- 博客(20)
- 收藏
- 关注
RSS订阅原创 人工智能第四章
无信息搜索，有信息搜索一. 无信息搜索(uniformed search strategies)二. 广搜(bread first search)三. 统一代价查询(Uniform cost search)一. 无信息搜索(uniformed search strategies)无信息搜索的含义是搜索时，除了状态外，无额外信息来帮助你搜索. 从边缘节点中挑选某个节点进行扩展，直到找到我们的目标节点(含目标状态),如何挑选节点进行扩展这就是我们今天要讨论的内容.首先先介绍下无信息搜索有哪些查询策略:(
2021-07-15 16:08:42
2615
4
原创 逻辑哲学第四章
否，或，理论，弱化，缩写一. 否(Negation)二. 或(Disjunction)一. 否(Negation)否在命题逻辑中就是将该命题拒绝，否决掉. 在语言中，相当于"不". 例如，我是人，那么这个命题加上否，就变成: 我不是人. 所以"否"在语义中，就是将该命题的True变成False，将False变成True.即:p¬p¬¬p(双重否定)TFTFTF但有个大家很容易犯错的地方，假如有个原命题: “我是开心的”，那大家可以思考下，加上否后，A: “我
2021-07-09 11:54:19
1450
1
原创 哲学逻辑 第三章
一. 自然演绎介绍(natural deduction)从本章起，小弟逐步为大家介绍自然演绎，给大家举个简单的例子(命题逻辑的自然演绎):p,q⊢((p∧q)→r)→rp, q ⊢ ((p ∧ q)→r)→rp,q⊢((p∧q)→r)→rα1 (1) p Aα_1\ \ (1)\ \ \ p \ \ \ \ \ \ \ Aα1 (1
2021-06-28 13:48:33
473
1
原创 人工智能第二章
智能代理者一. 智能代理者一. 智能代理者首先什么是代理者(agent)： 代理者可以是人，可以是机器，甚至你说是温度计也行,即代理者是利用传感器(sensors)来感知环境并利用感受器(effectors)来做出行为. 举个例子人类作为代理者有眼睛，耳朵，利用眼睛你看到有人要扇你耳光(环境)，从而你要做出防御行为(action).上图可能被老师,前辈们都讲烂了，小弟这还是啰嗦两句，代理者利用传感器从环境中获取感知，从而做一系列行为来改变环境状态. 就像你看到有一碗饭，这一碗饭就是个环境状态，你吃了
2021-06-23 12:52:50
1414
原创 逻辑哲学第二章
推理，真值和有效性一. 推理，真值二. 有效论证三. 连接词四. 理论(Theorem)五. 结语(Summary)一. 推理，真值推理(inference)是逻辑学里最重要的核心,什么是推理，推理是一个论证的过程,即一个论证是我们认为某个事情是对的到另一个事情是对的过程.例子1:句子A：所有的人类都有俩腿 [前提，陈述句]句子B：运动员是人类 [前提，陈述句]句子C：运动员有俩腿 [结论，陈述句]在上述例子1中，句子A和句子B是我们论证推理的前提，句子C是论证推理的结论.换句话说我们的论证
2021-06-18 19:03:37
976
原创 人工智能第一章
人工智能介绍和应用推荐书籍: Artificial Intelligence. A Modern Approach [3rd Edition],Stuart J. Russell and Peter Norvig.小弟接下来会介绍人工智能的基础知识，它具体可以分为三大部分: 1.查询，2.KRR(knowledge+Reasoning+Represetation)即人工智能的知识表示和推理，3.规划.人工智能个人感觉还得是人为的写点规则，之后自动完善规则法规，从而解决些问题.小弟的老父亲曾经问过小弟个
2021-06-16 22:15:42
468
3
原创 逻辑哲学第一章
逻辑介绍和应用逻辑哲学推荐书籍:http://users.cecs.anu.edu.au/~jks/LogicNotes/对逻辑感兴趣的同学可以用谷歌搜索下这个.小弟接下来更新的逻辑知识博客也是主要由这个内容框架写的.这本书是由我们学校的一个退休老师写的，很厉害的一位哲学老师，他对于相关逻辑研究有很大贡献.小弟近期会为大家分享下逻辑的相关知识，逻辑这门课在人工智能里有着很重要的作用，例如在人工智能里有个叫满足问题(SAT)它和命题逻辑关联很深，在人工智能规划里也会有用到,再比如模糊逻辑在AI里的应用，
2021-06-16 21:18:44
211
原创 数据分析模型 第十一章
仿真法，自助法仿真法/统计模拟方法(simulation based methods)自助法(Bootstrap method)三. 结语在最后一章，小弟为大家介绍两个统计方法，说老实话，这两个方法可以说的是上古秘籍。统计的起源最早可追溯到1910年，那时候计算机还没出生呢，当中国还是清朝伪满洲的时候，有这么一群数学家利用纸和笔在条件很艰苦的情况下，想出了一些统计方法，这些方法就是本章要介绍的。我们不能忘记过去数学家们的智慧和对如今大数据时代的贡献。仿真法/统计模拟方法(simulation based
2021-02-20 12:04:45
2249
7
原创 数据分析模型 第十章
非监督学习，簇，混合模型，矩阵填充一. 非监督学习(Unsupervised learning)二. 簇/聚类(Clustering)三.混合模型(Mixture Modelling)在第九章，小弟分享了常见的可监督学习的机器学习模型，在第十章，小弟将分享一些非监督学习的机器学习模型。一. 非监督学习(Unsupervised learning)假如我们有这么一把数据,即如下：Y=(y1y2...yn)=(y(1,1),y(1,2),...,y(1,q)y(2,1),y(2,2),...,y(2,q
2021-02-17 16:07:57
298
2
原创 数据分析模型 第九章
决策树，随机森林，k邻近模型一. 决策树(Decision Tree)二. 随机森林(random forest)三. K-近邻(KNN)三. 结语在本章，小弟将与大家分享一些在机器学习里很常用的模型，机器学习这个领域是计算机科学和数据科学的杂糅，过去它有时候经常被称为数据挖掘(Data mining)或者人工智能。但我们又不能很轻易的说机器学习就是统计模型，举个例子，在自然语言处理中有个注意力机制，说白了，就是平常我们说话时候，不是每个字都很重要，而是有各别几个字才是重点，预测区分哪些字关键哪些字不关键
2021-02-14 09:24:26
654
原创 数据分析模型 第八章
模型选择标准，惩罚回归，结语一. 模型选择标准(Model selection criteria)二. 惩罚回归(Penalized Regression)三. 结语一. 模型选择标准(Model selection criteria)我们回顾下监督学习当我们有p+1p+1p+1个变量和n组数据(n行)，如果我们要预测其中的一个变量，我们要利用剩下的部分变量(<=p个)来预测我们的这个变量。如果我们的预测变量是分类数据，那么我们利用分类有关的模型。如果我们的预测变量是数字型数据，那么我们利用
2021-02-07 13:57:55
1874
6
原创 数据分析模型 第七章
分类，逻辑回归，结语一. 分类(classifier)二. 二元逻辑回归(binary logistic regression)一. 分类(classifier)当我们预测的变量YYY为分类数据的时候，如果我们使用的是线性回归，我们可以把分类数据的变量变化成指标变量(数据分析模型，第6章)。在这一章我们要讨论的是另外一种模型，即分类模型，利用概率从而进行分类。想象一下，如果我们的变量是城市，我们将它数据化变为1，2，3，4，分别对应各个不同的4个城市，用这些数字来计算和预测很明显是没有道理的。如果我们
2021-01-31 01:12:48
213
原创 数据分析模型 第六章
线性回归，结语一. 线性回归(linear regression)二. 结语一. 线性回归(linear regression)线性回归是属于监督学习范畴内的。我们在此先简单的介绍下监督学习.监督学习(Supervised Learning):假如我们有n组数据，每组数据有对应的p+1p+1p+1个变量.我们现在要预测其中一个变量，利用剩余的p个变量.如下图:该图中，我们的n就是行，这里有20行，即为20个人，所以n组数据为n个个体。每个个体都有自己对应的具体变量值：Pt(相当于ID)， BP(
2021-01-21 00:42:10
382
原创 数据分析模型 第五章
假设检验，结语一. 假设检验(Hypothesis Testing)二.结语一. 假设检验(Hypothesis Testing)看到第五章，可能大家会有两个问题:1.是否我们的参数等于一个具体的数值么？2.如果有多个模型是否，其中某一个模型更能诠释我们的数据.本章我们就讨论下第一个问题假设检验(Hypothesis Testing)通常应用在参数的估计上。这个词，很明显，我们假设是否我们的真参等于某个数值，然后进行检验是否我们的原假设正确.先介绍下假设检验写法:
2021-01-13 22:41:37
447
1
原创 数据分析模型 第四章
中心极限定理，置信区间一. 中心极限定理二. 置信区间三.结语一. 中心极限定理我们都知道正态分布很重要，但为什么正态分布是统计里的核心呢，这是因为中心极限定理.中心极限定律(Central Limit Theorem,简写CLT):Y1,Y2,....YnY_1,Y_2,....Y_nY1,Y2,....Yn为独立同分布的随机变量, E[Yi]=μE[Y_i]=\muE[Yi]=μ,V[Yi]=σ2V[Y_i]=\sigma^2V[Yi]=σ2，这里的期望和方差，不要对号入座，不要看到就
2021-01-08 06:22:23
425
4
原创 数据分析模型 第三章
参数估计，偏差和评测估计一. 参数估计二. 偏差和评测估计三. 结语一. 参数估计参数估计(parameter estimation). 正如第一章模型的介绍中所提到的，一般当我们手上有了一大把相关的数据，我们想做预测，我们要做两件事情，第一件事情是选取适合的模型，例如多项式模型，神经网络模型，树模型，等等这种泛化模型(以一挡百的模型)，这部分内容暂且按下不表.在数据分析模型这课中，着重关注第二件事情，参数估计，即相关模型给定的情况下对于模型的参数估计.小弟认为，参数估计可以分为两大派别：第一派别：利
2021-01-02 02:18:43
462
2
原创 数据分析模型 第二章
期望，概率分布一. 期望二. 概率分布一. 期望根据数学计算，期望值(Expected Value)即为随机变量的结果乘以其的概率的总和。这么看的话其实期望值也是均值，例如班里共10个人，1米8的人有3个，1米7的人有7个，那么抽到1米8的人概率为3/10， 1米7的人概率为7/10，那么这个班的身高期望值也就是这个班的平均身高即1.8*310\frac{3}{10}103+1.7*710\frac{7}{10}107 .所以期望值也是均值。当然了期望值或均值自然会被异常值干扰，例如有一个学生身高
2020-12-25 12:42:02
2522
2
原创 数据分析模型 目录
目录第一章：基本介绍，模型，随机变量第二章：期望，概率分布第三章：取样，参数估计和偏差第四章：置信区间第五章：假设检验第六章：线性回归第七章：分类，逻辑回归第八章： 模型选择，惩罚回归第九章：树，邻近算法第十章：非监督式学习介绍第十一章：基于统计方法的模拟...
2020-12-18 17:33:45
311
1
原创 数据分析模型 第一章
基本介绍，模型，随机变量一. 基本介绍二. 模型三. 随机变量和概率分布一. 基本介绍在大学就读期间，对于数据结构模型这门课，我上下来的感觉就是基础的统计离散数学，这门课会给你讲一些最基础的统计知识，它的进阶是高等数据分析。二. 模型三. 随机变量和概率分布...
2020-12-18 17:32:00
2577
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人