人工智能基础
本课程推荐教材及与课程学习目标对应关系如下：
1. 授课教材：《人工智能》丁世飞编著电子工业出版社 2020年第三版ISBN：9787121363955。
（1）教材特点：《人工智能导论（第3版）》主要阐述人工智能的基本原理、方法和应用技术。全书共13章，除第1章讨论人工智能基本概念、第13章讨论人工智能的争论与展望外，其余11章按照“基本智能+典型应用+计算智能”三个模块编排内容。一个模块为人工智能经典的三大技术，分别为知识表示技术、搜索技术和推理技术，主要包括知识表示、确定性推理、搜索策略、不确定性推理；第二个模块为人工智能的典型应用领域，包括机器学习、支持向量机和专家系统；第三个模块为计算智能与群智能，包括神经计算、进化计算、模糊计算和群智能。
本课程主要选用了本教材的第一稿模块，即知识表示技术、搜索技术和推理技术中相关的内容。
（2）使用方法：本教材对应课程学习目标1-5，可以做到对课程内容前半部分的全覆盖，请同学们学习完视频之后，一定要详细阅读教材中的对应部分，并针对课后习题进行联系，能够有效提高学习质量；
2、本课程参考了大量网络上的课程。对应课程学习目标6-8，包括：
https://stanford-cs221.github.io/spring2021/
https://cse.iitkgp.ac.in/~dsamanta/courses/da/
百度飞桨师资培训的机器学习和深度学习的内容。
https://easyai.tech
此外还有参考百度百科、B站、以及知乎和CSDN等各类科技网站。
在此表示感谢！
人工智能入门课程学习（1）——概念介绍
文章目录1.人工智能的分类和学习介绍2.人工智能、机器学习、深度学习概念及关系2.1主要分支介绍3.人工智能发展的必备三要素（进行人工智能必需的要素）4.机器学习的一般流程4.1机器学习概念4.2流程4.1数据的获取4.2数据的基本处理4.3特征工程4.3.1特征工程包含的内容1.特征提取2.特征预处理3.特征降维5.机器学习算法介绍5.1分类：5.2监督学习和无监督学习5.3半监督学习与强化学习6.模型评估6.1分类模型评估6.2回归模型评估7.拟合7.1欠拟合7.2过拟合8.机器学习流程与微软的Azure1.人工智能的分类和学习介绍本阶段学习人工智能的主要内容包括以下的几个方面：
2.人工智能、机器学习、深度学习概念及关系三者的关系：
人工智能和机器学习，深度学习的关系机器学习是人工智能的一个实现途径深度学习是机器学习的一个方法发展而来2.1主要分支介绍通讯、感知与行动是现代人工智能的三个关键能力，在这里我们将根据这些能力/应用对这三个技术领域进行介绍：计算机视觉(CV)、自然语言处理(NLP)和机器人。在NLP领域中，将覆盖文本挖掘/分类、机器翻译和语音识别。
3.人工智能发展的必备三要素（进行人工智能必需的要素）数据算法计算力其中数据是指捕获到的原始数据，算法是解决问题的思路，计算力一般与硬件条件相关的4.机器学习的一般流程4.1机器学习概念机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测。
4.2流程流程包含内容：1.获取数据2.数据基本处理3.特征工程4.机器学习(模型训练)5.模型评估
4.1数据的获取类型：结构化数据例如：非结构化数据如：
数据简介：在数据集中一般：
一行数据我们称为一个样本一列数据我们成为一个特征有些数据有目标值（标签值），有些数据没有目标值（如上表中，电影类型就是这个数据集的目标值）数据类型的构成：
数据类型一：特征值+目标值（目标值是连续的和离散的）数据类型二：只有特征值，没有目标值数据分割
机器学习一般的数据集会划分为两个部分：训练数据：用于训练，构建模型测试数据：在模型检验时使用，用于评估模型是否有效划分比例：训练集：70%80%75%测试集：30%20%25%4.2数据的基本处理即对数进行缺失值、去除异常值等处理
4.3特征工程特征工程是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程。意义：会直接影响机器学习的效果
4.3.1特征工程包含的内容特征提取特征预处理特征降维1.特征提取特征提取：将任意数据（如文本或图像）转换为可用于机器学习的数字特征
2.特征预处理特征预处理：通过一些转换函数将特征数据转换成更加适合算法模型的特征数据过程
3.特征降维特征降维：指在某些限定条件下，降低随机变量(特征)个数，得到一组“不相关”主变量的过程
5.机器学习算法介绍5.1分类：回归问题->连续的目标值:分类问题：
5.2监督学习和无监督学习5.3半监督学习与强化学习6.模型评估模型评估是模型开发过程不可或缺的一部分。它有助于发现表达数据的最佳模型和所选模型将来工作的性能如何。按照数据集的目标值不同，可以把模型评估分为分类模型评估和回归模型评估。
6.1分类模型评估准确率预测正确的数占样本总数的比例。精确率正确预测为正占全部预测为正的比例召回率正确预测为正占全部正样本的比例F1-score主要用于评估模型的稳健性AUC指标主要用于评估样本不均衡的情况6.2回归模型评估均方根误差（RootMeanSquaredError，RMSE）RMSE是一个衡量回归模型误差率的常用公式。然而，它仅能比较误差是相同单位的模型。
相对平方误差（RelativeSquaredError，RSE）与RMSE不同，RSE可以比较误差是不同单位的模型。
平均绝对误差（MeanAbsoluteError，MAE)MAE与原始数据单位相同，它仅能比较误差是相同单位的模型。量级近似与RMSE，但是误差值相对小一些。
相对绝对误差（RelativeAbsoluteError，RAE)与RSE不同，RAE可以比较误差是不同单位的模型。
决定系数(CoefficientofDetermination)决定系数(R2)回归模型汇总了回归模型的解释度，由平方和术语计算而得。
R2描述了回归模型所解释的因变量方差在总方差中的比例。R2很大，即自变量和因变量之间存在线性关系，如果回归模型是“完美的”，SSE为零，则R2为1。R2小，则自变量和因变量之间存在线性关系的证据不令人信服。如果回归模型完全失败，SSE等于SST，没有方差可被回归解释，则R2为零。
7.拟合模型评估用于评价训练好的的模型的表现效果，其表现效果大致可以分为两类：过拟合、欠拟合。
在训练过程中，你可能会遇到如下问题：
训练数据训练的很好啊，误差也不大，为什么在测试集上面有问题呢？
当算法在某个数据集当中出现这种情况，可能就出现了拟合问题。
7.1欠拟合7.2过拟合8.机器学习流程与微软的Azure机器学习的流程就这几步:1.获取数据2.数据基本处理3.特征工程4.机器学习(模型训练)5.模型评估由于都是流程化的，在微软开发了一套可以线上部署数据集，测试，并且查看结果的系统：Azure
人工智能课程简介
人工智能作为计算机科学的一个重要分支，是一门理论基础完善、多学科交叉且应用领域广阔的前沿学科，主要研究如何利用计算机模拟、延伸和扩展人类的智能活动，即通过研究如何使计算机更聪明、能运用知识处理问题、可模拟人类的智能行为，进而揭示人类智能的根本机理。其主要任务是建立或运用智能信息处理理论，设计并实现可展现某些近似于人类智能行为的计算机
课程目的是使学生在已有计算机知识基础上，对人工智能从整体上形成较全面和清晰的系统认识，掌握人工智能的基本概念、基本原理和基本方法，了解人工智能研究与应用的新进展和新方向，开阔学生知识视野、提高解决问题的能力，为将来更加深入的学习和运用人工智能相关理论和方法解决实际问题奠定初步基础。
为此，课程选择人工智能领域中一些具有代表性的内容进行重点介绍。首先对人工智能的起源与发展，以及人工智能领域影响较大的主要流派及其认知观进行简要概述；然后介绍人工智能中的几种经典技术，如推理证明技术、问题求解技术等；此外，还对当前人工智能最热门的研究和应用领域，如计算智能等技术进行讨论。具体内容包括：
1、人工智能的起源与发展
人工智能自1956年诞生以来，其发展并非一帆风顺，从激烈争论到今天的可喜局面，其过程可谓艰辛。本部分以人工智能的有关概念及定义为切入点，通过分析其异同，从不同角度介绍人工智能的起源与发展，使学生对人工智能这一学科形成较全面的认识。
2、人工智能的主要流派
从符号主义为代表的经典人工智能到连接主义、行为主义，人工智能的研究从一家独秀走向百家争鸣。本部分针对人工智能的主要流派，通过对各流派的理论基础及其认知观介绍，使学生对人工智能的研究方向及应用领域形成较深入的了解。
3、经典人工智能的推理技术
经典人工智能的有关推理技术和方法，对人工智能学科的发展产生了极其深远的影响，是认识和了解人工智能研究领域的重要途径，也是初步掌握人工智能相关技术方法的主要手段。本部分主要介绍基于数理逻辑方法的推理证明技术，尤其是消解原理这一定理证明方法的典型代表。
4、问题求解与搜索技术
问题求解技术作为人工智能研究领域的一个核心问题，其主要涉及知识表示和求解搜索两个方面。本部分将主要介绍问题求解中的几种常用方法，如状态空间、问题规约、与或图、产生式系统、谓词逻辑、语义网络、知识图谱等，并在图搜索方法与求解策略分析的基础上，逐步引入启发式搜索方法。
5、计算智能
尽管经典方法是初步形成人工智能研究与应用能力的重要途径，但随着技术的发展与应用的延伸，当前以机器学习和人工神经网络为代表的计算智能已成为研究热点，并发展成为智能学科中新的增长点，本部分即针对机器学习和人工神经网络中的基础知识作概述性介绍。