个人介绍
人工智能导论

主讲教师:魏忠钰

教师团队:共1

  • 魏忠钰
人工智能导论
《人工智能导论》是计算机学科的核心课程,是高校人工智能人才培养的基础和重点环节。本课程已经在复旦大学大数据学院,面向本科生开设六个学期,获得2021年复旦大学青年教师教学比赛一等奖,成为2022年上海市重点课程建设项目。课程已经在智慧树、在线学堂、B站等平台上线。
课程介绍
       本课程的教学内容共分为四个模块,涵盖人工智能的四大类经典方法:第一个模块是搜索的基本方法,包括搜索问题的定义,无信息搜索方法,有信息搜索方法。第二个模块是对抗搜索,内容包括博弈搜索和约束满足问题的回溯搜索方法。第三个模块是强化学习,内容包括马尔可夫决策过程,模型无关的强化学习以及值近似的强化学习。第四个模块是概率图模型,内容包括贝叶斯网络的表示和推理,以及马尔可夫模型和隐马尔可夫模型。
教师团队

魏忠钰

职称:副教授

单位:复旦大学

部门:大数据学院

职位:主讲教师

课程目标

国务院在2017年印发《新一代人工智能发展规划的通知》,提到“人工智能的迅速发展将深刻改变人类社会生活、改变世界。”近年来,我国的人工智能研究和产业的发展都有了长足进步,整体环境日益活跃,但相关领域的专业人才培养(特别是高端人才)依然滞后。为了进一步推动人工智能专业人才培养,国家将其列为一级学科。本课程的建设很好的响应了国家对高等教育院校发展的指导和要求,可以为培养符合国家战略的新型人才提供支持。

本课程是计算机学科的核心课程,是高校人工智能人才培养的基础和重点环节。课程向学生介绍人工智能领域的基本知识,内容设计由简到繁,循序渐进的讲述智能体在解决现实问题相关原理和技术。整体设计从“知识-思维-技术”三个层次全方位培养学生的能力,为学生夯实人工智能的专业基础知识,形成机器学习引导的问题解决思维方式,并具备将所学知识应用到实际场景的技术能力。



教学安排

课程包含视频材料预习、线下授课、编程实验、课堂知识拓展和大作业辅助几个环节。课程包括十个章节的理论学习,每个章节都包括2个线上学时和1个线下学时,线下学习在回顾理论的同时会设置练习题引导学生讨论。十个章节可以分成四个内容模块,每一个模块都配备3个学时的上机练习,为理论学习提供辅助。除此之外,我们设置了服务于大作业的6个学时的内容,其中4个学时为线上学习理论,2个学时为线下交流。最后的两周,共计6个学时,会覆盖期末考试的答疑和期末考试。                                                                

课次

 具体内容

 课程导论

无信息搜索

  • 搜索空间

  • 搜索图和搜索树

  • 深度优先,广度优先,迭代加深搜索算法

  • 代价一致搜索算法


 有信息搜索,A*算法
  • 启发式函数

  • 贪心搜索算法

  • A*算法的最优性

  • 启发式函数的性质

 课程实验:搜索

 对抗博弈搜索
  • 博弈的类型

  • 对抗搜索

  • 估值函数

  • 剪枝算法

  • 期望对抗搜搜

  • 效用

 约束满足问题
  • 约束满足问题的定义

  • 约束图

  • 回溯搜索

  • 回溯搜索的提升

课程实验:Alpha-Beta 剪枝算法


强化学习 – 有模型方法

  • 序列决策问题

  • 马尔可夫决策过程

  • 值迭代

  • 策略迭代


 强化学习 -  无模型方法
  • 问题设定

  • 策略评估的模型无关方法

  • 策略控制的模型无关方法 


 强化学习 -  值近似方法
  1. 状态的泛化

  2. 值函数近似方法

  3. 策略评估的值函数近似方法

  4. 策略控制的值函数近似方法

 课程实验:值迭代,策略迭代算法
十一
 贝叶斯网络 – 表示
  • 概率基础

  • 贝叶斯网络简介

  • 贝叶斯网络的独立性

  • D分离方法 

十二
 贝叶斯网络 – 推理
  • 因子介绍

  • 枚举法的精确推理

  • 变量消元的精确推理

  • 近似概率推理方法

十三

课程实验:贝叶斯网络的推理算法
十四
 隐马尔可夫模型
  • 马尔可夫模型

  • 马尔可夫模型的mini前向算法

  • 隐马尔可夫模型

  • 隐马尔可夫模型的过滤任务

  • 隐马尔可夫模型的极大似然解释任务

十五
 自然语言处理的研究报告
十六
 课程总结


参考教材

1. Stuart J. Russell, Peter Norvig, ISBN-10: 0134610997, ArtificialIntelligence A Modern Approach, 4th Edition.2020, Prentice Hall

2. Richard S. Sutton, Andrew G. Barto, ISBN-10:0262039249, Reinforcement Learning: An Introduction, 2nd Edition,2020, MIT Press

3. Kollerand Friedman, ISBN-10: 0262013193, Probabilistic Graphical Models: Principlesand Techniques,1st Edition, 2009, MIT Press



课程评价

教学资源
课程章节 | 文件类型   | 修改时间 | 大小 | 备注
1.2 课程导论
视频
.mp4
2023-04-12 461.61MB
1.3 第一课时 问题定义
视频
.mp4
2023-04-11 460.67MB
1.4 第二课时 搜索空间
视频
.mp4
2023-04-11 306.51MB
1.5 第三课时 搜索图和搜索树
视频
.mp4
2023-04-11 373.79MB
1.6 第四课时 搜索算法的基本设定和评测
视频
.mp4
2023-04-11 292.09MB
1.7 第五课时 树搜索和图搜索
视频
.mp4
2023-04-11 233.91MB
1.8 第六课时 深度优先算法+广度优先算法+迭代加深算法
视频
.mp4
2023-04-11 750.83MB
1.9 第七课时 代价一致搜索算法
视频
.mp4
2023-04-11 492.92MB
2.1 第一课时 启发式函数
视频
.mp4
2023-04-11 142.50MB
2.2 第二课时 贪心搜索算法
视频
.mp4
2023-04-11 307.19MB
2.3 第三课时 A-算法和最优性
视频
.mp4
2023-04-11 353.73MB
2.4 第四课时 启发式函数的可采纳性
视频
.mp4
2023-04-11 271.52MB
2.5 第五课时 启发式函数的一致性
视频
.mp4
2023-04-11 468.86MB
2.6 第六课时 启发式函数的构建
视频
.mp4
2023-04-11 384.33MB
2.7 第七课时 启发式函数的性质
视频
.mp4
2023-04-11 319.16MB
3.1 第一课时 博弈的类型
视频
.mp4
2023-04-11 378.95MB
3.2 第二课时 对抗搜索
视频
.mp4
2023-04-11 718.61MB
3.3 第三课时 估值函数
视频
.mp4
2023-04-11 625.79MB
3.4 第四课时 剪枝算法
视频
.mp4
2023-04-11 779.45MB
3.5 第五课时 期望对抗搜索
视频
.mp4
2023-04-11 535.94MB
3.6 第六课时 其他搜索类型
视频
.mp4
2023-04-11 142.10MB
3.7 第七课时 期望效用
视频
.mp4
2023-04-11 521.43MB
4.1 第一课时 约束满足问题的定义
视频
.mp4
2023-04-11 645.58MB
4.2 第二课时 约束图
视频
.mp4
2023-04-11 393.06MB
4.3 第三课时 约束满足问题的性质
视频
.mp4
2023-04-11 358.82MB
4.4 第四课时 回溯搜索
视频
.mp4
2023-04-11 513.81MB
4.5 第五课时 回溯提升——变量和值的选择
视频
.mp4
2023-04-11 210.40MB
4.6 第六课时 回溯提升——过滤
视频
.mp4
2023-04-11 655.92MB
4.7 第七课时 回溯提升 - 树结构
视频
.mp4
2023-04-11 726.96MB
5.1 第一课时 序列决策问题
视频
.mp4
2023-04-11 286.18MB
5.2 第二课时 马尔可夫决策过程
视频
.mp4
2023-04-11 860.96MB
5.3 第三课时 马尔可夫决策过程样例
视频
.mp4
2023-04-11 552.49MB
5.4 第四课时 值迭代
视频
.mp4
2023-04-11 409.06MB
5.5 第五课时 期望最大搜索树中的值迭代
视频
.mp4
2023-04-11 352.04MB
5.6 第六课时 策略评估
视频
.mp4
2023-04-11 440.46MB
5.7 第七课时 策略迭代
视频
.mp4
2023-04-11 463.20MB
6.1 第一课时 强化学习 - 无模型设定
视频
.mp4
2023-04-11 532.61MB
6.2 第二课时 策略评估 - 基于模型的强化学习
视频
.mp4
2023-04-11 442.59MB
6.3 第三课时 策略评估 - 模型无关的强化学习 -  蒙特卡洛算法
视频
.mp4
2023-04-11 513.44MB
6.4 第四课时 策略评估 - 模型无关的强化学习 - 时序差分算法
视频
.mp4
2023-04-11 633.34MB
6.5 第五课时 策略评估 - 模型无关的强化学习 - 算法比较
视频
.mp4
2023-04-11 470.96MB
6.6 第六课时 策略控制 - 基本设定
视频
.mp4
2023-04-11 238.79MB
6.7 第七课时 策略控制 - 模特卡洛的策略评估
视频
.mp4
2023-04-11 581.11MB
6.8 第八课时 策略控制 - 蒙特卡洛的策略提升
视频
.mp4
2023-04-11 507.12MB
6.9 第九课时 策略控制 - 时序差分方法
视频
.mp4
2023-04-11 421.38MB
7.1 第一课时 状态的泛化
视频
.mp4
2023-04-11 402.24MB
7.2 第二课时 值函数近似方法
视频
.mp4
2023-04-11 377.46MB
7.3 第三课时 值函数近似的策略评估
视频
.mp4
2023-04-11 312.66MB
7.4 第四课时 值函数近似的策略评估 - 蒙特卡洛和时序差分
视频
.mp4
2023-04-11 408.95MB
7.5 第五课时 值函数近似的策略控制及强化学习总结
视频
.mp4
2023-04-11 494.69MB
8.1 第一课时 概率基础
视频
.mp4
2023-04-11 619.87MB
8.2 第二课时 贝叶斯公式
视频
.mp4
2023-04-11 302.04MB
8.3 第三课时 独立性
视频
.mp4
2023-04-11 195.40MB
8.4 第四课时 贝叶斯网络简介
视频
.mp4
2023-04-11 741.28MB
8.5 第五课时 贝叶斯网络的基本语义
视频
.mp4
2023-04-11 437.37MB
8.6 第六课时 贝叶斯网络的独立性
视频
.mp4
2023-04-11 390.19MB
8.7 第七课时 D分离方法
视频
.mp4
2023-04-11 662.50MB
8.8 第八课时 D分离方法 - 样例演示
视频
.mp4
2023-04-11 310.23MB
8.9 第九课时 贝叶斯网络的独立性隐含关系
视频
.mp4
2023-04-11 173.92MB
9.1 第一课时 概率推理
视频
.mp4
2023-04-11 443.44MB
9.2 第二课时 因子介绍
视频
.mp4
2023-04-11 510.34MB
9.3 第三课时 枚举法精确推理
视频
.mp4
2023-04-11 630.63MB
9.4 第四课时 变量消元精确推理
视频
.mp4
2023-04-11 384.64MB
9.5 第五课时 变量消元中的消元顺序选择
视频
.mp4
2023-04-11 260.60MB
9.6 第六课时 近似概率推理 - 采样
视频
.mp4
2023-04-11 451.08MB
9.7 第七课时 直接采样
视频
.mp4
2023-04-11 347.62MB
9.8 第八课时 拒绝采样
视频
.mp4
2023-04-11 277.90MB
9.9 第九课时 似然权重采样
视频
.mp4
2023-04-11 513.81MB
10.1 第一课时 马尔可夫模型
视频
.mp4
2023-04-11 436.34MB
10.2 第二课时 马尔可夫模型的迷你前向算法
视频
.mp4
2023-04-11 413.61MB
10.3 第三课时 马尔可夫模型的稳定性
视频
.mp4
2023-04-11 405.10MB
10.4 第四课时 隐马尔可夫模型
视频
.mp4
2023-04-11 482.41MB
10.5 第五课时 隐马尔可夫模型的过滤任务
视频
.mp4
2023-04-11 418.46MB
10.6 第六课时 隐马尔可夫模型的极大似然解释
视频
.mp4
2023-04-11 373.58MB
10.7 第七课时 隐马尔可夫模型的近似求解 - 粒子滤波
视频
.mp4
2023-04-11 557.33MB
课程章节
提示框
提示框
确定要报名此课程吗?
确定取消

京ICP备10040544号-2

京公网安备 11010802021885号