【導讀】本課程探討現代人工智能基礎上的概念和算法,深入探討游戲引擎、手寫識別和機器翻譯等技術的思想。通過實踐項目,學生在將圖形搜索算法、分類、優化、強化學習以及其他人工智能和機器學習的主題融入到他們自己的Python程序中,從而獲得圖形搜索算法、分類、優化和強化學習背后的理論知識。課程結束時,學生將獲得機器學習庫的經驗,以及人工智能原理的知識,使他們能夠設計自己的智能系統。
目錄
講師簡介
David J. Malan是Gordon McKay工程與應用科學學院的計算機科學實踐教授,也是哈佛大學教育研究生院的教員。他于1999年、2004年和2007年分別獲得哈佛大學計算機科學學士學位、碩士學位和博士學位。他教授計算機科學50課程,也被稱為CS50,這是哈佛大學最大的課程,耶魯大學最大的課程之一,也是edX最大的MOOC課程,注冊人數超過150萬。他還在哈佛商學院、哈佛法學院、哈佛延伸學院和哈佛暑期學院任教。他所有的課程都是免費開放課程。
我是布賴恩,哈佛大學繼續教育學院的資深導師。我于2019年從哈佛大學畢業,獲得了計算機科學和語言學學位。我目前在哈佛大學計算機科學導論課程CS50的團隊中工作,在那里我專注于教學、課程開發、拓展和軟件工具。我也是通過edX、哈佛擴展學院和哈佛暑期學院提供的Python人工智能入門和Python和JavaScript Web編程的講師。 我曾與許多其他計算機科學課程合作過,包括CS51,哈佛計算機抽象與設計課程,CS124,哈佛算法導論,以及CS100,哈佛數字人文領域的軟件工程課程。除了計算機科學教育,我還在Palantir做過軟件工程實習生,在哈佛深紅報做過新聞主管和數字戰略家,我還在 3P Speech和全國演講與辯論協會工作過。我對計算、語言和教育感興趣。
個人鏈接:
部分PPT:
本書涵蓋了這些領域中使用Python模塊演示的概率、統計和機器學習的關鍵思想。整本書包括所有的圖形和數值結果,都可以使用Python代碼及其相關的Jupyter/IPython Notebooks。作者通過使用多種分析方法和Python代碼的有意義的示例,開發了機器學習中的關鍵直覺,從而將理論概念與具體實現聯系起來。現代Python模塊(如panda、y和Scikit-learn)用于模擬和可視化重要的機器學習概念,如偏差/方差權衡、交叉驗證和正則化。許多抽象的數學思想,如概率論中的收斂性,都得到了發展,并用數值例子加以說明。本書適合任何具有概率、統計或機器學習的本科生,以及具有Python編程的基本知識的人。
課程簡介: 本課程將向學生介紹NLP的基礎知識,涵蓋處理自然語言的標準框架以及解決各種NLP問題的算法和技術,包括最新的深度學習方法。 涵蓋的主題包括語言建模,表示學習,文本分類,序列標記,語法解析,機器翻譯,問題解答等。
課程安排:
嘉賓介紹:
陳丹琦,普林斯頓大學計算機科學的助理教授,在此之前,是西雅圖Facebook AI Research(FAIR)的訪問科學家。 斯坦福大學計算機科學系獲得博士學位,并在斯坦福NLP集團工作。研究方向:自然語言處理,文本理解、知識解釋。
Karthik Narasimhan,普林斯頓大學計算機科學系助理教授,研究跨越自然語言處理和強化學習。