人工智慧導論
Introduction to Artificial Intelligence (Robotics)
| 節 | 週一 | 週四 |
|---|---|---|
5 13:20–14:10 | 人工智慧導論 EE632（光復） 2 節連堂 | |
6 14:20–15:10 | ||
A 18:30–19:20 | 人工智慧導論 EE632（光復） 3 節連堂 | |
B 19:30–20:20 | ||
C 20:30–21:20 |
* 根據陽明交大上課時間表所列
本課程是一門為AI機器人領域設計之基礎課程,強調機器人領域重要之人工智慧演算法,並以Python與演算法實作為主,將使用Jupyter Notebook進行互動式做中學,讓課程所學習之演算法可以快速轉移至實體機器人上實現。本課程為導論課程,將以主題式介紹機器人各種應用領域,包括:教育、救難、輔助、水域、機器手臂等。
C++或Python基礎物件導向程式語言能力,包含迴圈、陣列、類別的宣告與使用 Basic Probability, Linear Algebra, Data Structure
無備註
本課程將分為兩部分: 1EF: 以AI - Modern Approach內容與演算法為主,包含課程講授(Lecture)與Python程式演練(請參考:https://github.com/aimacode/aima-python) 本課程將於EE632教室,學生將分組進行課程討論,每位同學上課須攜帶筆電。 本課程將提供每組一GPU工作站(NVidia 1080ti or 2060)上課使用,也歡迎同學自行準備GPU運算資源。 4IJK:三週一次,本學期共六次,安排六次實體機器人展示,強調課程介紹之演算法如何用於機器人任務,並以主題式介紹機器人相關研究、競賽分享與深度討論。 課程網路資料夾: https://drive.google.com/drive/folders/1_D5HXmKYH4C2lENzUE9VnIWPB1P6eGEW?usp=sharing
1. 學期作業: There are 6-10 in-class tutorials (in Python and Jupyter Notebook), and each includes 3 checkpoints/exercises. 2.考試狀況: There will be no midterm and final exams. 3.評量方法: - Class Participation 20 (%) - in-class tutorials (Python and Jupyter Notebook checkpoints/exercises) 60 (%) - Final Report 20 (%)
AI Agent
1. Introduction to AI 2. Searching algorithm 3. Q-Learning 4. OpenAI Gym
- 講授：
- 8
- 實作：
- 4
備註：AIMA Ch 2, 3, 21
Probabilistic Reasoning & Decision Making
1. Probability Review 2. Bayes/Kalman Filter 3. Planning 4. MC Localization
- 講授：
- 8
- 實作：
- 4
備註：AIMA Ch 13, 14\nPR Ch 2
Perception & Machine Learning
1. Color, Edge, Features (OpenCV) 2. Introduction to ML 3. CNN 4. PyTorch
- 講授：
- 8
- 實作：
- 4
備註：AIMA Ch 18\nAIMA Ch 24
Deep Learning for Robots
1. Imitation Learning 2. Deep Reinforcement Learning 3. DQN 4. DDPG
- 講授：
- 8
- 實作：
- 6
備註：DL Ch 9\nRL Ch 13\nRelated Papers
| 週次 | 主題 |
|---|---|
| 第 1 週 | Introduction to Artificial Intelligence |
| 第 2 週 | AI Agents and Environment |
| 第 3 週 | Search BFS, DFS, A* |
| 第 4 週 | OpenAI Gym, Taxi Problem, Q-Learning |
| 第 5 週 | Robot Navigation from A to B |
| 第 6 週 | Introduction to Probabilistic Robotics |
| 第 7 週 | Bayes filter & Kalman filter |
| 第 8 週 | Dynamic Programming |
| 第 9 週 | Markov Decision Process (MDP) |
| 第 10 週 | Monte Carlo Methods and Localization |
| 第 11 週 | Introduction to Machine Learning and Deep Learning |
| 第 12 週 | Learning from Examples, Datasets and Cross Validation |
| 第 13 週 | Convolutinoal Neural Network |
| 第 14 週 | Imitation Learning and Behavior Cloning |
| 第 15 週 | Reinforcement Learning |
| 第 16 週 | DeepRL & Deep Q-Network |
| 第 17 週 | Deep Deterministic Policy Gradients (DDPG) & Actor–Critic Methods |
| 第 18 週 | Final Report |
教科書 • Artificial Intelligence: A Modern Approach 3rd Edition (Stuart Russell, Peter Norvig) 參考書目 • Probabilistic Robotics (Sebastian Thrun) • I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning, 1st Ed., MIT Press, Dec. 2016 • R. S. Sutton and A. G. Barto, Reinforcement Learning: An Introduction, Nov. 2017 • Adnan Aziz, Amit Prakash, and Tsung-Hsien Lee, Elements of Programming Interviews in Python: The Insiders' Guide. 2016
- 地點
- 教師未提供此項資料
- 時間
- 教師未提供此項資料
- 聯絡方式
- 教師未提供此項資料