【導讀】斯坦福大學的人工智能課程「CS 221」至今仍然是人工智能學習課程的經典之一。爲了方便廣大不能親臨現場聽講的同窗，課程官方推出了課程筆記CheatSheet，涵蓋4大類模型。git
斯坦福大學的人工智能課程「CS 221」，這門鐵打的課程從2011年開始已經走過了8個年頭，流水的講師換了一批又一批，送走的畢業生一撥又一撥，至今仍然是人工智能學習的經典課程之一。目前2019年春季課程正在如火如荼的開展中。github
這門課程是沒有教科書的，全部內容都蘊含在講師的教案以及課後做業中。不過爲了方便廣大不能親臨現場聽講的同窗，課程官方推出了課程筆記CheatSheet，涵蓋4大類模型。編程
筆記已在GitHub開源，5份PDF供你們下載保存打印當成鼠標墊設成壁紙作成窗簾裁成小冊子…隨便你選擇本身合適的操做方式。地址：網絡
https://github.com/afshinea/stanford-cs-221-artificial-intelligence/blob/master/cheatsheet-reflex-models.pdf機器學習
由於每一年課程可能都會有更新，因此在介紹筆記以前，讓咱們先對今年春季課程有一個先入的瞭解，便於新進同窗少走彎路。工具
這門課程是關於什麼的？學習
網絡搜索，語音識別，人臉識別，機器翻譯，自動駕駛和自動調度有什麼共同之處？這些都是複雜的現實問題，人工智能的目標是用嚴格的數學工具解決這些問題。 flex
在本課程中，你講學習這些應用程序的基本原則並實踐其中一些系統。具體主題包括機器學習，搜索，遊戲，馬爾可夫決策過程，約束知足，圖形模型和邏輯。該課程的主要目標是提供解決生活中可能遇到的新AI問題的工具。優化
預備知識人工智能
這門精進課程涵蓋衆多領域，並且課程進度飛快，要求學者必須在理論和經驗方面都有堅實的基礎。在開始學習該課程以前，確保你已經看過如下課程（或者其餘途徑學到的同等級課程）
-
編程 (CS 106A, CS 106B, CS 107)
-
離散數學 (CS 103)
-
機率 (CS 109)
接下來新智元來介紹一下筆記內容。
基於反射的機器學習模型
在本節介紹了基於反射的模型，這些模型能夠經過經歷具備輸入-輸出的樣原本改善經驗。這一節主要介紹瞭如下概念
-
線性預測變量
-
損失最小化
-
非線性預測變量
-
隨機梯度降低
-
微調模型
部分子概念：
線性分類
K最近鄰
神經網絡
梯度降低
反向傳播
近似和估計偏差
具備搜索優化和MDP的基於狀態的模型
本節主要介紹了搜索優化、馬爾可夫決策過程和遊戲。
部分子概念：
樹搜索
搜索問題
廣度優先搜索
深度優先搜索
圖
統一成本搜索
A星搜索
馬爾科夫決策
具備CSP和貝葉斯網絡的基於變量的模型
本節主要講了約束知足問題和貝葉斯網絡。
部分子概念：
因子圖
Markov blanket
貝葉斯網絡
基於邏輯的模型，具備命題和一階邏輯
本節主要介紹了該模型概念、命題邏輯和一階邏輯。
部分子概念：
概念
解釋功能
分辨率推理規則
官方筆記地址：
https://stanford.edu/~shervine/teaching/cs-221/cheatsheet-reflex-models
歡迎關注磐創博客資源彙總站：http://docs.panchuang.net/
歡迎關注PyTorch官方中文教程站：http://pytorch.panchuang.net/