人工智能：完整课程(AI001)

Source: Dev.to

Foundations of Artificial Intelligence (PART 1)

• 什么是人工智能？ link
• 人工智能的历史与演进 link
• AI vs ML vs DL vs Data Science
• AI 类型：狭义、通用、超级 AI
• 智能体与环境
• 理性、自治和学习
• AI 问题解决思维模式

问题求解与搜索（第 2 部分）

• 状态空间表示
• 无信息搜索：广度优先搜索（BFS）、深度优先搜索（DFS）、迭代加深搜索（IDS）、均匀代价搜索（UCS）
• 有信息搜索：贪婪搜索、A*搜索
• 启发式函数：可采纳性与一致性
• 博弈与对抗搜索
• 极小极大算法
• α‑β剪枝
• 约束满足问题（CSP）
• 回溯与约束传播

知识表示与推理（第 3 部分）

• 命题逻辑
• 一阶谓词逻辑
• 推理与演绎
• 分辨率与统一
• 知识库
• 基于规则的系统
• 语义网络
• 框架与本体论
• 描述逻辑
• 不确定性下的推理

Planning & Decision Making (PART 4)

• Classical planning
  经典规划
• STRIPS representation
  STRIPS 表示
• Forward vs backward planning
  前向与后向规划
• Planning graphs
  规划图
• Decision theory basics
  决策理论基础
• Utility theory
  效用理论
• Markov Decision Processes (MDPs)
  马尔可夫决策过程 (MDPs)
• Policy and value iteration
  策略与价值迭代
• Partially Observable MDPs (POMDPs)
  部分可观测马尔可夫决策过程 (POMDPs)

AI中的概率与不确定性（第 5 部分）

• AI的概率论
• 贝叶斯推断
• 贝叶斯网络
• 条件独立
• 贝叶斯网络中的推理
• 隐马尔可夫模型（HMM）
• 卡尔曼滤波器
• 粒子滤波器
• 处理噪声和不确定性

机器学习（AI 核心） (第 6 部分)

• 学习范式概述
• 监督学习
• 无监督学习
• 半监督学习
• 强化学习
• 偏差‑方差权衡
• 模型评估与验证
• 过拟合与正则化

经典机器学习算法（第 7 部分）

• 线性回归和逻辑回归
• k 最近邻
• 朴素贝叶斯
• 决策树
• 集成方法
• 支持向量机
• 聚类算法
• 降维

Neural Networks & Deep Learning (PART 8)

• 人工神经网络
• 感知器和多层网络
• 激活函数
• 反向传播
• 优化技术
• 卷积神经网络（CNN）
• 循环神经网络（RNN）
• 长短期记忆网络（LSTM）和门控循环单元（GRU）
• 注意力机制
• Transformer
• 大型语言模型（LLM）

强化学习（第 9 部分）

• 强化学习基础
• 代理–环境交互
• 奖励设计
• 基于价值的方法
• 基于策略的方法
• Q 学习
• SARSA
• 深度强化学习
• 探索与利用

Natural Language Processing (PART 10)

• 语言建模
• 文本预处理
• 词嵌入
• 序列到序列模型
• NLP 中的注意力机制
• 用于 NLP 的 Transformer
• 大语言模型与聊天系统
• NLP 系统评估

计算机视觉 (第11部分)

• 图像表示
• 特征提取
• 用于视觉的卷积神经网络 (CNN)
• 目标检测
• 图像分割
• 人脸识别
• 视觉转换器 (Vision Transformers)
• 多模态学习

可解释性、伦理与公平（第 12 部分）

• 可解释人工智能（XAI）
• 可解释性 vs 准确性
• AI 系统中的偏见
• 公平性指标
• 伦理 AI 原则
• 隐私与安全
• 负责任的 AI

AI 系统与部署（第 13 部分）

• AI 流水线
• AI 数据工程
• 模型部署
• 监控与漂移检测
• AI 系统扩展
• 边缘 AI
• 生产环境中的 AI 故障

AI的应用（第14部分）

• AI在医疗保健
• AI在金融
• AI在推荐系统
• AI在自主系统
• AI在机器人技术
• AI在体育分析
• AI在教育

高级与未来人工智能（第 15 部分）

• 因果 AI
• 神经符号 AI
• 自监督学习
• 多模态基础模型
• 通用人工智能研究
• AI 对齐与安全
• 人工智能研究的未来

AI 研究与职业 (第 16 部分)

• 如何阅读 AI 研究论文
• AI 中的实验设计
• 基准测试与数据集
• AI 的可重复性
• AI 工程师 vs AI 研究员
• 构建有影响力的 AI 项目