【导读】斯坦福大学的人工智能课程“CS 221”至今仍然是人工智能学习课程的经典之一。为了方便广大不能亲临现场听讲的同学，课程官方推出了课程笔记CheatSheet，涵盖4大类模型。
斯坦福大学的人工智能课程“CS 221”，这门铁打的课程从2011年开始已经走过了8个年头，流水的讲师换了一批又一批，送走的毕业生一拨又一拨，至今仍然是人工智能学习的经典课程之一。目前2019年春季课程正在如火如荼的开展中。
这门课程是没有教科书的，所有内容都蕴含在讲师的教案以及课后作业中。不过为了方便广大不能亲临现场听讲的同学，课程官方推出了课程笔记CheatSheet，涵盖4大类模型。
笔记已在GitHub开源，5份PDF供大家下载保存打印当成鼠标垫设成壁纸做成窗帘裁成小册子…随便你选择自己合适的操作方式。地址：
https://github.com/afshinea/stanford-cs-221-artificial-intelligence/blob/master/cheatsheet-reflex-models.pdf
因为每年课程可能都会有更新，所以在介绍笔记之前，让我们先对今年春季课程有一个先入的了解，便于新进同学少走弯路。
这门课程是关于什么的？
网络搜索，语音识别，人脸识别，机器翻译，自动驾驶和自动调度有什么共同之处？这些都是复杂的现实问题，人工智能的目标是用严格的数学工具解决这些问题。
在本课程中，你讲学习这些应用程序的基本原则并实践其中一些系统。具体主题包括机器学习，搜索，游戏，马尔可夫决策过程，约束满足，图形模型和逻辑。该课程的主要目标是提供解决生活中可能遇到的新AI问题的工具。
预备知识
这门精进课程涵盖众多领域，而且课程进度飞快，要求学者必须在理论和经验方面都有坚实的基础。在开始学习该课程之前，确保你已经看过以下课程（或者其他途径学到的同等级课程）
编程 (CS 106A, CS 106B, CS 107)
离散数学 (CS 103)
概率 (CS 109)
接下来新智元来介绍一下笔记内容。
基于反射的机器学习模型
在本节介绍了基于反射的模型，这些模型可以通过经历具有输入-输出的样本来改善经验。这一节主要介绍了以下概念
线性预测变量
损失最小化
非线性预测变量
随机梯度下降
微调模型
部分子概念：
线性分类
K最近邻
神经网络
梯度下降
反向传播
近似和估计误差
具有搜索优化和MDP的基于状态的模型
本节主要介绍了搜索优化、马尔可夫决策过程和游戏。
部分子概念：
树搜索
搜索问题
广度优先搜索
深度优先搜索
图
统一成本搜索
A星搜索
马尔科夫决策
具有CSP和贝叶斯网络的基于变量的模型
本节主要讲了约束满足问题和贝叶斯网络。
部分子概念：
因子图
Markov blanket
贝叶斯网络
基于逻辑的模型，具有命题和一阶逻辑
本节主要介绍了该模型概念、命题逻辑和一阶逻辑。
部分子概念：
概念
解释功能
分辨率推理规则
官方笔记地址：
https://stanford.edu/~shervine/teaching/cs-221/cheatsheet-reflex-models
祝大家学习愉快！哦，别忘了在评论区晒出你们都是怎么使用这份CheatSheet的。
