合集-常规人工智能相关
摘要：第一章：绪论 本章试图解释，为什么人工智能是一个最值得研究的学科，并试图给它一个准确的定义。 1. 什么是人工智能 我们都曾听说过“人工智能”，它简直更法术似的，仿佛是世间一切问题的通解；一切事物，只要名字与它靠在一起，就可以立马变得很玄乎 （跟量子力学似的。 本书中作者用（应该说是当时的学者）四个
阅读全文
摘要：第二章：智能Agent 本章讨论Agent的本质，Agent是否完美，环境的多样性，及由此带来的各种Agent分类。 1. Agnet和环境 Agent通过传感器感知环境并通过执行器对所处环境产生影响，不同Agent用的传感器也各不相同。我们用 「感知」 表示任何给定时刻Agent的感知输入，而 「
阅读全文
摘要：第三章： 通过搜索进行问题求解 本章将讨论基于目标的Agent中的一种，称为 「问题求解Agent」 ，问题求解Agent使用原子表示：世界状态被视为一个整体。 1. 问题求解Agent 基于当前的情形和Agent的性能度量进行 「目标形式化」 是求解问题的第一步。我们将目标考虑成是世界的一个状态集
阅读全文
摘要：第四章：超越经典搜索 上一章所讨论的问题具有如下性质：环境是可观察的、确定的、已知的，问题是一个行动序列。本章将讨论不受环境性质的约束。 1. 局部搜索算法和最优化问题 上一章提到的搜索算法，是为了找到一条或多条达到目标的路径。而在许多问题中，到达目标的路径是不相关的。在这种情况下我们要考虑一种不关
阅读全文
摘要：第五章：对抗搜索 本章讨论在有其他Agent计划与我们对抗时，该如何预先规划。 1. 博弈 当多个Agent一同行动时，Agent自身无法知道其他Agent的行为会对自身带来什么影响，这就导致了问题求解的 「偶发性」。而如果每个Agent的目标之间还是相互冲突的，那就会出现 「博弈」，也就是 对抗搜
阅读全文
摘要：神经网络训练中的问题 神经网络在数据之海中打捞规律，自成模型。这个过程全权由电脑完成，也因此我们担心它是否是一种泛化的模式，在其它「海域」继续工作时，它能否也能得到正确的结果？如何发现 可以泛化的模式 是机器学习的根本问题。 通常，模型越复杂、训练样本越少，它的泛化能力就会受到考验： 可调整参数的数
阅读全文
摘要：马尔可夫决策过程 个人在学习「马尔可夫过程」时（基于这本教材，强烈推荐），做了些总结，并将遇到了一些感到困惑自我解答了，在此整理并记录一下。 1. 马尔可夫性质 简单的一句话：当前状态 只取决于上一时刻 的状态。这个视频很生动地解释了这一性质。 2. 马尔可夫过程 「马尔可夫过程」也叫「马尔可夫链」
阅读全文
摘要：基于动态规划的强化学习算法 学习「强化学习」（基于这本教材，强烈推荐）时的一些总结，在此记录一下。 在马尔可夫决策过程 环境模型已知（也就是状态转移函数P、奖励函数r已知）的情况下，我们可以通过 「动态规划」 求得马尔可夫决策过程的最优策略 \(\pi^*\) 。 1. 动态规划 对于做过算法题目的
阅读全文
摘要：无模型的强化学习算法 学习「强化学习」（基于这本教材，强烈推荐）时的一些总结，在此记录一下。 动态规划算法需要马尔可夫决策过程是已知的（状态转移函数、奖励函数已知），智能体不用真正地与环境互动也能在「理性」世界里求得最优策略。 现实通常并非如此，环境已知恰恰是很少见的。所以这里来看看「无模型的强化学
阅读全文
浙公网安备 33010602011771号