UMICHCVImageClassification---KNN 在本节课中，首先justin老师为我们介绍了图像分类了基础概念以及其用途，这里就不多涉及了 接着我们思考图像分类问题，如果我们想要直接通过某种算法来实现图像分类，显然是比较棘手的，于是引入了机器学习的思想，即用数据驱动，用数据去训练我们的分类器，再用新的图像来评估我们分类器的性能 然后介绍了几个常见的用于图像分类的数据集，比如说MINIST，CIFAR100，CIFAR10,IMAGENET,Place365等等 接下来介绍了图形分类中一种常用的算法，也是我们作业中要去完成的算法即NearestNeighborClassifie...

UMICHCVLinearClassifiers 对于使用线性分类器来进行图片分类，我们可以给出这样的参数化方法：而对于这样一个式子，我们怎么去理解呢？首先从代数的角度，这个f(x,W)就是一张图片的得分，我们可以将一张图片所有的像素点输入，乘以一个权重矩阵，再加上一个偏置项b，就得到f(x,W)举个具体的例子：上面权重矩阵有三行分别对应三种类别，有四列每列对应着一个像素点的权重，最终得到的结果也是一个三行的矩阵，每一行对应着该图片在每个类别上面的得分下面这张图应该会更加直观：对于f(x,W)=Wx+b这个式子，我们也可以选择把偏置项合并，呈现下面这个形式： 其次我们从可视化的角度来看，线性分...

cs50ai0-------Search cs50ai0-------Search 基础知识 课后题目 代码实践 学习链接 总结 基础知识 (1)searchproblem上图是搜索问题的一般形式每个名词具体解释如下：initialstate：state是agent与environment的一个配置或者说构造，initialstate就是初始的stateactions：在state下可以做出的所有actiontransitionmodel：对在任何state下执行可执行的action所产生的状态的描述goaltest：确认当前state是否是goalstatepathcostfunc...

cs50ai1-------Knowledge cs50ai1-------Knowledge 基础知识 课后题目 代码实践 学习链接 总结 基础知识 对我们来说，一些基本的logic是自然而然的，我们可以根据已知的事实，来作出判断或者进行推理，但是ai是如何模拟这一点呢 从最简单的命题逻辑开始，这节课介绍了命题逻辑的一些基本知识，比如命题符合、逻辑连接词，引入了sentence、model、knowledgebase、entailment与inference的概念： sentence：anassertionabouttheworldinaknowledgerepresentatio...

cs50ai2-------Uncertainty cs50ai2-------Uncertainty 基础知识 课后题目 代码实践 学习链接 总结 基础知识 在这节课中，前面主要介绍了一些概率论的基础知识，比如说条件概率、贝叶斯规则、联合概率以及一些概率公式等等贝叶斯规则：概率公式： 接着介绍了贝叶斯网络它是用来表示随机变量之间的依赖关系的一种数据结构比如说像上面这样一个简化的贝叶斯网络，具有基本的四个特征：（1）有向图结构（2）图中的每个结点代表着一个随机变量（3）x指向y的箭头代表着x是y的父节点，即y的概率分布依赖于x的值（4）每个节点都存储着P(X|Parents(X))的...

cs50ai3-------Optimization cs50ai3-------Optimization 基础知识 课后题目 代码实践 学习链接 总结 基础知识 这节课主要讲了一些优化问题对应的算法求解，其实具体使用时还是需要具体分析，看哪些问题能够转化为我们学习的算法能够求解的形式localsearch与hillclimbing与linearprogramming这三种算法都比较直观简单，这里就不多讲值得一提的是，课上讲了爬山算法的几种变体，具体如下图所示：但是也不是变体就能一定解决陷入局部最优解的问题，也没有某种最好的方法，只有最适合的方法 接着是退火算法的介绍，顾名思义，这种...