Introduction to Artificial Intelligence Wolfgang Ertel

the ppt for cmpt 310

在本文中，我们将研究单隐藏层多层感知器（MLP）。

Lumos模仿太阳的自然光，因为它每天在头顶上方通过，在早晨产生蓝光，在晚上产生琥珀色的光。

人工智能（AI） 基于项目的人工智能（AI）游乐场。 专案 贡献 欢迎大多数贡献。 联络人 如有任何疑问，请随时与我联系（ ）。

适用于Python的深度学习医学十项全能演示* 具有医学十项全能数据集的U-Net生物医学图像分割。 该存储库包含用于使用数据集（ ）训练模型的和 U-Net TensorFlow脚本。 。 引文 David Ojika，Bhavesh Patel，G。Athony Reina，Trent Boyer，Chad Martin和Prashant Shah。 与第三次机器学习和系统会议（MLSys）共同举办的“解决AI模型培训中的内存瓶颈”，德克萨斯州奥斯汀市，MLOps系统研讨会（2020）。

像素级对比学习 在Pytorch的论文提出了像素级对比学习的实现。 除了在像素级别进行对比学习之外，在线网络还将像素级别表示形式传递给像素传播模块，并向目标网络施加相似度损失。 他们在细分任务中击败了所有以前的非监督和监督方法。 安装 $ pip install pixel-level-contrastive-learning 用法 下面是一个示例，说明了如何使用该框架进行Resnet的自我监督训练，并获取第4层（8 x 8个“像素”）的输出。 import torch from pixel_level_contrastive_learning import PixelCL from torchvision import models from tqdm import tqdm resnet = models . resnet50 ( pretrained = True ) learn

Swin变形金刚-PyTorch 体系结构的实现。 本文介绍了一种称为Swin Transformer的新型视觉变形金刚，它可以用作计算机视觉的通用骨干。 在两个领域之间的差异，例如视觉实体规模的巨大差异以及与文字中的单词相比，图像中像素的高分辨率，带来了使Transformer从语言适应视觉方面的挑战。 为了解决这些差异，我们提出了一个分层的Transformer，其表示是通过移动窗口来计算的。 通过将自注意计算限制为不重叠的局部窗口，同时允许跨窗口连接，移位的加窗方案带来了更高的效率。 这种分层体系结构具有在各种规模上建模的灵活性，并且相对于图像大小具有线性计算复杂性。 Swin Transformer的这些品质使其可与多种视觉任务兼容，包括图像分类（ImageNet-1K的准确度为86.4 top-1）和密集的预测任务，例如目标检测（COCO测试中为58.7框式AP和51.1遮罩式

人工智能导论（Introduction to Artificial Intelligence），722页ppt，核心内容包括：“人工智能：一种现代的方法”【第三版，作者：罗素 (Stuart J.Russell) / 诺维格 (Peter Norvig)】详细的讲了人工智能领域，并教会从头开始编写、调试和运行（某些）AI算法。

CS188.1x-人工智能（edX） 这些是 02.2015 edX/BerkleyX 课程的作业，可在此处找到： ://www.edx.org/course/artificial-intelligence-uc-berkeleyx-cs188-1x-0 项目一 深度优先搜索 (DFS) 广度优先搜索 (BFS) 统一成本搜索 (UCS) 一星搜索 (A*) 各种启发式 文件编辑： search.py searchAgents.py 项目二 反射剂的评价函数 具有多个对手的极小极大 Alpha Beta 修剪 平均期望值 状态（而不是动作）的评估函数 文件编辑： multiAgents.py 项目3 价值迭代离线规划代理 策略计算和参数 Q-学习 Epsilon 贪婪（q-learning） 近似 q-learning 和状态抽象 具有特征和权重的近似 q-learni