein giảng dạy, trả lời câu hỏi đó bằng cách xây dựng các tác tử thông minh theo hướng thống kê và lý thuyết quyết định.
Bạn sẽ học
Tìm kiếm không có thông tin, A* và hàm heuristic; bài toán thỏa mãn ràng buộc (CSP); cây trò chơi minimax, expectimax và hàm tiện ích. Quá trình quyết định Markov (MDP) và học tăng cường. Xác suất, mạng Bayes (biểu diễn, tính độc lập, suy luận, lấy mẫu), mạng quyết định và giá trị của thông tin (VPI); mô hình Markov ẩn (HMM) và bộ lọc hạt. Học máy: Naive Bayes, perceptron, hồi quy logistic, tối ưu hóa, mạng nơ-ron và cây quyết định. Buổi cuối điểm qua robot, xử lý ngôn ngữ và thị giác máy tính.
Cách học
Mỗi bài giảng có video và slide, nhiều bài có thêm video giải từng bước. Năm dự án Pac-Man bằng Python (tìm kiếm, trò chơi nhiều tác tử, học tăng cường, Ghostbusters, học máy) cùng các cuộc thi nhỏ giúp bạn tự cài đặt thuật toán. Khóa còn có ghi chú bài giảng, đề thảo luận, bài tập về nhà kèm lời giải, và đề thi giữa kỳ, cuối kỳ có đáp án.
Nên biết lập trình Python, cấu trúc dữ liệu, xác suất và đại số tuyến tính cơ bản. Giáo trình chính là Artificial Intelligence: A Modern Approach (Russell và Norvig).
Bạn sẽ học được
- Mô hình hóa bài toán thành tác tử, không gian trạng thái và hàm mục tiêu
- Cài đặt tìm kiếm không có thông tin, A* và thiết kế hàm heuristic chấp nhận được
- Giải bài toán thỏa mãn ràng buộc (CSP) bằng quay lui, lan truyền ràng buộc và heuristic
- Xây dựng tác tử chơi trò chơi đối kháng bằng minimax, cắt tỉa alpha-beta và expectimax
- Giải MDP bằng lặp giá trị, lặp chính sách và cài đặt Q-learning cho học tăng cường
- Suy luận xác suất trên mạng Bayes bằng loại biến và lấy mẫu
- Theo dõi trạng thái ẩn bằng HMM và bộ lọc hạt
- Huấn luyện bộ phân loại Naive Bayes, perceptron, hồi quy logistic và mạng nơ-ron
- Viết tác tử Pac-Man bằng Python áp dụng các thuật toán trên
