人工智能原理¶

参考课程：CS 188 Spring 2024 | Introduction to Artificial Intelligence at UC Berkeley

需要掌握的一些知识，我这里分为以下五类：

搜索类：采用搜索的方式，得到某问题的最优解。搜索算法包括广度优先、深度优先、一致代价搜索、贪心最佳搜索、启发式搜索（A*）、局部搜索（爬山搜索、模拟退火、局部束搜索）、对抗搜索与博弈、约束满足问题等。
机器学习类：非常多算法，本质是用算法学习数据分布之间的映射关系，比如决策树，输入的数据分布是许多特征向量，输出的数据分布是对应标签，决策树就是学习这俩分布之间的映射关系。本课程需知道一些简单的算法，比如决策树、线性回归、感知器、SVM、KNN、MLP（神经网络）、朴素贝叶斯。
逻辑推理类：这个比较NB，他不是学习数据分布了，而是把数据用形式化语言表达出来，然后对于查询语句，推断其是否成立。这种算法常用于数学定理等证明，需要掌握归结算法、前向与后向连接，可以额外拓展学习启发式算法如DPLL等。
不确定性推理类：逻辑推理是确定的，若A则B是百分之百成立的，但是当需要不确定推理时，逻辑推理就不太适用了。这个时候就要有不确定性推理算法，需要了解贝叶斯公式、贝叶斯网络、朴素贝叶斯模型、时序概率推理等。
强化学习类：强化学习其实也是一种不确定性推理，推理结果就是策略。但是把它单独分出来，因为这里面涉及到的知识很多。需要了解马尔科夫过程、马尔科夫决策过程、马尔科夫奖励过程、有模型RL，无模型RL，被动强化学习（策略已知）、主动强化学习（策略未知）、强化泛化（深度RL）等。

相关笔记（较简略，建议已有基础再看）：

CS188实验参考答案：lrf23/SYSU-AI-2024: 中大AI院AI课资料