人工智能课件，对学习人工智能入门是个不错的资料

吉林大学计算机学院研究生人工智能课件第一章，欧阳丹彤老师主讲

关于证据的不确定性 （1）不确定性的表示 　　一般通过对事实赋于一个介于0和1之间的系数来表示事实的不确定性。1代表完全确定，0代表完全不确定。这个系数被称为置信度。 （2）不确定性的处理 　　当规则具有一个以上的条件时，就需要根据各条件的置信度来求得总条件部分的置信度。已有的方法有两类： 　　① 以模糊集理论为基础的方法 　　按这种方法，把所有条件中最小的置信度作为总条件的置信度。这种方法类似于当把几根绳子连接起来使用时，总的绳子强度与强度最差的绳子的相同。 ② 以概率为基础的方法 　　这种方法同样赋予每个证据以置信度。但当把单独条件的置信度结合起来求取总的置信度时，它取决于各置信度的乘积。

中国科学院大学高级人工智能课件，集多个老师的课件，

此压缩包包含人工智能及其应用蔡自兴第四版第一章，第二章，第三章，第五章，第六章，第七章，第八章ppt，模糊计算、深度学习、神经计算资料。

浙江大学人工智能课程课件，内容有： Introduction Problem-solving by search( 4 weeks) Uninformed Search and Informed (Heuristic) Search （1 week） Adversarial Search: Minimax Search, Evaluation Functions, Alpha-Beta Search, Stochastic Search Adversarial Search: Multi-armed bandits, Upper Confidence Bound (UCB),Upper Confidence Bounds on Trees, Monte-Carlo Tree Search(MCTS) Statistical learning and modeling (5 weeks) Probability Theory, Model selection, The curse of Dimensionality, Decision Theory, Information Theory Probability distribution: The Gaussian Distribution， Conditional Gaussian distributions， Marginal Gaussian distributions， Bayes’ theorem for Gaussian variables， Maximum likelihood for the Gaussian， Mixtures of Gaussians, Nonparametric Methods Linear model for regression: Linear basis function models； The Bias-Variance Decomposition Linear model for classification ： Basic Concepts; Discriminant Functions (nonprobabilistic methods); Probabilistic Generative Models; Probabilistic Discriminative Models K-means Clustering and GMM & Expectation–Maximization (EM) algorithm, BoostingThe Course Syllabus Deep Learning (4 weeks) Stochastic Gradient Descent, Backpropagation Feedforward Neural Network Convolutional Neural Networks Recurrent Neural Network (LSTM, GRU) Generative adversarial network (GAN) Deep learning in NLP (word2vec), CV (localization) and VQA(cross-media) Reinforcement learning (1 weeks) Reinforcement learning: introduction

这是中科院人工智能的课件，参考书是人工智能--一种现代方法。还包括这本书的习题答案。

整套人工智能课件（全），对于学习应该挺有用的

人工智能课件185.ppt

归结原理，不确定性推理，搜索，机器学习，遗传算法，蚁群算法，神经网络等