深度學(xué)習(xí)具備強(qiáng)感知能力但缺乏一定的決策能力，強(qiáng)化學(xué)習(xí)具備決策能力但對(duì)感知問(wèn)題束手無(wú)策，因此將兩者結(jié)合起來(lái)可以達(dá)到優(yōu)勢(shì)互補(bǔ)的效果，為復(fù)雜系統(tǒng)的感知決策問(wèn)題提供了解決思路。

今天我們推薦這樣一門(mén)課程——UC Berkeley的 CS188《人工智能導(dǎo)論》（Introduction to Artificial Intelligence）。課程主要介紹了AI的基礎(chǔ)知識(shí)，尤其是強(qiáng)化學(xué)習(xí)方面，講解非常詳細(xì)，覆蓋面比較全面，學(xué)習(xí)資料也很豐富，包括了課程的全套視頻、課件PPT、課后學(xué)習(xí)資料、Homework、配套的Project，該視頻全部?jī)?nèi)容已經(jīng)由?矩池云www.matpool.com?進(jìn)行翻譯，對(duì)AI新手來(lái)說(shuō)非常友好。

課程全套視頻

課程介紹

根據(jù)官方介紹，"該課程介紹了智能計(jì)算機(jī)系統(tǒng)設(shè)計(jì)的基本思想和技術(shù)，具體側(cè)重于統(tǒng)計(jì)和決策理論建模方法的相關(guān)內(nèi)容。"

話題涉及搜索，博弈樹(shù)（Game Trees），馬爾可夫決策過(guò)程（MDP），強(qiáng)化學(xué)習(xí)，決策理論，概率問(wèn)題、獨(dú)立性和推理等人工智能科學(xué)基礎(chǔ)知識(shí)。

• 不知情搜索：深度優(yōu)先搜索、寬度優(yōu)先搜索、統(tǒng)一成本搜索

• 知情搜索：貪婪搜索、A*搜索、啟發(fā)式+最優(yōu)搜索

• 對(duì)抗搜索：極大極小值搜索、α-β剪枝、Expectimax

• 決策理論：最大期望效益

• 馬爾可夫決策過(guò)程：貝爾曼方程、值迭代

• 強(qiáng)化學(xué)習(xí)：Q-learning、利用與探索策略

• 貝葉斯網(wǎng)絡(luò)：獨(dú)立性、推理、采樣

• 機(jī)器學(xué)習(xí)：感知機(jī)、樸素貝葉斯網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)、集群

學(xué)習(xí)完該課程后，你會(huì)?學(xué)會(huì)自己構(gòu)建自動(dòng)的agent，它可以在完全知情/部分可觀察/對(duì)抗環(huán)境中有效做出決策。你的AI agent會(huì)在不確定的環(huán)境中進(jìn)行推理，根據(jù)獎(jiǎng)勵(lì)結(jié)構(gòu)自行優(yōu)化行為。你會(huì)學(xué)會(huì)設(shè)計(jì)機(jī)器學(xué)習(xí)算法，用于識(shí)別手寫(xiě)數(shù)字以及進(jìn)行圖像分類。在本課程中學(xué)習(xí)的技術(shù)及方法適用于各類人工智能問(wèn)題，可以為你日后進(jìn)一步研究深造的方向奠定一定的基礎(chǔ)。

課件插圖大多為卡通形式，你會(huì)經(jīng)?？吹秸n件上在玩《吃豆人》游戲或者其他游戲獲得的收益最大。隨著課程的深入，難度也會(huì)加大。對(duì)于基于python的編程練習(xí)，主要是用《吃豆人》游戲作為教學(xué)輔助，課程實(shí)操部分構(gòu)建了一個(gè)吃豆人游戲框架，讓學(xué)生實(shí)施可插拔的搜索策略。雖然部分學(xué)生反饋課程有一定難度，但這門(mén)課程仍被廣泛認(rèn)為是目前提供AI相關(guān)技術(shù)基礎(chǔ)較為值得觀看的MOOC課程之一。

課程主講

該課程早期由Pieter Abbeel和Dan Klein講授。

Pieter Abbeel師從機(jī)器學(xué)習(xí)大牛吳恩達(dá)，是機(jī)器人學(xué)專家、UC伯克利計(jì)算機(jī)科學(xué)與電氣工程教授。他的深度強(qiáng)化學(xué)習(xí)和深度無(wú)監(jiān)督學(xué)習(xí)教材是AI研究者的經(jīng)典學(xué)習(xí)資料，包括CS294-158（Deep Unsupervised Learning）、CS188（Introduction to Artificial Intelligence）、CS287（Advanced Robotics）等。

Dan Klein，伯克利大學(xué)自然語(yǔ)言處理小組負(fù)責(zé)人。2004 年在斯坦福大學(xué)取得計(jì)算機(jī)科學(xué)的博士學(xué)位。主要研究重點(diǎn)是自然語(yǔ)言信息的自組織，興趣領(lǐng)域包括無(wú)監(jiān)督的語(yǔ)言學(xué)習(xí)、機(jī)器翻譯、NLP 的高效算法、信息提取、語(yǔ)言豐富的語(yǔ)言模型、NLP 的符號(hào)和統(tǒng)計(jì)方法的集成以及歷史語(yǔ)言學(xué)等。

基于兩位教授多年的教學(xué)實(shí)踐和課件資料，2020年的cs188夏季課程由Dan Klein教授的博士生Nikita Kitaev教授。最近，Nikita Kitaev的增量句法表示研究（Learned Incremental Representations for Parsing）獲得了ACL2022的最佳論文（Best Paper）。

傳送門(mén)

視頻直達(dá)

課程全套PPT、作業(yè)及配套Project：inst.eecs.berkeley.edu/~cs188/su20/

原文：matpool.com/learn/article/ucberkeley-coures-recommendation