跳到主要内容

Section 18: Artificial Intelligence

18.1 Graphs in Artificial Intelligence​

  • 理解图（Graph）如何用于表示 AI 问题
  • 节点（Nodes）表示状态，边（Edges）表示转换
  • 图搜索算法（A*, Dijkstra）的应用

18.2 Search Algorithms​

A* Algorithm​

  • 使用 evaluation function: f(n)=g(n)+h(n)f(n) = g(n) + h(n)
  • g(n): actual cost from start to node n
  • h(n): heuristic estimated cost from n to goal
  • Open list 和 Closed list 的管理
  • 启发函数的可采纳性（admissibility）

Dijkstra's Algorithm​

  • 寻找从起点到所有节点的最短路径
  • 不使用启发函数（与 A* 的区别）
  • 适用于非负权边

18.3 Artificial Neural Networks​

  • 生物神经元的类比（dendrites, axon, synapse → inputs, processing, outputs）
  • ANN 结构：Input layer, Hidden layer(s), Output layer
  • Weighted connections 和 Bias
  • Activation function（如 Sigmoid, ReLU, Tanh）
  • Forward propagation
  • Back propagation（误差反向传播 + 梯度下降更新权重）
  • 多层网络即 Deep Learning

18.4 Machine Learning​

类型数据目标典型应用
Supervised learningLabelled data学习输入到输出的映射分类、回归
Unsupervised learningUnlabelled data发现数据中的模式聚类、降维
Reinforcement learning环境交互（reward）最大化累积奖励游戏、机器人控制

18.5 Deep Learning​

  • 使用多层（>2 层）的 ANN
  • 自动特征提取（Automatic feature extraction）
  • 需要大量数据（避免过拟合、训练大量参数）
  • 需要高性能计算资源（GPU）

18.6 Back Propagation Algorithm​

  • 计算输出层误差：δoutput=(ypred−ytrue)×f′(z)\delta_{output} = (y_{pred} - y_{true}) \times f'(z)
  • 反向传播：δhidden=WT×δoutput×f′(z)\delta_{hidden} = W^T \times \delta_{output} \times f'(z)
  • 权重更新：Wnew=Wold−α×δ×inputW_{new} = W_{old} - \alpha \times \delta \times input
  • α\alpha = learning rate（学习率）
  • 迭代进行直到误差收敛