斯坦福大學的人工智能課程“CS 221”至今仍然是人工智能學習課程的經典之一。為了方便廣大不能親臨現場聽講的同學，課程官方推出了課程筆記CheatSheet，涵蓋4大類模型。

斯坦福大學的人工智能課程“CS 221”，這門鐵打的課程從2011年開始已經走過了8個年頭，流水的講師換了一批又一批，送走的畢業生一撥又一撥，至今仍然是人工智能學習的經典課程之一。目前2019年春季課程正在如火如荼的開展中。

這門課程是沒有教科書的，所有內容都蘊含在講師的教案以及課后作業中。不過為了方便廣大不能親臨現場聽講的同學，課程官方推出了課程筆記CheatSheet，涵蓋4大類模型。

筆記已在GitHub開源，5份PDF供大家下載保存打印當成鼠標墊設成壁紙做成窗簾裁成小冊子…隨便你選擇自己合適的操作方式。地址：

https://github.com/afshinea/stanford-cs-221-artificial-intelligence/blob/master/cheatsheet-reflex-models.pdf

因為每年課程可能都會有更新，所以在介紹筆記之前，讓我們先對今年春季課程有一個先入的了解，便于新進同學少走彎路。

這門課程是關于什么的？

網絡搜索，語音識別，人臉識別，機器翻譯，自動駕駛和自動調度有什么共同之處？這些都是復雜的現實問題，人工智能的目標是用嚴格的數學工具解決這些問題。

在本課程中，你講學習這些應用程序的基本原則并實踐其中一些系統。具體主題包括機器學習，搜索，游戲，馬爾可夫決策過程，約束滿足，圖形模型和邏輯。該課程的主要目標是提供解決生活中可能遇到的新AI問題的工具。

預備知識

這門精進課程涵蓋眾多領域，而且課程進度飛快，要求學者必須在理論和經驗方面都有堅實的基礎。在開始學習該課程之前，確保你已經看過以下課程（或者其他途徑學到的同等級課程）

編程 (CS 106A, CS 106B, CS 107)

離散數學 (CS 103)

概率 (CS 109)

接下來新智元來介紹一下筆記內容。

基于反射的機器學習模型

在本節介紹了基于反射的模型，這些模型可以通過經歷具有輸入-輸出的樣本來改善經驗。這一節主要介紹了以下概念

線性預測變量

損失最小化

非線性預測變量

隨機梯度下降

微調模型

部分子概念：

線性分類

K最近鄰

神經網絡

梯度下降

反向傳播

近似和估計誤差

具有搜索優化和MDP的基于狀態的模型

本節主要介紹了搜索優化、馬爾可夫決策過程和游戲。

部分子概念：

樹搜索

搜索問題

廣度優先搜索

深度優先搜索

圖

統一成本搜索

A星搜索

馬爾科夫決策

具有CSP和貝葉斯網絡的基于變量的模型

本節主要講了約束滿足問題和貝葉斯網絡。

部分子概念：

因子圖

Markov blanket

貝葉斯網絡

基于邏輯的模型，具有命題和一階邏輯

本節主要介紹了該模型概念、命題邏輯和一階邏輯。

部分子概念：

概念

解釋功能

分辨率推理規則

官方筆記地址：

https://stanford.edu/~shervine/teaching/cs-221/cheatsheet-reflex-models

祝大家學習愉快！哦，別忘了在評論區曬出你們都是怎么使用這份CheatSheet的。