斯坦福大學(xué)的人工智能課程“CS 221”至今仍然是人工智能學(xué)習(xí)課程的經(jīng)典之一。為了方便廣大不能親臨現(xiàn)場聽講的同學(xué)，課程官方推出了課程筆記CheatSheet，涵蓋4大類模型。

斯坦福大學(xué)的人工智能課程“CS 221”，這門鐵打的課程從2011年開始已經(jīng)走過了8個年頭，流水的講師換了一批又一批，送走的畢業(yè)生一撥又一撥，至今仍然是人工智能學(xué)習(xí)的經(jīng)典課程之一。目前2019年春季課程正在如火如荼的開展中。

這門課程是沒有教科書的，所有內(nèi)容都蘊(yùn)含在講師的教案以及課后作業(yè)中。不過為了方便廣大不能親臨現(xiàn)場聽講的同學(xué)，課程官方推出了課程筆記CheatSheet，涵蓋4大類模型。

筆記已在GitHub開源，5份PDF供大家下載保存打印當(dāng)成鼠標(biāo)墊設(shè)成壁紙做成窗簾裁成小冊子…隨便你選擇自己合適的操作方式。地址：

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

因?yàn)槊磕暾n程可能都會有更新，所以在介紹筆記之前，讓我們先對今年春季課程有一個先入的了解，便于新進(jìn)同學(xué)少走彎路。

這門課程是關(guān)于什么的？

網(wǎng)絡(luò)搜索，語音識別，人臉識別，機(jī)器翻譯，自動駕駛和自動調(diào)度有什么共同之處？這些都是復(fù)雜的現(xiàn)實(shí)問題，人工智能的目標(biāo)是用嚴(yán)格的數(shù)學(xué)工具解決這些問題。

在本課程中，你講學(xué)習(xí)這些應(yīng)用程序的基本原則并實(shí)踐其中一些系統(tǒng)。具體主題包括機(jī)器學(xué)習(xí)，搜索，游戲，馬爾可夫決策過程，約束滿足，圖形模型和邏輯。該課程的主要目標(biāo)是提供解決生活中可能遇到的新AI問題的工具。

預(yù)備知識

這門精進(jìn)課程涵蓋眾多領(lǐng)域，而且課程進(jìn)度飛快，要求學(xué)者必須在理論和經(jīng)驗(yàn)方面都有堅實(shí)的基礎(chǔ)。在開始學(xué)習(xí)該課程之前，確保你已經(jīng)看過以下課程（或者其他途徑學(xué)到的同等級課程）

編程 (CS 106A, CS 106B, CS 107)

離散數(shù)學(xué) (CS 103)

概率 (CS 109)

接下來新智元來介紹一下筆記內(nèi)容。

基于反射的機(jī)器學(xué)習(xí)模型

在本節(jié)介紹了基于反射的模型，這些模型可以通過經(jīng)歷具有輸入-輸出的樣本來改善經(jīng)驗(yàn)。這一節(jié)主要介紹了以下概念

線性預(yù)測變量

損失最小化

非線性預(yù)測變量

隨機(jī)梯度下降

微調(diào)模型

部分子概念：

線性分類

K最近鄰

神經(jīng)網(wǎng)絡(luò)

梯度下降

反向傳播

近似和估計誤差

具有搜索優(yōu)化和MDP的基于狀態(tài)的模型

本節(jié)主要介紹了搜索優(yōu)化、馬爾可夫決策過程和游戲。

部分子概念：

樹搜索

搜索問題

廣度優(yōu)先搜索

深度優(yōu)先搜索

圖

統(tǒng)一成本搜索

A星搜索

馬爾科夫決策

具有CSP和貝葉斯網(wǎng)絡(luò)的基于變量的模型

本節(jié)主要講了約束滿足問題和貝葉斯網(wǎng)絡(luò)。

部分子概念：

因子圖

Markov blanket

貝葉斯網(wǎng)絡(luò)

基于邏輯的模型，具有命題和一階邏輯

本節(jié)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(guī)則

官方筆記地址：

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

祝大家學(xué)習(xí)愉快！哦，別忘了在評論區(qū)曬出你們都是怎么使用這份CheatSheet的。