人工智能导论
9 篇
-
Day 9
人工智能导论 Day9:对比学习、视觉基础模型与掩码预训练
从增量重规划转向自监督视觉表示,梳理 SimCLR、MoCo、DINO、CLIP 与掩码预训练,并用公式、代码和算例解释模型如何学习与迁移。
-
Day 8
人工智能导论 Day8:Q-learning、价值函数与自监督表示学习
从奖励、价值函数和 Q-learning 更新出发,连接自监督任务、对比损失与预训练表示。
-
Day 7
人工智能导论 Day7:Transformer、MuZero 与自监督学习
从 Transformer 的序列建模、MuZero 的潜在模型规划,到聚类、对比学习和掩码预训练。
-
Day 6
人工智能导论 Day6:深度网络、注意力与自监督学习
从 AlphaGo 的网络与搜索协同,到深度网络、注意力、图消息传递,以及自回归、掩码重建和对比学习。
-
Day 5
人工智能导论 Day5:经典机器学习算法与地形感知
从逻辑回归、SVM、决策树、K-means 与 PCA,到移动机器人地形感知中的不确定性估计和代价地图。
-
Day 4
人工智能导论 Day4:从对抗搜索到基于学习的方法
从井字棋的估价函数与 Alpha-Beta 剪枝,到 Mitchell 定义下的监督、无监督、强化与自监督学习,再用三份课件把神经网络与深度网络的主线拉通。
-
Day 3
人工智能导论 Day3:启发式搜索、与或图与博弈决策
从 A* 的最优性条件到与或图的任务分解,再到 Minimax、Alpha-Beta 与神经网络引导的蒙特卡洛树搜索。
-
Day 2
人工智能导论 Day2:从状态空间到搜索策略
从状态空间到搜索策略
-
Day 1
人工智能导论 Day1:从智能的定义到学习与推理
从智能的定义到学习与推理