關於亞利桑那州立大學計算機科學專業中的人工智慧課程介紹

人工智慧（AI）領域開發了設計自主代理的原則和流程。本課程涉及設計自主代理的核心概念，這些代理可以推理，學習和行動以實現用戶給定的目標，並使學生準備好使用該領域的原則方法應對新出現的技術和道德挑戰。主要主題包括為自動駕駛汽車、個人數字助理、決策支持系統、語音識別和自然語言處理、自主遊戲代理和家用機器人的現代應用和未來技術開發提供支持的原理和算法。

本課程涵蓋的具體主題包括：

• 神經網絡。
• 經典規劃。
• 建模和推理。
• 強化學習。
• 馬爾可夫決策過程（MDP）。
• 部分可觀察馬爾可夫決策過程 （POMDP）。
• 貝葉斯網絡。
• 感知傳感器
• 基於感知的識別。
• 實際應用。
• 機器人。

本課程所需的先驗知識和技能

本課程將非常具有挑戰性，因此學習者應具備所需的先驗知識和技能和/或在自己的時間學習它和必要的技術。

熟練的數學技能和理論理解：

• 代數。
• 線性代數。
• 概率和統計。
• 算法。
• 數據結構。
• 計算機組織和體系結構。
• 作業系統。
• 離散數學。

較強的應用能力：

• 用 Python 編程。
• 能夠有效地閱讀Python代碼。
• 執行至少一種程式語言的信心：Python，Matlab，R.
• ROS。

注意：課程項目將使用學習者選擇的語言完成。但是，如果學習者選擇任何非 Python 或 Matlab 的語言，課程團隊將無法幫助他們。

熟練的經驗：

• 高級程式語言（Python或Matlab）。
• 能夠使用Python實現AI算法。
• 數字繪圖工具（例如，用於構建解析樹）。
• 熟悉以下任一框架：Jupyter Notebook、Google Colab、Pytorch。
• 熟悉以下工具/庫：Numpy，Pandas，Tensorflow，Keras，Matplotlib，Scikit Learn。
• 微軟辦公軟體 Office 365。

學習成果：

完成本課程的學習者將能夠：

• 應用邏輯推理和編程來為現實世界的問題生成解決方案。
• 使用概率推理有效地導航不確定的信息。
• 為給定方案或數據集確定適當的機器學習方法。
• 評估 AI 感知系統面臨的挑戰。
• 利用傳感器執行感知任務及其在智能系統中的應用。
• 應用算法來訓練圖像分類器。
• 設計一個可以使用噪聲傳感器和執行器進行計劃和行動以實現給定目標的代理。

亞利桑那州立大學計算機科學專業中的人工智慧課程的參考學習書籍介紹：

《融合：人工智慧和量子計算：社會、經濟和政策影響》

為 AI 和量子計算即將實現的融合做好準備

《融合：人工智慧和量子計算》匯集了 20 位在工業界、學術界和政府工作的知名國際作家的論文集，解釋了人工智慧和量子計算即將融合。提出了不同的觀點，每個觀點都對即將到來的分水嶺事件提出了自己的看法。

在這本書中，你會發現我們正處於看到科幻小說成為現實的風口浪尖，這對撕裂現有的社會結構、全球經濟和當前的地緣政治秩序有著巨大的影響。除了雨果獎和星雲獎得主大衛·布林（David Brin）的精闢前言外，您還將發現：

• 探索日益加快的技術發展步伐
• 解釋為什麼看似不尋常和令人驚訝的突破可能即將到來
• 地圖導航潛在的雷區，隨著人工智慧和量子計算的結合，等待著我們

《Convergence（融合）》匯集了世界上一些領先技術聲音的見解，令人信服地認為，我們應該為一個很少會保持不變的世界做好準備，並向我們展示了如何做好準備。

《醫療決策支持系統中的可解釋人工智慧》

醫療決策支持系統 （MDSS） 是基於計算機的程序，用於分析患者醫療記錄中的數據，以提供問題、提示或提醒，以協助臨床醫生在護理點。將患者的數據、症狀或當前治療方案輸入 MDSS，臨床醫生可以協助識別或消除最可能的潛在醫療原因，從而更快地發現一組適當的診斷或治療計劃。可解釋AI（XAI）是人工智慧的「白盒」模型，其中解決方案的結果可以被用戶理解，他們可以看到模型預測中每個特徵的加權重要性的估計，並了解不同特徵如何相互作用以達到特定決策。

本書討論了針對患者特定MDSS的基於XAI的分析，以及與處理患者數據相關的安全和隱私問題。它提供了對 MDSS 中 XAI 的部署、應用程式、管理和相關優勢的實際方案的見解。本書概述了MDSS的框架，並探討了XAI對MDSS的適用性，前景和法律影響。探討了XAI在MDSS中的應用，例如XAI在機器人輔助手術，醫學圖像分割，癌症診斷以及糖尿病和心臟病預測中的應用。

《人工智慧實現工業4.0的路線圖》

《人工智慧實現工業4.0的路線圖》一書為人工智慧在工業4.0中的應用提供了全面和最新的技術解決方案。

工業4.0願景已經討論了很長一段時間，使能技術現在已經足夠成熟，可以早日將這一願景變成宏偉的現實。第四次工業革命或工業4.0涉及將技術支持的更深入和決定性的自動化注入製造過程和活動。幾種信息和通信技術（ICT）正在被整合併用於實現製造過程的加速和增強。本書探討和教育了區塊鏈技術、人工智慧、製造業供應鏈、加密貨幣的最新進展，以及它們對實現工業4.0目標的關鍵影響。因此，本書為決策者實施這一轉型提供了一個概念框架和路線圖。

計算機和人工智慧科學家、信息和通信技術專家以及電子和工業製造工程師會發現這本書非常有用。

《人工智慧、機器人和哲學》

本書收錄了《人工智慧、機器人與哲學》特刊上發表的所有論文，以及《生命哲學雜誌》，13年第1卷第2023期，第1-146頁的論文。在本書中作者討論了各種主題，例如科幻小說和太空倫理，人工智慧哲學，自主代理倫理和良性機器人。通過他們的討論，讀者能夠深入思考現代技術的本質和人類的未來。

《數字全息成像中的人工智慧：技術基礎與生物醫學應用》

《人工智慧在數字全息成像中的應用：技術基礎及生物醫學應用》是關於 3D 光學傳感、成像、分析和模式識別的令人大開眼界的討論；

人工智慧（AI）近年來取得了長足的進步。數字全息成像最近成為一種強大的新技術，非常適合探索細胞結構和動力學，具有納米軸向靈敏度和識別新細胞生物標誌物的能力。通過將數字全息術與人工智慧技術相結合，包括最近的深度學習方法，該系統可以在非侵入性、無標記的細胞表型篩選中實現創紀錄的高精度。它為數據驅動的診斷開闢了一條新的道路。

《數字全息成像中的人工智慧》介紹了人工智慧的關鍵概念和算法，展示了如何利用人工神經網絡、卷積神經網絡和生成對抗網絡的技術構建智能全息成像系統。讀者將能夠了解在全息成像系統設計中實現人工智慧的基礎知識，並將數字全息術與智能模型中的各種人工智慧算法相結合而產生的實際生物醫學問題聯繫起來。

《數字全息成像中的人工智慧》的內容介紹：

• 數字全息術介紹背景
• 數字全息成像的關鍵概念
• 全息成像的深度學習技術
• 全息圖像分析中的 AI 技術
• 全息圖像分類模型
• 活細胞的自動表型分析

本書針對不同背景的讀者，詳細探討了智能全息成像系統在生物醫學領域應用前景巨大的應用。

《製造業中的人工智慧視角》

本書調查了人工智慧（AI）的快速發展及其以有效和具有成本效益的方式解決製造領域問題的能力。本書介紹並討論了與製造過程、機器人、自動化和製造系統設計和控制相關的人工智慧的許多製造應用。本書還包括對通過人工智慧實現智能製造的發展展望。人工智慧在製造業中的真正好處不僅在於任務的自動化，還在於提供新的自主性水平，這將使全新的應用程式成為可能，並在製造業中引入新的業務流程。

《電子健康中的人工智慧與大數據發展趨勢》

本書旨在介紹人工智慧（AI）和大數據在醫療保健領域對醫學決策和數據分析的影響，包括放射學、影像組學、放射基因組學、腫瘤學、藥理學、COVID-19預後、心臟成像、神經放射學、精神病學等。這將包括物聯網（AIOT），可解釋人工智慧（XAI），分布式學習，物聯網區塊鏈（BIOT），網絡安全和（醫療）物聯網（IoTs）等主題。

醫療保健提供商將學習如何利用大數據分析和人工智慧作為基於其臨床數據存儲庫和臨床決策支持的準確分析方法。識別模式並將大量數據轉換為精準醫療可用信息的能力有助於醫療保健專業人員實現這些目標。智能健康有可能監測有潛在疾病風險的患者，並跟蹤他們在治療期間的進展。使用這些技術的一些最大挑戰是基於使用醫療數據以及充分代表和服務不同患者群體的法律和道德問題。這項技術的一個主要潛在好處是使衛生系統更具可持續性和標準化。隱私和數據安全、建立協議、適當的治理和改進技術將是醫療保健數位化轉型的關鍵優先事項之一。

《人工智慧健康4.0：挑戰與應用》

醫療保健是我們這個時代的主要成功故事之一。醫學科學迅速發展，提高了全世界的預期壽命。然而，隨著壽命的增加，醫療保健系統面臨著對其服務的需求不斷增長、成本上升以及難以滿足患者需求的勞動力。醫療保健是更廣泛的大數據領域中最關鍵的部門之一，因為它在高效、繁榮的社會中發揮著重要作用。在自動化的基礎上，人工智慧（AI）有可能徹底改變醫療保健，並幫助解決上述一些挑戰。

人工智慧在醫療保健數據中的應用實際上可能是一個生死攸關的問題。人工智慧可以幫助醫生、護士和其他醫護人員進行日常工作。醫療保健中的人工智慧可以增強預防保健和生活質量，產生更準確的診斷和治療計劃，並導致更好的整體患者結果。

本書深入探討了人工智慧在生物醫學中應用的最新發展，包括疾病診斷、製藥加工、患者護理和監測、生物醫學信息和生物醫學研究。它還概述了人工智慧在醫療保健領域應用的最新突破，描述了構建有效、可靠和安全的人工智慧系統的路線圖，並討論了人工智慧增強醫療系統的未來可能方向。

人工智慧在醫療保健領域有無數的應用。無論是用於發現遺傳密碼之間的聯繫，為手術機器人提供動力，還是最大限度地提高醫院效率;人工智慧一直是醫療保健行業的福音。

《人工智慧和深度學習的實用數學：計算機視覺、NLP、複雜深度神經網絡和機器學習基礎簡明而深入的指南》

數學密碼本，用於在快速變化的 AI 環境中導航；

本書的主要功能：

● 通過簡單易懂的示例學習行業認可的 AI 方法和深度學習數學。
● 包括 MDP 建模、貝爾曼方程、自回歸模型、BERT 和變壓器。
● 詳細的逐行算法圖，以及它們執行的數學計算。

對本書內容的描述：
為了構建一個可能被稱為「人工智慧」的系統，重要的是要開發能夠在不確定條件下執行基於數據的自動決策的算法設計能力。現在，為了實現這一目標，需要深入了解線性代數、向量微積分、概率和統計等更複雜的組成部分。本書將引導您了解每種數學算法，以及其架構，操作和設計，以便您了解任何人工智慧系統的運作方式。

本書將教你人工智慧中使用的常用術語，如模型、數據、模型參數、因變量和自變量。從零開始探索貝葉斯線性回歸、高斯混合模型、隨機梯度下降和反向傳播算法。解釋和比較了複雜 AI 計算所需的絕大多數複雜數學，例如自回歸模型、周期 GAN 和 CNN 優化。

在閱讀本書時，您將獲得超越數學的知識。具體來說，您將熟悉許多AI訓練方法，各種NLP任務以及降低數據維度的過程。

通過本書你將學到什麼：

● 通過選擇性能最佳的 AI 算法，學會像專業數據科學家一樣思考。
● 擴展您的數學視野，包括最前沿的 AI 方法。
● 了解變壓器網絡、提高 CNN 性能、降維和生成模型。
● 探索多種神經網絡設計，作為構建自己的 NLP 和計算機視覺架構的起點。
● 為給定的業務應用程式創建專門的損失函數和量身定製的 AI 算法。

本書適合的讀者對象 ：

每個對人工智慧及其計算基礎（包括機器學習、數據科學、深度學習、計算機視覺和自然語言處理 （NLP））感興趣的研究人員和專業人士都會發現這本書是一個很好的伴侶。對於已經使用各種數學主題但不完全理解基本原理的從業者來說，本書可以作為快速參考。

《在資源受限的物聯網邊緣設備上執行卷積神經網絡的早期軟錯誤可靠性評估》

本書描述了通過超過14萬次錯誤注入對來自不同領域的卷積神經網絡（CNN）模型進行廣泛而一致的軟誤差評估，考慮了不同的精度位寬配置、優化參數和處理器模型。作者還評估了不同CNN模型的相對性能，內存利用率和軟錯誤可靠性權衡分析，考慮了基於編譯器的技術與傳統冗餘方法。

《系統工程神經網絡》

《系統工程神經網絡》是對系統工程和神經網絡的完整而權威的討論；

在《系統工程神經網絡》中，一組傑出的研究人員對支持創建和改進具有系統工程思維的神經網絡的基本概念進行了徹底的探索。在這本書中，你會發現系統工程和神經網絡的一般理論討論，以及相關和特定主題的報導，從深度學習基礎知識到體育商業中的應用。

讀者將發現來自多年工程經驗的深入示例、帶有進一步閱讀連結的綜合詞彙表以及補充在線內容。作者還包括用Python 3和Microsoft Excel編程的各種應用程式。

該書提供：

• 全面介紹神經網絡，作為複雜系統的關鍵元素引入
• 關於系統工程和預測、複雜性理論和優化的實際討論，以及如何使用這些技術來支持傳統人工智慧領域之外的應用
• 全面探索神經網絡中的輸入輸出、隱含層和偏差，以及激活函數、成本函數和反向傳播
• 將神經網絡與系統工程方法相結合的軟體開發指南

《系統工程神經網絡》非常適合渴望將機器學習技術融入其產品和流程的學生和專業人士，還將在涉及神經網絡領域的管理人員和研究人員的書庫中占有一席之地。

《神經網絡統計機理》

本書重點介紹了神經網絡內部工作原理下的基本統計機理。本書詳細討論了重要的概念和技術，包括空腔法、平均場理論、複製技術、西森條件、變分法、動態平均場理論、無監督學習、聯想記憶模型、感知器模型、遞歸神經網絡的混沌理論和神經網絡的特徵譜，引導新學習者了解理解和使用神經網絡的理論和必備技能。本書重點介紹了神經網絡模型的定量框架，其中潛在的機制可以通過數學美的物理學和理論預測精確地分離出來。對於神經網絡領域的學生、研究人員和從業者來說，這是一個很好的參考書籍。