学霸双胞胎开源斯坦福CS 221人工智能备忘录,图文并茂看懂反射、状态、变量、逻辑...

一份斯坦福CS 221人工智能备忘录最近登上了GitHub Trending。

640?wx_fmt=png

这份备忘录解释了课程中的许多名词、公式和原理,动图、文字、表格并茂,作者之一还是官方助教,堪称CS 221最佳学习笔记。

备忘录总共分为反射(Reflex)、状态(States)、变量(Variables)、逻辑(Logic)四个部分。

反射

线性预测变量
损失最小化
非线性预测变量
随机梯度下降
微调模型
无监督学习

状态

树搜索
图搜索
学习成本
搜索
Relaxation
马尔可夫决策过程
游戏

变量

因子图
动态命令
近似方法
因子图变换
贝叶斯网络
概率模型
推理

逻辑

概念
命题逻辑
一阶逻辑

介绍每个知识点的时候,备忘录中都包括了概念解释、图示、公式和注意事项等多方面内容。

比如神经网络的部分:

640?wx_fmt=png

神经网络概念、结构图、公式都有。

比如介绍动态命令的最小约束值时,这份笔记直接做了动态的回溯搜索三色问题演示图:

640?wx_fmt=gif

再比如概率模型,兄弟俩直接给列了一张表,把什么马尔科夫、朴素贝叶斯,统统对比了一遍:

640?wx_fmt=png

另外结合两位作者之前出过的CS 229机器学习、CS 230深度学习备忘录,你还可以学到更多补充内容。

学霸双胞胎出品

作者是一对来自法国的学霸双胞胎,Afshine Amidi和Shervine Amidi。

640?wx_fmt=jpeg

兄弟俩从小就喜欢一样的东西,比如柔道和游泳。虽然长大后被父母送到了学校里不同的班级,但最终他们一起去了巴黎中央理工学院学数学和通用工程。

之后,Afshine在MIT读完了硕士,目前是Uber的数据科学家,负责优化司乘体验,走商业路线。

Shervine现在则是斯坦福硕士在读,去年他也曾加入Uber做实习生,负责开发一些个性化工具。现在他在斯坦福视觉学习实验室(SVL)进行计算机视觉方面的研究,同时也担任CS 221/229/230等几门课的助教,走学术路线。

除了一起做开源项目,兄弟俩甚至还经常一起写论文,包揽一作二作。

640?wx_fmt=png

最后,长相一模一样的双胞胎,人脸识别能分清么?Afshine和Shervine试过。他们的人类朋友可以区分出谁是谁,但手机上的人脸识别却做不到……

传送门

CS 221人工智能备忘录
https://stanford.edu/~shervine/teaching/cs-221/cheatsheet-variables-models

GitHub
https://github.com/afshinea/stanford-cs-221-artificial-intelligence

CS 229机器学习
https://stanford.edu/~shervine/teaching/cs-229/

CS 230深度学习
https://stanford.edu/~shervine/teaching/cs-230/

作者系网易新闻·网易号“各有态度”签约作者

 

 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值