慕课-英华学堂

人工智能导论

课程类型：选修课

发布时间：2023-02-10 13:48:05

主讲教师：魏忠钰

课程来源：复旦大学

建议学分：0.00分

课程编码：xtzx2377

课程介绍

课程目录

教师团队

绪章

s 绪章（13分钟）

第一章无信息搜索

s 1.1 搜索问题定义（13分钟）

s 1.2 搜索空间（8分钟）

s 1.3 状态空间图和搜索树（11分钟）

s 1.4 搜索算法的基本设定和评测（9分钟）

s 1.5 树搜索和图搜索（7分钟）

s 1.6 代价无关搜索算法（21分钟）

s 1.7 一致代价搜索算法（15分钟）

第二章有信息搜索

s 2.1 启发式函数（4分钟）

s 2.2 贪心搜索算法（9分钟）

s 2.3 A*搜索算法（12分钟）

s 2.4 可采纳的启发式函数（8分钟）

s 2.5 一致的启发式函数（14分钟）

s 2.6 构建启发式函数（10分钟）

s 2.7 启发式函数的性质（9分钟）

第三章对抗搜索

s 3.1 博弈的类型（10分钟）

s 3.2 对抗搜索（21分钟）

s 3.3 估值函数（17分钟）

s 3.4 剪枝算法（23分钟）

s 3.5 期望对抗搜索（15分钟）

s 3.6 其他博弈类型（4分钟）

s 3.7 期望的效用（15分钟）

第四章约束满足问题

s 4.1 约束满足问题的定义（19分钟）

s 4.2 约束图（11分钟）

s 4.3 约束满足问题的性质（10分钟）

s 4.4 回溯搜索（15分钟）

s 4.5 回溯搜索的提升-变量和值的选择（6分钟）

s 4.6 回溯搜索的提升 - 过滤（20分钟）

s 4.7 回溯搜索的提升 - 树结构（22分钟）

第五章强化学习 - 有模型的方法

s 5.1 序列决策问题（8分钟）

s 5.2 马尔可夫决策过程（24分钟）

s 5.3 马尔可夫决策过程样例（16分钟）

s 5.4 值迭代算法（12分钟）

s 5.5 期望最大搜索树中的值迭代（10分钟）

s 5.6 策略评估（13分钟）

s 5.7 策略迭代（13分钟）

第六章强化学习- 无模型的方法

s 6.1 强化学习 - 无模型设定（15分钟）

s 6.2 基于模型的强化学习（14分钟）

s 6.3 策略评估 - 模型无关的方法 -? 蒙特卡洛算法（16分钟）

s 6.4 策略评估 - 模型无关的方法 - 时序差分算法（19分钟）

s 6.5 策略评估 - 模型无关的方法 - 算法比较（16分钟）

s 6.6 策略控制 - 基本设定（7分钟）

s 6.7 策略控制 - 蒙特卡洛的策略评估（18分钟）

s 6.8 策略控制 - 蒙特卡洛的策略提升（15分钟）

s 6.9 策略控制 - 时序差分方法（13分钟）

第七章强化学习- 值函数近似的方法

s 7.1 状态的泛化（12分钟）

s 7.2 值函数近似方法（11分钟）

s 7.3 值函数近似的策略评估基本设定（9分钟）

s 7.4 值函数近似的策略评估算法（12分钟）

s 7.5 值函数近似的策略控制算法（15分钟）

第八章概率图模型 - 表示

s 8.1 概率基础（18分钟）

s 8.2 贝叶斯公式（9分钟）

s 8.3 概率分布的独立性（6分钟）

s 8.4 贝叶斯网络简介（22分钟）

s 8.5 贝叶斯网络的基本语义（13分钟）

s 8.6 贝叶斯网络的独立性（11分钟）

s 8.7 D分离方法（19分钟）

s 8.8 D分离方法 - 样例演示（9分钟）

s 8.9 贝叶斯网络的独立性隐含关系（5分钟）

第九章概率图模型 - 推理

s 9.1 基于枚举的概率推理（13分钟）

s 9.2 因子介绍（15分钟）

s 9.3 基于因子的枚举法（18分钟）

s 9.4 因子的变量消元方法（11分钟）

s 9.5 变量消元方法中的消元顺序选择（8分钟）

s 9.6 基于采样的近似概率推理（13分钟）

s 9.7 直接采样（10分钟）

s 9.8 拒绝采样（8分钟）

s 9.9 似然权重采样（15分钟）

第十章概率图模型 - 隐马尔可夫模型

s 10.1 马尔可夫模型（13分钟）

s 10.2 马尔可夫模型的迷你前向算法（12分钟）

s 10.3 马尔可夫模型的稳态性质（11分钟）

s 10.4 隐马尔可夫模型（13分钟）

s 10.5 隐马尔可夫模型的过滤任务（12分钟）

s 10.6 隐马尔可夫模型的极大似然解释（11分钟）

s 10.7 隐马尔可夫模型的近似求解 - 粒子滤波（16分钟）