人工智能学期心得体会
课程回顾与总结（对课程其它算法的认识、分析与总结）通过此次课程的学习，以python语言为基础学习了有关编程原则和基本的ADT及其实现；其中使我印象比较深刻的是深度优先和宽度优先搜索、博弈树搜索技术等算法的实现。深度优先搜索和宽度优先搜索都是一种遍历树/图数据结构的简单算法。DFS算法的特点在具有递归特性；而BFS算法是一种层次遍历算法。在博弈树搜索中，双方始终根据“己方利益最大化，对方利益最小化”这一原则，选择对己方最有力的动作来执行。Minimax算法就是一种可以体现上述策略的算法——对max方计算最大值，对min方计算最小值。
心得与展望（对课程的认识、体会与展望）通过这学期的学习，对人工智能有了更进一步的了解和认识。我觉得人工智能是一门具有挑战性的科学，想要学好这门课程必须要懂得计算机知识以及基本的算法认识。人工智能包括了十分广泛的科学，它由不同的领域组成，例如机器学习，计算机视觉等，总的来说，人工智能研究的主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。虽然在此门课程中对算法的实现不能独立完成，但在一些简单的基本的算法上还是有一定的理解和认识。我也在此次课程设计的过程中不断的学习，反复的调式和思考问题，终于在我的坚持下能够很好地理解算法转换为实际代码的过程，也对算法有了更加清晰的思路。因此，我更加确信在自己的不断努力下总是会有收获的，只有坚持下去，才有成功的希望。在之后的学习中我会积极主动的查漏补缺，尽快完善自己欠缺的部分
人工智能：模型与算法
人工智能(ArtificialIntelligence，简称AI)是以机器为载体所展示出来的人类智能，因此人工智能也被称为机器智能(MachineIntelligence)。
人类一直不懈努力，让机器模拟人类在视觉、听觉、语言和行为等方面的某些功能以提升生产能力、帮助人类完成更为复杂或有危险的工作，更多造福人类社会。对人类智能的模拟可通过以符号主义为核心的逻辑推理、以问题求解为核心的探询搜索、以数据驱动为核心的机器学习、以行为主义为核心的强化学习和以博弈对抗为核心的决策智能等方法来实现。
本课程成体系介绍人工智能的基本概念和基础算法，可帮助学习者掌握人工智能脉络体系，体会具能、使能和赋能，从算法层面对人工智能技术“知其意，悟其理，守其则，践其行”。课程内容包括如下：人工智能概述、搜索求解、逻辑与推理、监督学习、无监督学习、深度学习、强化学习、博弈对抗。
人工智能不单纯是一门课程、一手技术、一项产品或一个应用，而是理论博大深厚、技术生机勃勃、产品落地牵引、应用赋能社会的综合协同体。为此，课程中安排了以搜索求解为核心的黑白棋AI算法、以线性回归为核心的图像恢复、以深度学习为核心的垃圾分类等实训题目。
人工智能于1956年从达特茅斯学院出发，踏上了人类历史发展舞台，今天正发挥“头雁”效应，推动人类社会变革，“其作始也简，其将毕也必巨”。
注：1)课程部分相关视频可在“学习强国”如下地址访问：https://www.xuexi.cn/dd763e2ac67da9d9f1c1306e737f9b3c/9b0f04ec6509904be734f5f609a3604a.html
2)对于非计算机类专业的学习者，为了了解有关人工智能基础内容，可访问普通高中教科书信息技术教材《人工智能初步》（浙江教育出版社，2019年12月）的在线资料进行预先学习：https://momodel.cn/classroom/class?id=5e1bc7f8bb11cb202cdb208d&type=notebook
3）本课程所有课件可通过如下渠道下载：MOOC课程的课件（ppt格式）可在如下网址下载： https://pan.baidu.com/s/1MSbRFeMlhuuAQqrWpPygZw (提取码：2u7o)
人工智能：模型与算法
人工智能(ArtificialIntelligence，简称AI)是以机器为载体所展示出来的人类智能，因此人工智能也被称为机器智能(MachineIntelligence)。
人类一直不懈努力，让机器模拟人类在视觉、听觉、语言和行为等方面的某些功能以提升生产能力、帮助人类完成更为复杂或有危险的工作，更多造福人类社会。对人类智能的模拟可通过以符号主义为核心的逻辑推理、以问题求解为核心的探询搜索、以数据驱动为核心的机器学习、以行为主义为核心的强化学习和以博弈对抗为核心的决策智能等方法来实现。
本课程成体系介绍人工智能的基本概念和基础算法，可帮助学习者掌握人工智能脉络体系，体会具能、使能和赋能。课程内容包括如下：人工智能概述、搜索求解、逻辑与推理、监督学习、无监督学习、深度学习、强化学习、博弈对抗。授课过程中也会介绍人工智能在自然语言理解(词向量与机器翻译等)和视觉分析（图像分类与视觉对象定位等）等方面的应用。
人工智能于1956年从达特茅斯学院出发，踏上了人类历史发展舞台，今天正发挥“头雁”效应，推动人类社会变革，“其作始也简，其将毕也必巨”。
人工智能算法模型库浅析
原标题：人工智能算法模型库浅析一、引言
人工智能在近几年出现了突飞猛进的发展，尤其是深度学习的提出以及在多个领域的成功应用，使人工智能成为当前学术界和产业界的研究热点之一。
如果把人工智能比作一辆轰鸣的战车，那么算法和模型则扮演着“发动机”的角色。“发动机”的质量在一定程度上直接影响、甚至决定了“战车”最终的效力。从学术角度来看，算法和模型一直以来都是人工智能研究的重点，涌现的大量成果直接推动了人工智能技术的迭代发展。从产业角度来看，算法和模型是人工智能技术在生产实践中真正落地、促进产业发展的重要保障。
二、人工智能算法和模型发展现状
人工智能算法模型经过长期积累已覆盖多个研究子领域。以机器学习为例，较为核心的算法包括最小二乘法、K近邻算法、K均值算法、PCA分析法、梯度下降法、进化算法等，较为核心的模型包括线性回归、逻辑回归、决策树、聚类、支持向量机、前馈神经网络等。由于具备较完备的理论基础和长期的推广应用，这些算法模型已经成为相关问题的标准解决方案。当前，针对这些核心算法和模型的进一步研究和改进也在不断向前推进。
人工智能在近些年的巨大突破也催生了一批“年轻的”算法和模型。以深度学习为例，新算法使得挖掘数据高层抽象特征成为可能，例如反向传播算法等，而新模型则为解决复杂问题提供了可行路径，例如深度神经网络、玻尔兹曼机等。这些算法模型极大简化了传统机器学习处理信息的方式，成为了计算机视觉、自然语言处理等领域的主流解决方案。可以预见，人工智能领域的新算法和新模型将会源源不断的涌现，并持续改变和优化传统领域的工作模式。
主流算法模型库对常见算法模型进行了高效实现，成为了人工智能生态中的重要一环。例如，Tensorflow框架集成了适配多种语言的机器学习和深度学习算法模型，并且适用于强化学习和迁移学习等新领域，同时提供了模型管理组件，支持模型的持久化存储、导入和导出。Caffe框架集成了卷积神经网络相关算法模型，拥有大量训练好的经典模型以及近几年提出的新模型（VGG、Inception、ResNet等），被广泛应用于工业界和学术界。CNTK框架支持多种神经网络模型，并集成了AdaGrad、RmsProp等多种优化算法，基于微软在人工智能领域研究成果，提供了细粒度的功能组件和可扩展的模型定制化能力。Keras框架专注于深度学习，不仅提供了可灵活搭配的模型模块，还集成了Adam、批标准化、PReLU等多种优化算法，以高度的模块化向用户提供简易的模型实现方式。MXNet集成了大量神经网络模型，支持多语言封装，并支持在移动设备上运行，目前已成为AWS的推荐深度学习框架。我国在算法模型库的建设上也崭露头角。百度推出的PaddlePaddle框架提供了针对计算机视觉和自然语言处理的模型库，集成了MobileNet、SE-ResNeXt等最新模型。腾讯、阿里等企业也在人工智能算法模型领域贡献了大量成果。
三、算法模型库的重要性分析
夯实人工智能基础，确保掌握关键核心技术。人工智能的原理和思想需要通过模型和算法予以展现，人工智能研究的发展必定要基于已有的算法模型，也一定会带来算法模型的升级更新。一个完备的算法模型库既是对当前算法模型研究的总结归纳，又是开拓下一个研究阶段的起点，有益于夯实我国人工智能研究的基础，是掌握人工智能关键核心技术不可或缺的一步。
推动人工智能各领域研究，催化人工智能技术全面健康发展。人工智能是一个复杂交叉学科，覆盖多个子领域，任何一个领域的研究短板都可能制约其他领域的进一步发展。算法和模型是这些领域间为数不多的交叉点之一，是各领域开展研究的共同必备要素。一个完备的算法模型库为各领域研究提供基础支撑，在一定程度上弥补了领域间隔阂，实现了领域知识的交叉共享，有利于推动人工智能技术的全面健康发展。
展开全文激发传统学科研究取得突破，走出多学科交叉融合、共同发展的新路径。人工智能提出了一套异于传统学科的思维模式，利用机器学习、深度学习等技术解决传统学科中的复杂性问题成为了可能。向传统学科引入人工智能方法，不断将算法和模型应用到研究工作中，同时吸收多学科知识来丰富和完善人工智能算法和模型，相互反馈、互相融合、共同发展，激发传统学科研究走出新路子，取得新突破。
助力人工智能技术的产业应用，促进产业发展升级。我国的产业发展具有海量数据和市场规模持续增长的特征，人工智能技术也因此拥有巨大的应用潜力和优势。结合产业特点建设算法模型库，既保证人工智能技术有的放矢，也大幅降低传统产业融合人工智能技术的门槛，是推动人工智能在产业界持续广泛深入应用的重要保障。
四、算法模型库建设的初步考虑
人工智能算法模型库的建设是一个以知识为核心、研发与管控相结合的系统工程，可以从以下几点探索开展。
统一规范，建立标准。算法模型库涉及多学科、多领域的知识体系，不同体系的算法模型在描述、结构、实现等方面均存在差异，在一定程度上阻碍了算法模型的整合。通过建立适当的标准体系，统一算法模型的描述，合理约束算法模型的实现，兼顾一致性和灵活性，从而能够在包容开放的基础上进一步为扩充和升级做出指导。
开展评测，去伪存真。人工智能的研究进展迅速，新算法新模型不断涌现，以开放模式建设算法模型库，必然会面对如何评估算法模型优劣的问题。通过研究制定面向算法模型的评估方法，建立评估机制，跟踪评测算法模型质量，做到去粗取精、去伪存真，从而保证算法模型的有效性、可靠性和安全性。
推广应用，形成闭环。建设算法模型库的最终目的是要服务于实际，在实践中对算法模型进行充分的检验和验证是推动算法模型进一步发展的重要途径。积极推进算法模型库在各领域各行业的应用，将实际效果反馈给算法模型研究者，形成理论与实践的反馈闭环，从而在深化人工智能技术应用的同时，不断促进算法模型的优化和创新。
五、展望
人工智能是新一轮科技革命和产业革命的重要驱动力量，算法和模型是人工智能技术的知识输出。建设完备的算法模型库是掌握关键核心技术、突破科技和产业发展瓶颈的重要一步，具有深远意义和巨大价值。探索建立一个开放灵活、标准可控、安全优质的算法模型库，是进一步深入发展人工智能技术的必要环节，也必然会在科技和产业发展的各个方面大展身手。
作者简介
徐骁麟，博士，中国信息通信研究院技术与标准研究所工程师，毕业于华中科技大学计算机学院，主要研究领域为云计算、分布式计算、人工智能。
联系方式：xuxiaolin@caict.ac.cn
编辑|凌霄
如需转载，请联系授权事宜：
”返回搜狐，查看更多
责任编辑：人工智能：模型与算法
课程详情
从逻辑推理、搜索求解、监督学习、无监督学习、深度学习、强化学习和博弈对抗介绍人工智能基本概念和模型算法，帮助学习者了解人工智能历史、趋势、应用及挑战，掌握人工智能在自然语言理解和视觉分析等方面赋能实体经济的手段。课程对应教材为高等教育出版社十三五和十四五期间重点打造“新一代人工智能系列教材”中的《人工智能导论：模型与算法》。算法实训平台为“智海在线（https://www.wiscean.cn/online/）”和“智海-Mo平台（momodel.cn）”。本课程由浙江大学求是特聘教授、人工智能研究所所长吴飞教授开设。
——课程团队 课程概述
【导读】
人工智能(ArtificialIntelligence，简称AI)是以机器为载体所展示出来的人类智能，因此人工智能也被称为机器智能(MachineIntelligence)。对人类智能的模拟可通过以符号主义为核心的逻辑推理、以问题求解为核心的探询搜索、以数据驱动为核心的机器学习、以行为主义为核心的强化学习和以博弈对抗为核心的决策智能等方法来实现。
授课老师：吴飞（教授）
授课链接：https://www.icourse163.org/course/ZJU-1003377027?utm_source=weixin&utm_medium=iphoneShare&utm_campaign=share
授课时间：2021年3月22日～2021年7月5日
课程介绍：
本课程成体系介绍人工智能的基本概念和基础算法，可帮助学习者掌握人工智能脉络体系，体会具能、使能和赋能，从算法层面对人工智能技术“知其意，悟其理，守其则，践其行”。课程内容包括如下：人工智能概述、搜索求解、逻辑与推理、监督学习、无监督学习、深度学习、强化学习、博弈对抗。
人工智能不单纯是一门课程、一手技术、一项产品或一个应用，而是理论博大深厚、技术生机勃勃、产品落地牵引、应用赋能社会的综合生态体(AIecosystem)。为了加强实训，课程中安排了以搜索求解为核心的黑白棋AI算法、以线性回归为核心的图像恢复、以深度学习为核心的垃圾分类等实训题目。
授课目标：
人工智能具有“至大无外、至小有内”的特点。当前以数据建模和学习为核心的人工智能通过整合数据、模型和算力在计算机视觉、自然语言、语音识别等特定领域取得了显著进展。本课程主要从数据智能这一角度来讲授人工智能的基本算法和模型，辅以一定的实训题目促进对模型的深入了解，希望学习者能够掌握逻辑推理、机器学习、强化学习、博弈对抗等基本模型，明晰人工智能具能、使能和赋能的手段和方法。
课程重点章节大纲：
第一周人工智能概述
浙江大学图灵班人工智能本科专业课件（人工智能概述）
1.1可计算思想起源与发展
1.2人工智能的发展简史
1.3人工智能研究的基本内容
人工智能概述课件
第一周测试
第三周逻辑与推理（I）
浙江大学图灵班人工智能本科专业课件（逻辑与推理）
3.1命题逻辑
3.2谓词逻辑
3.3知识图谱推理：一阶归纳推理算法
逻辑与推理(I)课件
第三周测试
第八周深度学习（I）
浙江大学图灵班人工智能本科专业课件（深度学习）
8.1深度学习基本概念
8.2前馈神经网络
8.3误差后向传播(BP)
深度学习课件
第八周测试
第九周：深度学习（II）
浙江大学图灵班人工智能本科专业课件（深度学习）
9.1卷积神经网络
9.2自然语言理解与视觉分析
深度学习课件
第九周测试
第十周：强化学习
浙江大学图灵班人工智能本科专业课件（强化学习）
10.1强化学习定义
10.2策略优化与策略评估
10.3强化学习求解:QLearning
10.4深度强化学习
强化学习课件
第10周测试
第十一周：人工智能博弈
浙江大学图灵班人工智能本科专业课件（人工智能博弈）
11.1博弈相关概念
11.2遗憾最小化算法
11.3虚拟遗憾最小化算法
11.4人工智能安全
人工智能博弈课件
第11周测试
第十四周构建人工智能育人生态促AI专业和交叉学科发展
新一代人工智能的形成
人工智能人才培养态势
汇聚交叉、赋能社会
构建人工智能育人生态促AI专业和交叉学科发展课件
师生学习体会：
本次课程内容安排十分丰富，文字解说详细，而且通俗易懂，让学习的同学们都很容易接受并且理解。课程深入浅出，从发展历史讲起，对于人工智能的研究发展方向也有着明确的定位，让我们所学习到的是一个具体的，全面的人工智能，收获颇丰！
参考资料：
1)吴飞，《人工智能导论：模型与算法》，高等教育出版社(书号：ISBN978-7-04-053466-5)
2)吴飞，《人工智能初步》（普通高中教科书信息技术教科书），浙江教育出版社(书号：ISBN978-7-5536-9871-7)
【人工智能导论：模型与算法】读书笔记1 目录
第1章绪论
第2章逻辑与推理
第3章搜索求解
第4章机器学习：监督学习
第5章统计机器学习：无监督学习
第6章深度学习
第7章强化学习
第8章 人工智能博弈
第9章人工智能未来发展和趋势
附录A设计实验
实验一逻辑推理实验
实验二黑白棋AI算法
实验三线性回归模型
实验四人脸识别
实验五深度学习
实验六强化学习
实验七对抗样本
附录B人工智能算法实训平台
第1章绪论
1.1人工智能的起源
1.2可计算载体：形式化与机械化
1.3智能计算方法
1.3.1符号主义为核心的逻辑推理
1.3.2问题求解为核心的探寻搜索
1.3.3数据驱动为核心的机器学习
1.3.4行为主义为核心的强化学习
1.3.5博弈对抗为核心的决策智能
1.4本书内容介绍
1.5小结
习题
参考文献
第2章逻辑与推理
2.1命题逻辑
2.2谓词逻辑
2.3知识图谱推理
2.3.1FOIL归纳推理
2.3.2路径排序推理
2.3.3其他知识推理算法
2.4因果推理
2.4.1辛普森悖论
2.4.2因果图的基本概念
2.4.3干预的因果效应
2.4.4反事实模型
2.4.5因果分析的层次化
2.5小结
习题
参考文献
第3章搜索求解
3.1搜索算法基础
3.1.1搜索基本问题和求解
3.1.2搜索算法的评价指标
3.1.3搜索算法框架
3.1.4树搜索和图搜索
3.2启发式搜索
3.2.1启发函数与评价函数
3.2.2贪婪最佳优先搜索
3.2.3A*搜索
*3.2.4A*算法性能分析
3.3对抗搜索
3.3.1最小最大搜索
3.3.2Alpha-Beta剪枝算法
*3.3.3Alpha-Beta剪枝算法性能分析
3.4蒙特卡洛树搜索
3.4.1探索与利用机制的平衡
3.4.2上限置信区间算法
3.4.3蒙特卡洛树搜索
3.5小结
习题
参考文献
第4章机器学习：监督学习
4.1机器学习基本概念
4.1.1机器学习的种类
4.1.2监督学习的基本概念
4.2回归分析
4.2.1一元线性回归
4.2.2多元线性回归
4.2.3逻辑斯蒂回归/对数几率回归
4.3决策树
4.3.1决策树分类案例
4.3.2构建决策树
4.4线性判别分析
4.5AdaBoosting
4.5.1可计算学习理论
4.5.2AdaBoosting算法
4.5.3从霍夫丁不等式解释AdaBoosting算法
4.5.4AdaBoosting分类例子
4.6支持向量机
4.6.1VC维与结构风险最小化
4.6.2线性可分支持向量机
4.6.3松弛变量，软间隔与hinge损失函数
4.6.4核函数解决线性不可分的情况
4.7生成学习模型
4.8小结
习题
参考文献
第5章统计机器学习：无监督学习
5.1K均值聚类
5.2主成分分析
5.2.1方差、协方差和相关系数
5.2.2主成分分析
5.2.3其他常用降维方法
5.3特征人脸方法
5.3.1奇异值分解
5.3.2特征人脸方法
5.4潜在语义分析
5.4.1潜在语义分析思想
5.4.2潜在语义分析例子
5.5期望最大化算法
5.5.1二硬币投掷例子
5.5.2三硬币投掷例子
5.5.3EM算法一般形式
5.6小结
习题
参考文献
第6章深度学习
6.1深度学习的历史发展
6.2前馈神经网络
6.2.1若干概念
6.2.2感知机模型
6.2.3参数优化与学习
6.3卷积神经网络
6.3.1卷积计算
6.3.2池化
6.3.3神经网络正则化
6.4循环神经网络
6.4.1循环神经网络模型
6.4.2长短时记忆网络
6.4.3门控循环单元
6.5深度生成学习
6.5.1生成对抗网络
6.5.2生成对抗网络算法
6.5.3条件生成对抗网络
6.5.4用生成对抗网络抵御对抗样本攻击
6.6深度学习在自然语言和计算机视觉上的应用
6.6.1词向量模型
6.6.2图像分类与目标定位
6.7小结
习题
参考文献
第7章强化学习
7.1强化学习问题定义
7.1.1强化学习基本概念
7.1.2马尔可夫决策过程
7.1.3强化学习问题定义
7.1.4贝尔曼方程（Bellmanequation）
7.2基于价值的强化学习
7.2.1策略迭代的基本模式
7.2.2策略优化定理
7.2.3策略评估方法
7.2.4基于价值的强化学习算法
7.2.5探索与利用
7.2.6参数化与深度强化学习
7.3基于策略的强化学习
7.3.1策略梯度定理
7.3.2基于蒙特卡洛采样的策略梯度法
7.3.3Actor-Critic算法
7.4深度强化学习的应用
7.4.1深度强化学习在围棋游戏中的应用
7.4.2深度强化学习在实际应用中的问题
7.5小结
习题
参考文献
第8章 人工智能博弈
8.1博弈论的相关概念
8.1.1博弈论的诞生
8.1.2博弈论术语与囚徒困境
8.1.3博弈的分类
8.1.4纳什均衡
8.1.5人工智能与博弈论
8.2博弈策略求解
8.2.1研究问题
8.2.2虚拟遗憾最小化算法
8.2.3安全子博弈
8.3博弈规则设计
8.3.1研究问题
8.3.2双边匹配算法
8.3.3单边匹配算法
8.4非完全信息博弈的实际应用
8.5小结
习题
参考文献
第9章人工智能未来发展和趋势
9.1类脑计算
9.2非冯·诺依曼计算架构
9.3人工智能芯片与机器学习系统
9.4量子机器学习
9.5深度学习编程框架与人工智能生态
9.6人工智能伦理与治理
9.7小结
参考文献
附录A设计实验
实验一逻辑推理实验
实验二黑白棋AI算法
实验三线性回归模型
实验四人脸识别
实验五深度学习
实验六强化学习
实验七对抗样本
附录B人工智能算法实训平台