Artificial Intelligence (AI)

Sprawmy, że będziesz ekspertem od sztucznej inteligencji (AI) i uczenia maszynowego (ML).

Co to jest sztuczna inteligencja (AI)?

Sztuczna inteligencja (AI) odnosi się do symulacji ludzkiej inteligencji w maszynach zaprogramowanych do myślenia jak ludzie i naśladowania ich działań. Termin ten można również zastosować do dowolnej maszyny, która wykazuje cechy związane z ludzkim umysłem, takie jak uczenie się i rozwiązywanie problemów.

Sztuczna inteligencja (AI) to dziedzina informatyki, która kładzie nacisk na tworzenie inteligentnych maszyn, które działają i reagują jak ludzie. Procesy te obejmują uczenie się, rozumowanie i samokorekcję. AI osiąga się poprzez badanie, jak myśli ludzki mózg, i jak ludzie uczą się, decydują i pracują, próbując rozwiązać problem.

Dowiedz się, jak tworzyć inteligentne aplikacje skoncentrowane na obrazach, tekście i danych szeregów czasowych. Jest szeroko stosowany w wielu dziedzinach, takich jak wyszukiwarki, rozpoznawanie obrazów, robotyka, finanse i tak dalej. Dowiesz się o różnych algorytmach, które można wykorzystać do tworzenia aplikacji sztucznej inteligencji.

Co jest dla ciebie?

- Wprowadzenie do sztucznej inteligencji i inteligentnych agentów, historia sztucznej inteligencji

- Budowanie inteligentnych agentów (wyszukiwanie, gry, logika, problemy z ograniczeniem satysfakcji)

- Algorytmy uczenia maszynowego

- Zastosowania AI (przetwarzanie języka naturalnego, robotyka / wizja, rozumienie języka)

Zawartość aplikacji

1) Wprowadzenie do AI

- Test Turinga

- Historia sztucznej inteligencji

- Typowy problem sztucznej inteligencji

- Cykl sztucznej inteligencji

2) Podejście do rozwiązywania problemów AI

- Przestrzeń państwowa

- Wyszukiwanie wykresów

- Wyszukiwanie

- Wyszukiwanie ogólne

- Algorytm genetyczny

- Pierwsze wyszukiwanie szerokości

- Wyszukiwanie głębokości

- Wyszukiwanie heurystyczne

- Gry

- Cofanie

- Algorytm minimax

- Wyszukiwanie niedoinformowane

- Próbka N-Queen

- Optymalna decyzja

- Dowód dopuszczalności

- Drzewo wyszukiwania

- Przycinanie wersji alfa

- Patrz przed siebie

- Iteracyjne pogłębianie

- Chciwy Szukaj

- Wyszukaj wykres

- Świadome wyszukiwanie

- Wyszukiwanie dwukierunkowe

- Spójność

- Wyszukiwanie przeciwników

- Spójność ścieżki

- Metoda poinformowania

- Inne pamięci ograniczone

- Właściwości głębokości

3) Wiedza i rozumowanie

- Logika zdań

- Reguła wnioskowania

- Ukryty model Markowa

- sieci bayesowskie

- Łączenie w przód

- Logika pierwszego rzędu

- I / LUB Drzewa

- Semantyka

- Poziom wiedzy

- Systemy oparte na regułach

- Pure Pro-log

- Unifikacja

- Herbrand Universe

- solidność

- niemonotoniczne

4) Działając logicznie i ucząc się

- Reinforced Learning

- Semantyka bayesowska

- Nadzorowana nauka

- Problem z nauką

- Sieci semantyczne

- Sieć neuronowa

- Natywny model Bayesa

- Sztuczny układ nerwowy

- probabilistyczny

- Ramy

- Przycinanie drzew decyzyjnych

- Perceptron

- Nauka statystyczna

- Eliminacja kandydata

- Rozmnażanie wsteczne

- Bez nadzoru

- Taksonomia uczenia się

- Rozszerzanie semantycznego

- Wielowarstwowy

- Funkcje podziału

- Przeplatanie vs. brak przeplatania podplanu

- Planowanie jako wyszukiwanie

- Ogólna postać algorytmu EM

5) Komunikacja, postrzeganie i działanie

- Algorytm regresji

- język naturalny

- Algorytm grupowania

- Algorytm statystyczny

- Rozpoznawanie wzorców

- Wykorzystanie i zastosowanie

- Dwuznaczność

- Kroki w języku

Te pięć jednostek zawiera 142 tematy i czytając wszystko, będziesz wystarczająco dobry, aby zaprojektować system w językach takich jak R, Python, SAS, Matlab, Weka, SPSS itp.