人工智慧簡介

• AI 簡介
  • AI 的目標 — 模擬人類眼睛、耳朵、嘴巴、手腳、身體與大腦的智慧行為。
  • AI 的問題 — 人類科學技術的 『終極問題』,打造出一個不死的智慧體。
  • AI 的方法 — 搜尋策略、邏輯推論、最佳化、神經網路、機率統計。
  • AI 的困境 — AI 在評量方法與理解人類智慧的運作機制上都有難以突破的困難。
• AI 的歷史 — 資訊科學豐富想像力的歷史,前輩們不斷嘗試各種方法的失敗史。

邏輯推論

• 邏輯推論簡介
  • 邏輯與推理
  • 邏輯的歷史
• 布林邏輯
  • 真值表
  • 推論方法
  • Horn Clause
  • Resolution
  • 程式實作
• 一階邏輯
  • 推論方法
  • Horn Clause
  • Resolution
  • 程式實作
• 完備定理
  • 一致性
  • 完備性
  • 哥德爾完備定理
  • Henkin 的証明方法
  • 推論法的完備性
• 不完備定理
  • 悖論
  • 數論系統
  • 皮諾公設系統
  • 皮諾系統的悖論
  • 哥德爾不完備定理

搜尋最佳化

• 最佳化方法
  • 確定性搜尋策略
    • 基本搜尋法 — (DFS) Depth First Search,(BFS) Breath First Search,(Best-FS) Best First Search。
    • 逐漸深入搜尋法 — Iterative Deepening Search。
    • Alpha-Beta 修剪式搜尋法 — 電腦下棋的修剪式搜尋法。
    • A* 搜尋法 — 很強大的搜尋法,常被用在電腦遊戲的搜尋用途上。
  • 單粒子隨機搜尋 — 區域搜尋法 (Local Search)
    • 貪婪演算法 — Greedy Algorithm, 每次都將看來最好的解加入,直到形成完整的解為止。
    • 爬山演算法 — Hill Climbing Algorithm, 每次都向附近較好的點走去,直到無法改進為止。
      • 程式實作:以爬山演算法求解平方根問題 (採用 C# 實作)
    • 模擬退火法 — Simulated Annealing, 模擬高溫煉鐵時的最佳化方法,是爬山演算法的一種變形。
    • 禁忌搜尋法 — Tabu Search, 利用禁忌串列以防止爬山演算法重複走過的路,或者走回頭路。
    • 程式實作:通用性的爬山演算法程式架構 (採用 C# 實作) — 包含貪婪、爬山、模擬退火等實作。
    • 程式實作:單粒子最佳化方法之比較性研究 — 包含貪婪、爬山、模擬退火等方法的比較。
  • 多粒子隨機搜尋 — 群體最佳化 (Swarm Optimization)
    • 單形搜尋法 — Nelder-Mead Method
    • 遺傳演算法 — Genetic Algorithm, 模仿兩性生殖的演化,使用交配、突變等機制,不斷改進群體的方法。
      • 程式實作:遺傳演算法 (採用 Java 實作)
      • 程式實作:遺傳演算法 (採用 C# 實作)
    • 演化策略 — Evolutionary Strategy, 類似遺傳演算法,但是沒有使用交配機制。
    • 粒子群演算法 — (Particle Swarm Optimization) 模仿鳥群的覓食行為所設計出的演算法。
    • 蟻群演算法 — (Ant Colony Optimization) ,模仿螞蟻的覓食行為所設計出的演算法。
    • 蜂群演算法 — (Bees Algorithm) ,模仿蜜蜂的覓食行為所設計出的演算法。

類神經網路

• 類神經網路 — 模擬人類神經系統所設計出來的方法,在影音辨識上有良好的表現。
  • 前言
  • 感知器 — 最簡單的類神經網路,人工智慧史上第一個神經網路。
  • LMS 學習法 — 最小平方學習法,是簡單的類神經學習法。
  • 反傳遞網路
  • 反傳遞學習法
  • 自組織網路
  • 自組織學習法
• 程式實作
  • 感知器 (採用 C# 實作)
  • 最小平方學習法 LMS (採用 Java 實作)

機率統計法

• 計算統計學簡介
  • 計算統計學簡介
  • 計算統計學歷史
• 機率理論
  • 機率理論的基礎 — (Probability Theory)。
  • 蒙地卡羅算法 — (Monte Carlo Algorithm)
• 貝氏網路
• 馬可夫鏈
  • 隱藏式馬可夫模型 — (Hidden Markov Model, HMM)
• 模型學習
  • 最大似然法則 — (Maximum Likelihood) 找尋最適當的機率模型。
  • 蒙地卡羅馬可夫算法 — (Markov Chain Monte Carlo, MCMC)
  • Gibbs 取樣程序 — 用 Gibbs Sampling 進行蒙地卡羅式的取樣模擬。
  • Metropolis-Hasting 疊代法 — 用 Metropolis-Hasting 程序學習馬可夫鏈的狀態轉換矩陣。
  • EM 算法 — (Expectation-Maximization Algorithm) 。
  • 拉格朗日乘數 — (Lagrange Multiplier) 將最大似然法與最大熵法則連接成對偶問題的數學工* 熵與互資訊 — 最大化整個系統熵,相當於使用最大似然法則。
  • 互資訊與條件熵 — (Mutual Information and Condictional Entropy)。
  • 最大熵法則 — (Maximum Entropy) 找尋最大亂度的機率模型。
• 程式實作:計算統計學程式集 (採用 C# 實作) — 實作亂數源、機率模型、貝氏網路等,以驗證統計學習法。

Facebook

[フレーム]

Facebook

[フレーム]

Wikidot

本網頁的作者、授權與引用方式