人工智能导论
人工智能导论
课程内容
共16个章节 16个实验
1 实验1：入门
实验1 实验1：入门
本实验作为Python的基础部分，主要介绍人工智能的重要性以及python用于人工智能领域的优势，并对机器学习做了简单介绍，作为入门级知识储备，为后续的学习打下基础。
2 实验2：数据准备
实验1 实验2：数据准备
我们已经研究了有监督和无监督机器学习算法。这些算法需要格式化数据来启动训练过程。我们必须以某种方式准备或格式化数据，以便将其作为ML算法的输入。
本章主要讨论机器学习算法的数据准备。
本章主要讨论机器学习算法的数据准备。
3 实验3：监督学习：分类
实验1 实验3：监督学习：分类
本实验将重点介绍如何实现监督学习− 分类。
分类技术或模型试图从观测值中得出一些结论。在分类问题中，我们有“黑”或“白”或“教”与“非教”等分类输出。在建立分类模型时，我们需要一个包含数据点和相应标签的训练数据集，分类模型主要应用于人脸识别、垃圾邮件识别等领域。
分类技术或模型试图从观测值中得出一些结论。在分类问题中，我们有“黑”或“白”或“教”与“非教”等分类输出。在建立分类模型时，我们需要一个包含数据点和相应标签的训练数据集，分类模型主要应用于人脸识别、垃圾邮件识别等领域。
4 实验4：监督学习：回归
实验1 实验4：监督学习：回归
回归是最重要的统计和机器学习工具之一。我们可以说机器学习的旅程是从回归开始的，这是正确的。它可以被定义为参数化技术，允许我们根据数据做出决策，或者换句话说，允许我们通过学习输入和输出变量之间的关系，根据数据进行预测。这里，依赖于输入变量的输出变量是连续值实数。在回归中，输入变量和输出变量之间的关系很重要，它有助于我们理解输出变量的值是如何随着输入变量的变化而变化的。回归常用于预测价格、经济、变化等。
5 实验5：逻辑程序设计
实验1 实验5：逻辑程序设计
本实验将重点介绍逻辑编程及其在人工智能中的帮助。
我们已经知道，逻辑是研究正确推理的原理，或者简单地说，它是对什么之后的研究。例如，如果两个语句是真的，那么我们可以从中推断出任何第三个语句。
逻辑编程是两个词的结合，逻辑和编程。逻辑编程是一种编程范式，它通过程序语句将问题表达为事实和规则，而在形式逻辑系统中。与其他编程范式（如面向对象、函数、声明性和过程性等）一样，它也是一种特殊的编程方法。
我们已经知道，逻辑是研究正确推理的原理，或者简单地说，它是对什么之后的研究。例如，如果两个语句是真的，那么我们可以从中推断出任何第三个语句。
逻辑编程是两个词的结合，逻辑和编程。逻辑编程是一种编程范式，它通过程序语句将问题表达为事实和规则，而在形式逻辑系统中。与其他编程范式（如面向对象、函数、声明性和过程性等）一样，它也是一种特殊的编程方法。
6 实验6：无监督学习：聚类
实验1 实验6：无监督学习：聚类
无监督机器学习算法没有任何管理者提供任何类型的指导。这就是为什么它们与一些人所说的真正的人工智能密切相关。 在无监督学习中，没有正确的答案，也没有教师的指导。算法需要发现数据中有趣的模式来进行学习。
7 实验7：NLTK包
实验1 实验7：NLTK包
使用名为NLTK（Natural Language Toolkit Package）的Python包构建应用程序，开发自然语言应用程序，以便机器也能理解人类理解上下文的方式。
8 实验8：分析时间序列数据
实验1 实验8：分析时间序列数据
时间序列数据表示一系列特定时间间隔内的数据。 如果我们想在机器学习中构建序列预测，那么我们必须处理顺序数据和时间。 系列数据是顺序数据的摘要。 数据排序是顺序数据的重要特征。测给定输入序列中的下一个是机器学习中的另一个重要概念。 本实验为您提供有关分析时间序列数据的详细说明。
9 实验9：语音识别
实验1 实验9：语音识别
我们将学习使用Python和Python进行语音识别。言语是成人人际交往的最基本手段。 语音处理的基本目标是提供人与机器之间的交互。
语音处理系统主要有三个任务 ：
一、语音识别允许机器捕捉我们说的单词，短语和句子
二、自然语言处理，让机器了解我们所说的话
三、语音合成让机器说话。
本章重点介绍speech recognition ，即理解人类所说话语的过程。 请记住，语音信号是在麦克风的帮助下捕获的，然后必须由系统理解。
语音处理系统主要有三个任务 ：
一、语音识别允许机器捕捉我们说的单词，短语和句子
二、自然语言处理，让机器了解我们所说的话
三、语音合成让机器说话。
本章重点介绍speech recognition ，即理解人类所说话语的过程。 请记住，语音信号是在麦克风的帮助下捕获的，然后必须由系统理解。
10 实验10：启发式搜索
实验1 实验10：启发式搜索
启发式搜索在人工智能中起着关键作用。 本实验将详细介绍。
启发式是一个经验法则，它引导我们找到可能的解决方案。 人工智能中的大多数问题具有指数性质并且具有许多可能的解决方案。 您不确切知道哪些解决方案是正确的，并且检查所有解决方案将非常昂贵。因此，启发式的使用缩小了对解决方案的搜索范围，并消除了错误的选项。 使用启发式引导搜索空间中的搜索的方法称为启发式搜索。 启发式技术非常有用，因为在使用它们时可以提高搜索速度。
启发式是一个经验法则，它引导我们找到可能的解决方案。 人工智能中的大多数问题具有指数性质并且具有许多可能的解决方案。 您不确切知道哪些解决方案是正确的，并且检查所有解决方案将非常昂贵。因此，启发式的使用缩小了对解决方案的搜索范围，并消除了错误的选项。 使用启发式引导搜索空间中的搜索的方法称为启发式搜索。 启发式技术非常有用，因为在使用它们时可以提高搜索速度。
11 实验11：游戏
实验1 实验11：游戏
使用python构建游戏，建立机器人玩游戏等
12 实验12：神经网络
实验1 实验12：神经网络
神经网络是并行计算设备，其试图建立大脑的计算机模型。 其背后的主要目标是开发一个系统，以比传统系统更快地执行各种计算任务。 这些任务包括模式识别和分类，近似，优化和数据聚类。本实验将学习在Python中构建一些神经网络。
13 实验13：强化学习
实验1 实验13：强化学习
了解使用Python在AI中强化学习的概念。
这种类型的学习用于基于评论者信息来加强或加强网络。 即在强化学习下训练的网络从环境中接收一些反馈。由于反馈是有评价性的，而不是像监督学习那样具有指导性。 基于该反馈，网络执行权重的调整以在将来获得更好的批评信息。
这种类型的学习用于基于评论者信息来加强或加强网络。 即在强化学习下训练的网络从环境中接收一些反馈。由于反馈是有评价性的，而不是像监督学习那样具有指导性。 基于该反馈，网络执行权重的调整以在将来获得更好的批评信息。
14 实验14：遗传算法
实验1 实验14：遗传算法
本实验详细讨论了人工智能的遗传算法。
遗传算法（GA）是基于自然选择和遗传概念的基于搜索的算法。 GA是更大的计算分支的子集，称为进化计算。
遗传算法（GA）是基于自然选择和遗传概念的基于搜索的算法。 GA是更大的计算分支的子集，称为进化计算。
15 实验15：计算机视觉
实验1 实验15：计算机视觉
本实验介绍计算机视觉涉及使用计算机软件和硬件建模和复制人类视觉。
计算机视觉作为一门学科，研究如何根据场景中存在的结构的属性，从其2d图像重建，中断和理解3d场景
计算机视觉作为一门学科，研究如何根据场景中存在的结构的属性，从其2d图像重建，中断和理解3d场景
16 实验16：深度学习
实验1 实验16：深度学习
深度学习
