哈佛Python人工智能入门-学习资料
哈佛Python人工智能入门课程,内容覆盖搜索、知识解析与推理、概率模型、HMM、监督学习、SVM、强化学习、无监督、聚类、神经网络、tensorflow、NLP、语法解析、词袋模型、tf-idf、word2vec等

关键词标签: 哈佛, 搜索, 知识解析与推理, 概率模型, 神经网络, tensorflow, word2vec

课程介绍

CS50-AI是全球顶校Harvard哈佛开设的人工智能入门课程,结合Python编程语言,讲解了AI算法的原理和应用。

内容覆盖从传统通用算法(搜索算法、知识系统、概率模型)到典型机器学习算法(监督学习、KNN、感知器、svm、无监督、聚类)到机器学习优化知识(损失函数、过拟合,正则化),再到深度学习(卷积神经网络,循环神经网络)与垂直领域应用(自然语言处理)都有涉猎,做到广而全。课程风格延续Harvard一如既往的激情活泼,非常具备启发性。


课时编号 课时内容
第0讲第1部分 搜索算法 (搜索问题,深度优先搜索)
第0讲第2部分 搜索算法(广度优先搜索,贪心搜索,A*算法)
第0讲第3部分 搜索算法(极大极小算法,剪枝,深度限制)
第1讲第1部分 知识系统知识(知识,逻辑)
第1讲第2部分 知识系统知识(推断,知识工程)
第1讲第3部分 知识系统知识(推断规则,解析)
第2讲第1部分 不确定性(概率模型,条件概率,随机变量,贝叶斯规则)
第2讲第2部分 不确定性(联合概率,贝叶斯网络)
第2讲第3部分 不确定性(采样,马尔可夫,HMM)
第3讲第1部分 优化算法(优化,局部搜索,Hill Climbing)
第3讲第2部分 优化算法(线性搜索,节点一致性)
第3讲第3部分 优化算法(回溯搜索等)
第4讲第1部分 模型学习(机器学习,监督学习,感知器,svm)
第4讲第2部分 模型学习(回归,损失函数,过拟合,正则化,强化学习,sklearn)
第4讲第3部分 模型学习(马尔可夫决策过程,Q学习,无监督,聚类)
第5讲第1部分 神经网络(神经网络,激活函数,梯度下降,多层网络)
第5讲第2部分 神经网络(反向传播,过拟合,tensorflow,计算机视觉)
第5讲第3部分 神经网络(卷积神经网络,循环神经网络)
第6讲第1部分 自然语言处理(语言,语法与语义,nltk,n-grams)
第6讲第2部分 自然语言处理(马尔可夫,词袋,朴素贝叶斯,信息检索,tf-idf)
第6讲第3部分 自然语言处理(信息抽取,词网,word2vec)

ShowMeAI课程解读:全套资料

更多技术与课程清单 | 点击查看详细课程

技术方向 课程及链接
计算机数学基础 MIT-计算机科学的数学基础
辛辛那提大学-微积分I
辛辛那提大学-微积分II
辛辛那提大学-离散数学
斯坦福-线性代数与矩阵方法导论
计算机科学导论 斯坦福-计算机科学导论
哈佛-计算机科学导论
MIT-计算机科学与Python编程导论
数据结构与算法 MIT-数据结构与算法设计
马里兰大学-数据结构
数据库 CMU-数据库系统导论
CMU-数据库系统进阶
机器学习及应用 斯坦福CS229
MIT-机器学习导论
深度学习及应用 斯坦福CS230
哈佛-Python人工智能入门
MIT-深度学习导论
李宏毅-机器学习(&深度学习)
应用深度学习(全知识点覆盖)
UC Berkeley-深度神经网络设计、可视化与理解
威斯康星-深度学习和生成模型导论
UC Berkeley-全栈深度学习训练营
自然语言处理 斯坦福CS224n(深度学习与NLP)
斯坦福CS124(从语言到信息)
斯坦福CS520(知识图谱)
马萨诸塞-自然语言处理进阶
计算机视觉 斯坦福CS231n(深度学习与CV)
密歇根eecs498(CS231n进阶课)
慕尼黑工大adl4cv(深度学习与CV高阶课)
多模态 CMU-多模态机器学习
图机器学习 斯坦福CS224w
强化学习 斯坦福CS234(强化学习)
伯克利CS285(深度强化学习)
无监督学习 伯克利CS294-158(深度无监督学习)
AI与生物医疗 MIT-面向生命科学的深度学习
MIT-基因组学机器学习
MIT-医疗机器学习
图形学与几何 CMU-计算机图形学
AMMI-几何深度学习
其他课程 哈佛-基于Python/JavaScript的web编程
MIT-计算思维导论(Julia)
end
*****
本文作者 韩信子
欢迎关注微信公众号 ShowMeAI研究中心 获取更多资源!