Artificial Intelligence (AI)

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.