课程简介
本课程介绍人工智能的一般原理，内容包含四个方面的内容：搜索与问题求解、知识与推理、学习与发现以及领域应用。搜索与问题求解包括搜索求解问题的基本原理、搜索策略、图搜索以及博弈；知识与推理包括谓词逻辑基本知识、归结原理、归结反演、确定性推理；学习与发现包括机器学习的一些知识，即分类、回归、聚类算法等；以及深度学习入门，包括图像识别、卷积神经网络、自然语言处理、循环神经网络。
通过本课程的学习，学生能够掌握逻辑推理的基本原理与技术，会使用搜索策略求解问题，了解机器学习的基本概念，了解人工智能在行业中的应用。
课程大纲
光影双面相伴前行----人工智能发展历程
1.1 人工智能发展历程
多领域的交叉学科----机器学习
2.1t机器学习入门
2.2t机器学习准备1数据预处理
2.3t机器学习准备2特征工程
2.4t机器学习方法
2.5t应用场景与挑战
2.6t非线性特征
2.7t随机梯度下降
2.8t特征模板
数据分析基本方法----分类聚类
3.1t线性分类器
3.2t回归概述
3.3t决策树分类
3.4t决策树分类实例ID3
3.5tKNN分类
3.6t贝叶斯公式基础
3.7t贝叶斯公式
3.8t贝叶斯分类
3.9 聚类概述
3.10 K均值算法
3.11 K均值算法实例
3.12 K均值算法讨论
3.13 K中心点算法
3.14 层次聚类算法
3.15 密度聚类算法
打开智能时代大门----深度学习
4.1t深度学习发展历程
4.2t为什么使用深度学习
4.3t深度学习入门
4.4t反向传播算法
4.5t全连接网络1
4.6t全连接网络2
从计算机视觉讲起----卷积神经网络
5.1t图像识别概述
5.2t早期图像识别
5.3 中期图像识别
5.4 卷积神经网络
5.5 经典CNN结构
5.6 LeNet5介绍
5.7 AlexNet
5.8 ZFNet
5.9 GoogLeNet
5.10 VGGNet
5.11 ResNet
5.12 其他CNN网络介绍
课程实验：MindSpore端边云全场景AI计算框架
01 MindSpore架构介绍
02 如何使用MindSpore2.0做深度学习训练
自然语言处理技术----循环神经网络
6.1 语言处理技术基本概念
6.2 词向量学习
6.3 句章级分析
6.4 NLP应用分析
6.5 词向量概念
6.6 词向量学习模型
6.7 词向量学习模型的优化
6.8 句子向量
6.9 循环神经网络简介
6.10 循环神经网络内部单元
6.11 循环神经网络公式描述
6.12 循环神经网络的训练
6.13 循环神经网络总结
6.14 RNN的问题
6.15 LSTM
6.16 GRU
6.17 RNN其他变种
6.18 RNN模型应用
6.19 动画解析RNN、LSTM、GRU
寻寻觅觅找到答案----搜索问题
7.1t搜索策略
7.2t搜索的应用
7.3t状态空间表示法
7.4t基于状态空间的搜索技术&图搜索的基本概念
7.5t状态空间搜索
7.6t一般图的搜索算法
7.7t盲目搜索
7.8t深度优先搜索
7.9t有界深度搜索和迭代加深搜索
7.10t搜索最优策略的比较
7.11t启发式搜索
7.12t启发式搜索算法A
7.13t实现启发式搜索的关键因素和A*算法
7.14t迭代加深A*算法
7.15t爬山法和回溯策略
7.16t问题归约法
7.17t与/或图表示
7.18t与或图的启发式搜索
7.19tAO*算法应用的若干问题
双人对战获胜诀窍----博弈问题
8.1t博弈
8.2t极大极小过程
8.3tα-β过程
大千世界存入电脑----知识表示
9.1t命题逻辑
9.2t谓词逻辑表示法
9.3t谓词逻辑表示举例
9.4t一阶谓词逻辑表示法的特点
9.5t产生式表示法
9.6t产生式中知识的表示方法
9.7t产生式系统的组成
9.8t产生式系统的推理方式
9.9t语义网络表示法
9.10t语义网络表示知识的方法及步骤
9.11t语义网络的推理过程
9.12t知识表示小结
9.13t状态空间表示法
如何读懂福尔摩斯----逻辑推理
10.1t推理的基本概念
10.2t推理的逻辑基础分类
10.3t推理的其它分类
10.4t推理的控制策略
10.5t推理的逻辑基础
10.6t谓词公式
10.7t置换与合一
10.8t自然演绎推理
10.9t归结演绎推理
10.10t子句集及其化简
10.11t鲁滨逊归结原理
10.12t命题逻辑的归结
10.13t谓词逻辑的归结
10.14t归结反演推理的归结策略
10.15t用归结反演求取问题的答案
1.1 人工智能发展历程
多领域的交叉学科----机器学习
2.1t机器学习入门
2.2t机器学习准备1数据预处理
2.3t机器学习准备2特征工程
2.4t机器学习方法
2.5t应用场景与挑战
2.6t非线性特征
2.7t随机梯度下降
2.8t特征模板
数据分析基本方法----分类聚类
3.1t线性分类器
3.2t回归概述
3.3t决策树分类
3.4t决策树分类实例ID3
3.5tKNN分类
3.6t贝叶斯公式基础
3.7t贝叶斯公式
3.8t贝叶斯分类
3.9 聚类概述
3.10 K均值算法
3.11 K均值算法实例
3.12 K均值算法讨论
3.13 K中心点算法
3.14 层次聚类算法
3.15 密度聚类算法
打开智能时代大门----深度学习
4.1t深度学习发展历程
4.2t为什么使用深度学习
4.3t深度学习入门
4.4t反向传播算法
4.5t全连接网络1
4.6t全连接网络2
从计算机视觉讲起----卷积神经网络
5.1t图像识别概述
5.2t早期图像识别
5.3 中期图像识别
5.4 卷积神经网络
5.5 经典CNN结构
5.6 LeNet5介绍
5.7 AlexNet
5.8 ZFNet
5.9 GoogLeNet
5.10 VGGNet
5.11 ResNet
5.12 其他CNN网络介绍
课程实验：MindSpore端边云全场景AI计算框架
01 MindSpore架构介绍
02 如何使用MindSpore2.0做深度学习训练
自然语言处理技术----循环神经网络
6.1 语言处理技术基本概念
6.2 词向量学习
6.3 句章级分析
6.4 NLP应用分析
6.5 词向量概念
6.6 词向量学习模型
6.7 词向量学习模型的优化
6.8 句子向量
6.9 循环神经网络简介
6.10 循环神经网络内部单元
6.11 循环神经网络公式描述
6.12 循环神经网络的训练
6.13 循环神经网络总结
6.14 RNN的问题
6.15 LSTM
6.16 GRU
6.17 RNN其他变种
6.18 RNN模型应用
6.19 动画解析RNN、LSTM、GRU
寻寻觅觅找到答案----搜索问题
7.1t搜索策略
7.2t搜索的应用
7.3t状态空间表示法
7.4t基于状态空间的搜索技术&图搜索的基本概念
7.5t状态空间搜索
7.6t一般图的搜索算法
7.7t盲目搜索
7.8t深度优先搜索
7.9t有界深度搜索和迭代加深搜索
7.10t搜索最优策略的比较
7.11t启发式搜索
7.12t启发式搜索算法A
7.13t实现启发式搜索的关键因素和A*算法
7.14t迭代加深A*算法
7.15t爬山法和回溯策略
7.16t问题归约法
7.17t与/或图表示
7.18t与或图的启发式搜索
7.19tAO*算法应用的若干问题
双人对战获胜诀窍----博弈问题
8.1t博弈
8.2t极大极小过程
8.3tα-β过程
大千世界存入电脑----知识表示
9.1t命题逻辑
9.2t谓词逻辑表示法
9.3t谓词逻辑表示举例
9.4t一阶谓词逻辑表示法的特点
9.5t产生式表示法
9.6t产生式中知识的表示方法
9.7t产生式系统的组成
9.8t产生式系统的推理方式
9.9t语义网络表示法
9.10t语义网络表示知识的方法及步骤
9.11t语义网络的推理过程
9.12t知识表示小结
9.13t状态空间表示法
如何读懂福尔摩斯----逻辑推理
10.1t推理的基本概念
10.2t推理的逻辑基础分类
10.3t推理的其它分类
10.4t推理的控制策略
10.5t推理的逻辑基础
10.6t谓词公式
10.7t置换与合一
10.8t自然演绎推理
10.9t归结演绎推理
10.10t子句集及其化简
10.11t鲁滨逊归结原理
10.12t命题逻辑的归结
10.13t谓词逻辑的归结
10.14t归结反演推理的归结策略
10.15t用归结反演求取问题的答案