Published on 2025-03-07
第三篇 计算机是如何找到最优路径的（三） 清华大学计算机系 马少平 第三节：迪杰斯特拉算法 小明：在单位代价下，宽度优先搜索算法可以找到代价最小的路径，但是很多问题并不是单位代价的。比如说对于八数码问题，如果移动将牌的代价为将牌的数码，如数码为5的将牌移动一次的代价为5，每个将牌的数码不一样，移动的
Published on 2025-03-07
第三篇 计算机是如何找到最优路径的（二） 清华大学计算机系 马少平 第二节：宽度优先搜索算法 艾博士：小明，我们首先从宽度优先算法开始介绍。所谓宽度优先算法，就是选择节点深度最浅的节点优先扩展。 小明：什么是节点深度呢？ 艾博士解释说：在搜索图中，第一个节点称作根节点，根节点的深度为0，其他节点的深
Published on 2025-03-07
第三篇 计算机是如何找到最优路径的（一） 清华大学计算机系 马少平 艾博士导读 最优路径问题是人工智能研究中的一个重要问题，很多问题都可以转化为最优路径求解问题，如语音识别、汉字识别后处理、拼音输入法等。
Published on 2025-03-07
第二篇 计算机是如何学会下棋的（八） 清华大学计算机系 马少平 第八节：总结 艾博士：小明，关于计算机如何学会下棋的，我们就介绍这么多，请你总结一下，我们都讲了哪些内容？ 小明边回忆边回答说：还是讲了很多内容的，让我总结一下。 （1）通过一个简单分钱币问题引出了计算机下棋问题。对于简单的下棋问题或许
Published on 2025-03-07
第二篇 计算机是如何学会下棋的（七） 清华大学计算机系 马少平 第七节： AlphaGo Zero是如何自学成才的 艾博士继续介绍说：AlphaGo Zero是继AlphaGo之后的一个升级版本，完全抛弃了人类数据，实现了从零学习，这也是其名称的由来，英文“Zero”是零的意思。 小明不解地问：从零
Published on 2025-03-07
第二篇 计算机是如何学会下棋的（六） 清华大学计算机系 马少平 第六节：围棋中的强化学习方法 小明：艾博士，听说AlphaGo还采用了一种左右手互博的学习方法？
Published on 2025-03-07
第二篇 计算机是如何学会下棋的（五） 清华大学计算机系 马少平 第五节：AlphaGo是如何下棋的 艾博士继续讲到：蒙特卡洛树搜索方法于2006年被应用于计算机围棋中，使得计算机围棋的水平有了质的飞跃，可以达到业余中高手的水平，可以说是计算机围棋发展史上的一个里程碑。但是，距离职业棋手的水平还有很大
Published on 2025-03-07
第二篇 计算机是如何学会下棋的（四） 清华大学计算机系 马少平 第四节：蒙特卡洛树搜索 小明听完艾博士的讲解，赞叹到：看起来α-β剪枝算法的效果还是非常显著的，但是为什么一直没用应用于围棋呢？ 艾博士：α-β剪枝算法不仅是在国际象棋上取得了成功，在中国象棋上也取得了成功。前面介绍过的浪潮杯中国象棋人
Published on 2025-03-07
第二篇 计算机是如何学会下棋的（三） 清华大学计算机系 马少平 第三节：α-β剪枝算法 听了艾博士说的结论，小明不免有些沮丧：原来以为这样就可以实现计算机下棋了，原来还是不行啊。 艾博士回答说：小明你不要沮丧，有困难不怕，想办法解决就是了。请再想想，刚才你提到你下棋时只能考虑4、5步，但是这4、5步
Published on 2025-03-07
第二篇 计算机是如何学会下棋的（二） 清华大学计算机系 马少平 第二节：极小-极大模型 艾博士接着问小明：你会下象棋，请说说你在下棋时是如何考虑走哪步棋的？
Published on 2025-03-07
第二篇 计算机是如何学会下棋的（一） 清华大学计算机系 马少平 前言 近些年来，人工智能发展很快，再一次掀起了高潮，逐渐渗透到各行各业、各个领域，学习人工智能相关技术的人也越来越多，市面上也出现了很多非常出色的相关书籍。但也经常听到一些朋友抱怨，说这些书太专业了，读起来比较费劲。为此，我利用各种机会
Published on 2025-03-07
