斯坦福经典AI课程CS 221官方笔记来了！机器学习模型、贝叶斯网络等重点速查

斯坦福大学的人工智能课程“CS 221”，这门铁打的课程从2011年开始已经走过了8个年头，流水的讲师换了一批又一批，送走的毕业生一拨又一拨，至今仍然是人工智能学习的经典课程之一。目前2019年春季课程正在如火如荼的开展中。

这门课程是没有教科书的，所有内容都蕴含在讲师的教案以及课后作业中。不过为了方便广大不能亲临现场听讲的同学，课程官方推出了课程笔记CheatSheet，涵盖4大类模型。

笔记已在GitHub开源，5份PDF供大家下载保存打印当成鼠标垫设成壁纸做成窗帘裁成小册子…随便你选择自己合适的操作方式。地址：

https://github.com/afshinea/stanford-cs-221-artificial-intelligence/blob/master/cheatsheet-reflex-models.pdf

因为每年课程可能都会有更新，所以在介绍笔记之前，让我们先对今年春季课程有一个先入的了解，便于新进同学少走弯路。

网络搜索，语音识别，人脸识别，机器翻译，自动驾驶和自动调度有什么共同之处？这些都是复杂的现实问题，人工智能的目标是用严格的数学工具解决这些问题。

在本课程中，你讲学习这些应用程序的基本原则并实践其中一些系统。具体主题包括机器学习，搜索，游戏，马尔可夫决策过程，约束满足，图形模型和逻辑。该课程的主要目标是提供解决生活中可能遇到的新AI问题的工具。

这门精进课程涵盖众多领域，而且课程进度飞快，要求学者必须在理论和经验方面都有坚实的基础。在开始学习该课程之前，确保你已经看过以下课程（或者其他途径学到的同等级课程）

• 编程 (CS 106A, CS 106B, CS 107)

• 离散数学 (CS 103)

• 概率 (CS 109)

接下来新智元来介绍一下笔记内容。

在本节介绍了基于反射的模型，这些模型可以通过经历具有输入-输出的样本来改善经验。这一节主要介绍了以下概念

• 线性预测变量

• 损失最小化

• 非线性预测变量

• 随机梯度下降

• 微调模型

部分子概念：

线性分类

K最近邻

神经网络

梯度下降

反向传播

近似和估计误差

本节主要介绍了搜索优化、马尔可夫决策过程和游戏。

部分子概念：

树搜索

搜索问题

广度优先搜索

深度优先搜索

图

统一成本搜索

A星搜索

马尔科夫决策

本节主要讲了约束满足问题和贝叶斯网络。

部分子概念：

因子图

Markov blanket

贝叶斯网络

本节主要介绍了该模型概念、命题逻辑和一阶逻辑。

部分子概念：

概念

解释功能

分辨率推理规则

官方笔记地址：

https://stanford.edu/~shervine/teaching/cs-221/cheatsheet-reflex-models

祝大家学习愉快！哦，别忘了在评论区晒出你们都是怎么使用这份CheatSheet的。

【磐创粉丝福利】加磐小仙好友(微信号:cellerai)并发送关键字“python基础”即可0元学习在线精品课程《Python基础课程升级版》。

你也许还想看：

●常用的模型集成方法介绍：bagging、boosting 、stacking

●干货！谷歌首席科学家发文阐述“半监督学习革命”，想走出瓶颈先试试这个

●TensorFlow官方发布剪枝优化工具：参数减少80%，精度几乎不变

欢迎扫码关注：