《人工智能原理与实践》PPT课件 吴贺俊 中山大学

 
课件内容： 
绪论 
教学目标：讲述本课程学习内容及人工智能简介。授课方式：线上授课。建议学习顺序：强化学习板块->深度学习板块->深度强化学习板块->搜索求解板块->机器学习板块->知识推理板块->实践内容板块 
1.1 人工智能的概念、内涵、发展 
强化学习板块-第一章-基础知识 
教学目标：理解强化学习问题及其相关概念。授课方式：线上授课。成绩占比：平时作业占比10%，测验占比20%，考试占比60%，课堂讨论回复占比10%。学习方法：重点是马尔科夫决策过程模型，难点是要本质上理解值函数、收益、奖励等的关系，而不是硬背公式。 
1.1 强化学习基本概念 
1.2 马尔科夫决策问题模型 
1.3 强化学习值函数 
1.4 从值函数计算最优策略 
1.5 强化学习板块Ⅰ-课堂实录 
强化学习板块-第二章-表格型求解法 
教学目标：理解并运用强化学习问题的表格型求解方法。授课方式：线上授课。成绩占比：平时作业占比10%，测验占比20%，考试占比60%，课堂讨论回复占比10%。学习方法：本章难点是强化学习中的迭代更新，自举等。 
2.1 动态规划算法 
2.2 蒙特卡洛算法 
2.3 时差分方法 
2.4 Q-Learning算法 
2.5 强化学习板块Ⅱ-课堂实录 
强化学习板块-第三章-深度强化学习基础 
教学目标：理解并运用深度强化学习基础。授课方式：线上授课。成绩占比：平时作业占比10%，测验占比20%，考试占比60%，课堂讨论回复占比10%。学习方法：本章重点理解深度强化学习的各种算法及其原理。 
3.1 深度神经网络与值函数 
3.2 DQN算法 
3.3 DQN算法原理 
3.4 策略梯度原理 
3.5 策略梯度示例 
3.6 DPG算法 
3.7 TRPO算法 
3.8 PPO算法 
3.9 深度强化学习-课堂实录 
强化学习板块-第四章-多智能体强化学习 
教学目标：理解并运用多智能体强化学习。授课方式：线上授课。成绩占比：平时作业占比10%，测验占比20%，考试占比60%，课堂讨论回复占比10%。学习方法：本章重点理解多智能体强化学习基础及其两个算法。 
4.1 多智能体强化学习基础 
4.2 MADDPG算法 
4.3 QMIX算法 
4.4 多智能体强化学习算法-课堂实录（新增IQL、VDN、QTRAN算法） 
深度学习板块Ⅰ 
教学目标：了解神经网络的发展、基本概念。授课方式：线上授课。成绩占比：平时作业占比10%，测验占比20%，考试占比60%，课堂讨论回复占比10%。学习方法：本章重点内容是人工神经元和前馈神经网络的结构。 
1.1 神经信息处理基本原理 
1.2 人工神经元 
1.3 前馈神经网络 
1.4 深度学习板块Ⅰ-课堂实录 
深度学习板块Ⅱ 
教学目标：进一步学习神经网络算法及其反向传播原理、授课方式：线上授课。成绩占比：平时作业占比10%，测验占比20%，考试占比60%，课堂讨论回复占比10%。学习方法：本章重点内容包括参数学习的目标和反向传播算法。 
2.1 多层神经网络的参数学习 
2.2 梯度下降方法 
2.3 反向传播算法 
2.4 深度学习板块Ⅱ-课堂实录 
深度学习板块Ⅲ-卷积神经网络 
教学目标：掌握卷积神经网络的三个结构特征、卷积运算过程、汇聚层的处理、卷积神经网络的参数学习。 
3.1 卷积神经网络 
3.2 其它卷积种类 
深度学习板块Ⅳ-循环神经网络 
教学目标：理解循环神经网络基础并掌握其应用到机器学习的方法。 
4.1 循环神经网络基础 
4.2 LSTM 
4.3 扩展到图结构 
深度学习板块Ⅴ-TRANSFORMER 
教学目标：理解RNN到TRANSFORMER的过渡与超越。 
5.1 从RNN到TRANSFOMER 
5.2 序列到序列的RNN模型 
5.3 注意力机制 
5.4 TRANSFORMER模型及应用 
深度强化学习板块-多机器人集群控制 
教学目标：理解多机器人集群的相关知识和前沿技术。授课方式：线上授课。成绩占比：平时作业占比10%，测验占比20%，考试占比60%，课堂讨论回复占比10%。学习方法：本章重点理解多智能体系统的概念，多智能体信息融合模型，难点是融合冲突消解和多智能体学习控制方法。 
1.1 多机器人集群 
1.2 多智能体信息融合 
1.3 多智能体协调的学习控制方法 
1.4 多智能体板块-课堂实录（新增无人机、路径规划、机器人等介绍） 
搜索求解板块Ⅰ 
教学目标：理解搜索问题及基本的搜索算法。授课方式：线上授课。成绩占比：平时作业占比10%，测验占比20%，考试占比60%，课堂讨论回复占比10%。学习方法：本章重点理解和使用各种搜索方法并了解其优缺点。 
1.1 搜索-问题定义 
1.2 搜索-树搜索 
1.3 搜索-广度优先 
1.4 搜索-深度优先 
1.5 搜索-一致代价 
搜索求解板块Ⅱ-启发搜索与博弈搜索 
教学目标：讲述启发式搜索与博弈搜索的相关概念。授课方式：线上授课。成绩占比：平时作业占比10%，测验占比20%，考试占比60%，课堂讨论回复占比10%。学习方法：对于启发式搜索要求同学们牢固掌握A*算法。对于博弈搜索，在掌握纳什均衡、零和博弈思想基础上，再理解几大经典算法。 
2.1 启发搜索-启发函数 
2.2 启发搜索-A*算法 
2.3 博弈搜索-对抗游戏 
2.4 博弈搜索-MINMAX算法 
2.5 博弈搜索-alpha_beta算法 
搜索求解板块Ⅲ-约束满足 
教学目标：讲述约束满足问题及其理论。授课方式：线上授课。成绩占比：平时作业占比10%，测验占比20%，考试占比60%，课堂讨论回复占比10%。学习方法：本章重点理解约束满足理论。 
3.1 约束满足-问题定义 
3.2 约束满足-回溯搜索 
3.3 约束满足-约束传播 
3.4 约束满足-树结构 
机器学习板块-数学基础 
教学目标：讲述数学基础知识，作为补充学习。授课方式：线上授课。成绩占比：平时作业占比10%，测验占比20%，考试占比60%，课堂讨论回复占比10%。学习方法：本章重点理解数学知识，掌握基本的数学方法，为强化学习板块的学习打好基础。 
1.1 机器学习-绪论（课堂实录） 
1.2 数学基础-高等代数 
1.3 数学基础-高等数学I 
1.4 数学基础-高等数学II 
1.5 数学基础-高等数学III 
1.6 数学基础-概率初步 
1.7 数学基础-统计回归 
1.8 数学基础-增量计算 
知识推理板块 
教学目标：讲述知识推理的相关知识。授课方式：线上授课。成绩占比：平时作业占比10%，测验占比20%，考试占比60%，课堂讨论回复占比10%。学习方法：本章是难点，内容比较抽象，需要在理解的基础上，掌握知识表示方法，确定性推理方法和不确定推理方法。 
1.1 知识表示-一阶谓词 
1.2 知识表示-产生式 
1.3 确定性推理-推理概念 
1.4 确定性推理-自然演绎 
1.5 不确定性推理-概率回顾I 
1.6不确定性推理-概率回顾II 
1.7 不确定性推理-概率回顾III 
1.8 不确定推理-贝叶斯网络I 
1.9 不确定性推理-贝叶斯网络II 
1.10 不确定性推理-贝叶斯网络III 
1.11 不确定性推理-D-分离I 
1.12 不确定性推理-D-分离II 
1.13 不确定性推理-D-分离III 
实践内容板块 
教学目标：将所学知识融会贯通，学会运用。授课方式：线上授课。学习方法：运用所学知识完成相关实践。 
1.1 DQN程序 
1.2 A3C程序 
1.3 Pybullet安装 
1.4 GYM 
1.5 通用强化学习框架 
1.6 裂缝检测实践 
论文报告 
教学目标：学习论文阅读思路，了解学科前沿知识。 
IJCAI 2022-Efficient Neural Neighborhood Search for Pickup and Delivery Problems 
NeurIPS 2020-Early-Learning Regularization Prevents Memorization of Noisy Labels 
NeurIPS 2021-Medical Dead-ends and Learning to Identify High-Risk States and Treatments 
ICML 2023-LoSparse: structured compression of large language models based on low-rank and sparse approximation 
NeurIPS 2022-Outlier Suppression: Pushing the Limit of Low-bit Transformer Language Models