人工智能基础（A）¶

• 时间：2024-2025 秋冬学期
• 教师：朱朝阳
• 学分：2。0
• 教材：/（《人工智能：一种现代的方法》）

问题求解 ¶

方法 ¶

贪心法 分治法 回溯法 动态规划

方法 ¶

状态空间搜索 ¶

八数码问题、华容道问题、背包问题、路径规划问题

启发式搜索 ¶

走迷宫问题

遗传算法 ¶

旅行经销商问题

模拟退火 ¶

拼图问题

约束满足问题求解 ¶

数独

机器学习 ¶

基于统计建模，通过数据和算法使计算机系统能够自动学习和改进

有监督学习 分类 拟合

无监督学习 聚类 降维

半监督学习

强化学习

深度学习

五要素：数据、模型、训练、预测和评估

步骤：1. 获取数据和预处理 2. 特征提取 3. 训练模型 4. 模型评估和优化 5. 预测分类结果解释

应用：图像识别、自然语言处理、推荐系统、预测分析、自动驾驶

线性分类 逻辑回归模型 损失函数：评估性能、优化目标 二分类问题 交叉熵损失函数 梯度下降 迭代优化算法 随机初始化参数、计算梯度、沿反向小步更新参数、损失函数收敛到局部最小值 随机梯度下降：加快速度、找到更优解 正则化：解决过拟合

决策树 特征选择、决策树生成、决策树剪枝 特征选择：信息增益、信息增益比、基尼指数 决策树生成：递归 决策树剪枝：解决过拟合问题 预剪枝：限制条件 后剪枝：先生成完整树，删除贡献不大的子树

过拟合欠拟合 过拟合：增加数据量、交叉验证、早停、数据增强

深度学习 ¶

主要模型 多层感知机（MLP） 卷积神经网络 循环神经网络 Transformer 扩散模型

感知机模型 ¶

单隐含层 MLP ¶

BP 算法 ¶

误差反向传播算法

RELU 是隐含层中最为常用的损失函数

评论区