XiaoMi-AI文件搜索系统
World File Search System约束满足
约束满足问题 (CSP)
– 为每个变量创建一个节点。所有可能的域值最初都分配给变量 – 如果存在二元约束，则在节点之间绘制边。否则，在约束涉及两个以上变量的节点之间绘制超边 • 约束传播：
人工智能约束满足问题
动机：这是讲座系列中的一个小删减。我们不再关注顺序决策问题，而是转向存在许多耦合变量的问题。问题是找到与这些变量的耦合一致的值（或稍后的概率分布）。这是一个非常通用的问题设置，它适用于许多问题，而不仅仅是地图着色和数独。事实上，许多计算问题可以归结为约束满足问题或它们的概率类似物，即概率图模型。这还包括顺序决策问题，正如我在一些额外的讲座中提到的那样。此外，用于解决 CSP 的方法与离散优化非常密切相关。从我的角度来看，引入 CSP 的主要动机是作为引入其概率版本图模型的先行者。这些是机器学习、机器人技术、人工智能等领域中制定概率模型的核心语言。马尔可夫决策过程、隐马尔可夫模型以及我们在本讲座中无法讨论的许多其他问题设置都是图形模型的特殊情况。在 CSP 和图形模型这两种设置中，核心是理解进行推理的含义。树搜索、约束传播和信念传播是此上下文中最重要的方法。在本讲座中，我们首先定义 CSP 问题，然后介绍基本方法：使用一些启发式方法的顺序分配、回溯和约束传播。
这些都是约束满足问题（CSP）
搜索问题 • 将实际问题表述为 CSP • 描述并实现回溯算法 • 定义弧一致性 • 描述并实现前向检查和 AC-3 • 解释 MRV 和 LCV 启发式方法之间的区别 • 理解一般二进制 CSP 和树结构的复杂性
人工智能地图Beta 2.0
规划约束满足问题/可满足性问题 (CSP/SAT) 遗传算法 知识共享/管理 知识获取/发现 人工智能公平性 社会问题应用 市场设计 多智能体决策/共识构建 信息可视化 群体智能 稀疏建模
CSc 74011 人工智能（3 小时；3 个学分）
学生必须完成几个项目。项目将包括基本 AI 技术的实际应用以及针对给定问题选择适当的技术。在最终项目中，学生小组将参与创建基于 AI 的应用程序，以解决现实世界的问题，包括搜索、计算机视觉、机器学习、逻辑和约束满足问题。项目成绩基于三个方面：项目概念、结果、演示质量和报告质量。最终项目将使您能够实施在 AI 硕士课程中学到的技能。
COMP-424：人工智能
本课程介绍人工智能领域。我们将讨论如何定义自动系统中的智能，然后讨论如何设计和实现表现出智能行为的系统。课程的第一部分涵盖该领域的基本技术，包括搜索算法和约束满足问题。课程的第二部分涉及知识表示和涉及逻辑表示的规划。然后，我们将研究如何使用概率表示和效用理论开发在不确定的情况下执行复杂推理的代理。最后，我们将以人工智能的当前和未来潜在应用结束本课程。
CS591：人工智能精选主题
人类解决问题的方式多种多样。人工智能 (AI) 中的问题解决就受到这些不同方法的启发。AI 问题解决器可能基于搜索、记忆或知识表示和推理。解决问题的一种方法是将问题提出为约束满足问题 (CSP)，并采用一般方法来解决它们。然后，用户的任务只是将问题提出为 CSP，然后调用现成的求解器。CSP 适合将基于搜索的方法与推理相结合。在这门 2 学分的课程中，我们将研究解决有限域 CSP 的一般方法，并探索如何将搜索与约束传播相结合以找到解决方案。
学科名称：人工智能原理
建模和搜索。问题表示方法（状态空间表示、问题分解、约束满足问题、逻辑表示），使问题可以被视为路径查找问题。路径查找问题的图形表示。AND/OR 图。搜索系统的总体方案。搜索系统的控制策略和启发式方法。启发式搜索。著名的不可撤销策略：爬山搜索、禁忌搜索、模拟退火算法。尝试性策略：回溯算法和图搜索算法（A*、B、EMA* 等）。进化算法。双人游戏。游戏的表示。获胜策略。子树评估：极小最大算法和 alpha-beta 剪枝。机器学习简介。监督学习和一些示例（k-最近邻方法、决策树、随机森林、深度学习）。无监督学习和一些示例（k-均值算法、主成分分析）。
人工智能基础（CS 5100）
课程概述 人工智能 (AI) 是几乎所有 21 世纪技术突破的基础。从自动驾驶汽车到自动翻译应用程序，AI 正在改变我们社会的方方面面，并在医疗保健、教育、金融、交通和环境可持续性等领域有着广泛的应用。在本课程中，我们将揭示“自动推理”的核心思想，这些思想使我们能够理解 AI 的基础主题。具体来说，我们将探索和解读以下主题： 模块 1（搜索） 无信息搜索、有信息搜索、本地搜索、对抗性搜索 模块 2（计划和调度） 约束满足、约束优化 模块 3（不确定性下的决策） 马尔可夫决策过程、强化学习 模块 4（图模型） 贝叶斯网络、隐马尔可夫模型 模块 5（机器学习） 监督学习、无监督学习、深度学习
ME 620 人造基础
课程内容/教学大纲简介：范围；历史、趋势和未来方向。通过搜索解决问题：生产系统和人工智能；图搜索策略：无信息搜索、启发式搜索技术；约束满足问题；随机搜索方法；搜索博弈树：极小极大、Alpha-Beta 剪枝。知识表示和推理：人工智能中的谓词演算：语法和语义、表达力、统一性、解析度；解析度反驳系统；情境演算。不确定性下的推理：不确定性概念；不确定知识和推理、概率；贝叶斯网络。规划：使用状态空间搜索进行规划；规划图；偏序规划。决策：顺序决策问题、最优策略算法。机器学习：从观察中学习：不同形式学习的概述、学习决策树、计算学习理论、统计学习方法、神经网络和联结主义学习。