- (新)第75集 10.7 隐马尔可夫模型的近似求解：粒子滤波
- (新)第74集 10.6 隐马尔可夫模型的极大似然解释
- (新)第73集 10.5 隐马尔可夫模型的过滤任务
- 第72集 10.4 隐马尔可夫模型
- 第71集 10.3 马尔可夫模型的稳定性
- 第70集 10.2 马尔可夫模型的迷你前向算法
- 第69集 10.1 马尔可夫模型
- 第68集 9.9 似然权重采样
- 第67集 9.8 拒绝采样
- 第66集 9.7 直接采样
- 第65集 9.6 近似概率推理：采样
- 第64集 9.5 变量消元中的消元顺序选择
- 第63集 9.4 变量消元精确推理
- 第62集 9.3 枚举法精确推理
- 第61集 9.2 因子介绍
- 第60集 9.1 概率推理
- 第59集 8.9 贝叶斯网络的独立性隐含关系
- 第58集 8.8 D分离方法：样例演示
- 第57集 8.7 D分离方法
- 第56集 8.6 贝叶斯网络的独立性
- 第55集 8.5 贝叶斯网络的基本语义
- 第54集 8.4 贝叶斯网络简介
- 第53集 8.3 独立性
- 第52集 8.2 贝叶斯公式
- 第51集 8.1 概率基础
- 第50集 7.5 值函数近似的策略控制及强化学习总结
- 第49集 7.4 值函数近似的策略评估：时序差分
- 第48集 7.3 值函数近似的策略评估：蒙特卡洛方法
- 第47集 7.2 值函数近似方法
- 第46集 7.1 状态的泛化
- 第45集 6.9 策略控制：时序差分方法
- 第44集 6.8 策略控制：蒙特卡洛的策略提升
- 第43集 6.7 策略控制：蒙特卡洛的策略评估
- 第42集 6.6 策略控制：基本设定
- 第41集 6.5 策略评估：模型无关的强化学习（算法比较）
- 第40集 6.4 策略评估：模型无关的强化学习（时序差分算法）
- 第39集 6.3 策略评估：模型无关的强化学习（蒙特卡洛算法）
- 第38集 6.2 策略评估：基于模型的强化学习
- 第37集 6.1 强化学习：无模型设定
- 第36集 5.7 策略迭代
- 第35集 5.6 策略评估
- 第34集 5.5 期望最大搜索树中的值迭代
- 第33集 5.4 值迭代
- 第32集 5.3 马尔可夫决策过程样例
- 第31集 5.2 马尔可夫决策过程
- 第30集 5.1 序列决策问题
- 第29集 4.7 回溯提升——树结构
- 第28集 4.6 回溯提升——过滤
- 第27集 4.5 回溯提升——变量和值的选择
- 第26集 4.4 回溯搜索
- 第25集 4.3 约束满足问题的性质
- 第24集 4.2 约束图
- 第23集 4.1 约束满足问题的定义
- 第22集 3.7 期望效用
- 第21集 3.6 其他搜索类型
- 第20集 3.5 期望对抗搜索
- 第19集 3.4 剪枝算法
- 第18集 3.3 估值函数
- 第17集 3.2 对抗搜索
- 第16集 3.1 博弈的类型
- 第15集 2.7 启发式函数的性质
- 第14集 2.6 启发式函数的构建
- 第13集 2.5 启发式函数的一致性
- 第12集 2.4 启发式函数的可采纳性
- 第11集 2.3 A*算法和最优性
- 第10集 2.2 贪心搜索算法
- 第9集 2.1 启发式函数
- 第8集 1.7 代价一致搜索算法
- 第7集 1.6 代价无关搜索算法
- 第6集 1.5 树搜索和图搜索
- 第5集 1.4 搜索算法的基本设定和评测
- 第4集 1.3 搜索图和搜索树
- 第3集 1.2 搜索空间
- 第2集 1.1 搜索问题定义
- 第1集 1.0 课程导引
本课程授课内容包括搜索、对抗博弈、强化学习和概率图模型等经典算法和前沿知识，手把手带你走进人工智能的理论、模型和算法基础。（复旦大学）
人工智能导论相关文章：
扫一扫手机观看！
最新更新的教程榜单
- 人工智能与科学之美10-06
- ARM体系结构与程序设计10-06
- 信息检索10-06
- 玩转计算机网络——计算机网络原理10-06
- Blockly创意趣味编程08-05
- 操作系统08-05
- 人工智能导论08-05
- 车载网络技术08-05
- Office高级应用08-05
- 计算机网络08-05
