Fundamentals of Machine Intelligence

课程简介

课程大纲： 1. 机器智能简介 机器智能的概念；机器智能各阶段中统计学的应用，包括数据准备、模型选择、模型评估、模型展示和预测，以及实例应用 2. 统计学在机器智能中的应用 描述性统计；推断性统计；机器智能中重要的统计发现，如大数定律和中心极限定理；假设检验和显著性检验。 3. 参数估计 参数估计的介绍；经典的参数估计方法，如贝叶斯定理、最大似然估计、最大后验估计；参数估计在机器智能中的应用实例，包括数据预处理、参数识别、模型生成、验证和选择标准。参数估计和线性回归技术的应用。 4. 非参数估计 非参数估计的基本概念介绍；介绍诸如K近邻、人工神经网络和径向基函数等技术。非参数估计的应用实例。 5. 机器智能的前景 从马尔可夫链到当前的大规模语言模型（LLM），以及基于LLM的智能代理的基本概念。 实验课： 1. 实验1：统计学在机器智能中的应用 2. 实验2：参数估计 3. 实验3：非参数估计

学习目标

1. 介绍构成机器智能基础的各种算法的基本知识。 2. 培养学生关于机器智能的实用知识。

先修要求

无

教学模式

授课：向学生传授本课程的基本原理和关键概念。 辅导课：补充授课内容：学生可以澄清概念并深入理解授课材料；给出并讨论问题和应用。 实验课/小型项目：学生将评估不同方法的机器智能。