Class 1 - AI Perspectives

来自 beautifulremi 发表在 HKU 发表于

1. 人工智能的历史与宏观视角 1.1. History of AI 1. 人工智能 (Artificial Intelligence, AI) - 始于 1950 年代 * PPT内容解读： * 在1952年，Arthur Samuel开发的跳棋程序是世界上最早的能够自主学习的程序之一，它可以通过与自己对弈来提升棋艺。这代表了早期AI的核心目标：在特定任务上（如下棋、逻辑推理）模拟甚至超越人类的智能。 * AI的诞生： “人工智能”这一术语正式诞生于1956年的达特茅斯会议。当时，一批顶尖科学家共同探讨了用机器模拟人类智能的可能性，为AI学科奠定了基础。 * 早期AI（符号主义AI）：这个时期的主流方法是符号主义AI（也被称为“老式AI”或GOFAI）。它的核心思想是，智能行为可以通过对符号进行逻辑操作来模拟。这本质上是一种基于规则 (Rule-Based) 的方法，需要人类将知识和逻辑规则明确地编写成程序。 * AI寒冬 (AI Winter)：虽然早期AI非常激动人心，但也因为技术瓶颈和过度承诺，导致在70年代末和80年代末出现了两次“…

Class 4 - Objective Function, Validation and Regularization

来自 beautifulremi 发表在 HKU 发表于

1. Loss Runction and Risk 1.1. 三种类型的问题 对于一个已经训练好的监督学习模型 $h(\cdot)$ ，以及一组给定的数据 $(x_i,y_i),i=1,...,n$ ，我们该如何评估这个模型的性能？ * 模型 $h(\cdot)$：我们给它一个输入，它会给我们一个预测输出。 * 数据 $(x_i,y_i)$：这是我们拥有的“标准答案”数据集，其中： * $x_i\in\mathcal{R}^d$ 代表第 $i$ 个样本的输入特征 。它是一个 $d$ 维的向量，也就是说，每个样本都由 $d$ 个数值特征来描述。…

Class 3 - Variational Inference, VI

来自 beautifulremi 发表在 HKU 发表于

1. Variational Inference 1.1. 基本思想 首先，贝叶斯定理（Bayes' Theorem）的SOP如下： $$p(\theta|y)=\frac{p(y|\theta)p(\theta)}{\int p(y|\theta)p(\theta)d\theta}=\frac{p(y|\theta)p(\theta)}{p(y)}$$ $p(y)=\int p(y|\theta)p(\theta)d\theta$ 这个分母被称为“证据” (Evidence)…

Class 1

来自 beautifulremi 发表在 HKU 发表于

统计推断 (Statistical Inference) 基本定义 * 统计推断的核心是从已有的数值数据（样本）出发，对那些我们无法直接观测到的量（总体）做出结论。- 这个过程通常包含两个主要步骤： 1. 选择统计模型: 首先，针对产生数据的过程，选择一个合适的统计模型。 2. 从模型推断: 然后，基于这个模型进行演绎，得出结论或“命题”。 统计推断得出的结论有多种形式，常见的包括： * 点估计 (Point estimate): 用样本统计量（如样本均值$\overline{X}$）来估计未知的总体参数（如总体均值 $μ$） 。 * 区间估计 (Interval estimate): 例如置信区间，即给出一个参数可能存在的范围。 * 假设检验的结论: 对关于总体的某个假设（如 $H_0 :μ≤μ0$ ）做出拒绝或不能拒绝的判断 。 * 聚类或分类结果: 将数据点进行分组（…

Class 4 - Multiple Integrals

来自 beautifulremi 发表在 HKU 发表于

1. 多重积分的引入与定义 $\int_a^bf(x)dx$ 是计算函数 $f(x)$ 的曲线在 x 轴上 [a, b] 这段线段上方所围成的面积。 现在，我们把这个概念升级到二维空间。例如， $\iint_{Q}f$ 就是计算一个函数曲面 $z=f(x,y)$ 在 xy 平面上的一个矩形区域 $Q=[a,b]\times[c,d]$ 方所围成的体积。 再进一步，$\iiint_Qf$ 是在一个三维的长方体区域 $Q$ 内对一个函数 $f(x,y,z)$ 进行积分。这个在物理世界中很难直观地想象成“四维体积”…

Class 3

来自 beautifulremi 发表在 ARIN7001 发表于

1. 引言 想象在三维空间中有一个光滑的曲面 S，比如一个完美的球面或者一个平缓的山坡。我们在这个曲面上选取一个点 a。这个点所在的区域必须是“光滑”的，不能有任何“褶皱 (fold)”、“尖点 (cusp)”或者“自我相交 (self-crossing)”的地方。比如，一个圆锥体的顶点就不是光滑的。 * 我们怎么定义在 a 点的切平面呢？PPT给出的方法是： * 想象有一张无限大的、平坦的纸（我们称之为平面 $Π$），一开始它在曲面 S 的外部。 * 现在，我们慢慢地把这张纸向曲面 S 移动，直到它刚刚好在 a 点附近“接触”到曲面。 * 关键在于，这个接触是“相切”的，意味着平面只在 a 这一个点上碰到了曲面，而没有“切入”…

Class 2

来自 beautifulremi 发表在 ARIN7001 发表于

2.1 全微分 (The Total Derivative) 高维导数概念 对于一个定义域为 $\mathcal{D}$ 的实数函数 $f:\mathcal{D}\to\mathbb{R}$ ，它在定义域的一个内点 (interior point) $a$ 可微 (differentiable)，指的是下面这个极限存在 ： $$\lim_{h\to0}\frac{f(a+h)-f(a)}{h}$$ 这个极限值就是我们熟知的导数，记为 $f^{\prime}(a)$ 这里的 $h$ 是一个实数（标量），代表着在输入上的微小变化量 。$f$ 被称为标量场 (scalar field)，因为它的输出是一个标量（单个实数）…

Class 1

来自 beautifulremi 发表在 HKU 发表于

实向量空间 集合 $\mathbb{R}^n$ 是一个向量空间。这里的 $\mathbb{R}$ 代表所有实数的集合，而上标 $n$ 代表维度。$\mathbb{R}^n$ 中的元素是像 $(a1 ,a2 ,…,an )$ 这样的有序元组。这里的每一个 $a_i $ 都是一个实数。 * 我们看待这些元素有两种视角： * 点 (Points) - 几何视角：当我们把 $(a1 ,a2 ,…,an )$ 看作是 $n$ 维空间中的一个位置或坐标时，我们把它称作一个“点”。为了强调它的几何属性，我们通常用大写字母来表示，比如 $A,B,C$。你可以想象在地图上标记一个位置，那就是一个点。 * 向量 (Vectors) -…