1-1-3. Projects You Will Build

1. Introduction to Artificial Intelligence – Welcome to the Artificial Intelligence

Hi, welcome to the program.

We’re thrilled to have you here and I’m looking forward to guiding

your journey through the cutting edge of artificial intelligence.

You are now an essential member of the Udacity community.

We’re here to make sure you fulfill your goals,

but we also want to learn from you.

Your experience will guide future development and we would love to hear

your thoughts on how we can improve and make this program better for others.

Now, let’s take a quick walk through

the Udacity office to get a flavor of how we do things here.

So we believe in learning by doing.

So rather than simply watching videos or taking tests on AI,

you’ll build real artificial intelligence and watch those AIs,

solve complex problems that humans like me and

you simply can’t do with the same speed or accuracy.

In the first project, you build

a simple AI agent that solves any Sudoku problem in the world.

And learn two foundational AI techniques;

constraint propagation and search.

This project is just a little teaser to get your feet wet and show you how

quickly you can start applying AI concepts to problems around you. Hey Kristina?

Hey Dhruv.

You will also been given the chance to go

above and beyond by using advanced Sudoku strategies,

to improve the speed of your agent.

In the next project, you’ll build any AI agent

that can routinely defeat opponents in isolation.

Here you apply minimax and alpha-beta pruning.

Two strategies used by Google world beating Go agent, AlphaGo.

You go on to create an AI that guides Pac-Man through his maze and

allows him to eat all the food in the most efficient way possible.

Definitely more efficient than Ryan over here.

I’m still practicing.

Using simple techniques such as;

breadth-first search, depth-first search and A-Star Search.

Your AI agent will traverse Pac-Man Maze faster than any human player.

Next, you’ll be tasked with finding the optimal route

for taking cargo from one place to another.

Planning problems like this,

are the very core of the logistics industry.

And you’ll see just how powerful AI is in solving these kind of problems.

And finally, you use hidden Markov models to automatically read

sign language characters and convert them into their English text counterparts.

This is just one of the many examples of how

AI is making a meaningful impact in society at large.

And, all this is just in timeline.

We think you’ll have a lot of fun and we can’t wait to see you get started.

안녕하세요, 프로그램에 오신 것을 환영합니다.

우리는 당신을 여기에 오게되어 기쁩니다.

최첨단 인공 지능을 통한 여정.

이제 Udacity 커뮤니티의 필수 구성원이 되셨습니다.

우리는 당신이 당신의 목표를 달성할 수 있도록 여기 있습니다.

그러나 우리는 또한 당신에게서 배우고 싶습니다.

귀하의 경험은 향후 개발을 안내할 것이며 귀하의 의견을 듣고 싶습니다.

다른 사람들을 위해 이 프로그램을 개선하고 개선할 수 있는 방법에 대한 귀하의 생각.

자, 이제 천천히 살펴볼까요?

Udacity 사무실을 방문하여 여기에서 우리가 하는 일의 맛을 알아보세요.

그래서 우리는 행동으로 배우는 것을 믿습니다.

그래서 단순히 동영상을 보거나 AI 테스트를 하는 것보다

당신은 실제 인공 지능을 구축하고 그 AI를 지켜볼 것입니다.

나와 같은 인간이 겪는 복잡한 문제를 해결하고

당신은 단순히 같은 속도나 정확도로 할 수 없습니다.

첫 번째 프로젝트에서 빌드

전 세계의 모든 스도쿠 문제를 해결하는 간단한 AI 에이전트.

그리고 두 가지 기본 AI 기술을 배우십시오.

제약 조건 전파 및 검색.

이 프로젝트는 당신의 발을 적시고 어떻게 하는지 보여주기 위한 약간의 티저일 뿐입니다.

빠르게 주변 문제에 AI 개념을 적용할 수 있습니다. 이봐 크리스티나?

이봐 드루브.

갈 수 있는 기회도 주어집니다.

고급 스도쿠 전략을 사용하여 그 이상,

에이전트의 속도를 향상시킵니다.

다음 프로젝트에서는 AI 에이전트를 빌드합니다.

일상적으로 고립된 상대를 물리칠 수 있습니다.

여기에서 minimax 및 alpha-beta 가지치기를 적용합니다.

구글 월드가 바둑 에이전트 알파고를 이기는 두 가지 전략.

계속해서 팩맨을 미로에서 안내하는 AI를 만들고

그는 가능한 가장 효율적인 방법으로 모든 음식을 먹을 수 있습니다.

확실히 여기 라이언보다 더 효율적입니다.

아직 연습 중입니다.

다음과 같은 간단한 기술을 사용합니다.

너비 우선 검색, 깊이 우선 검색 및 A-Star 검색.

AI 에이전트는 어떤 인간 플레이어보다 빠르게 팩맨 미로를 횡단합니다.

다음으로 최적의 경로를 찾는 임무를 맡게 됩니다.

한 곳에서 다른 곳으로 화물을 운반하기 위해.

이와 같은 문제를 계획하고,

물류산업의 핵심입니다.

AI가 이러한 종류의 문제를 해결하는 데 얼마나 강력한지 알게 될 것입니다.

마지막으로 숨겨진 Markov 모델을 사용하여 자동으로

수화 문자를 영어 문자로 변환합니다.

이것은 방법의 많은 예 중 하나일 뿐입니다.

AI는 사회 전반에 의미 있는 영향을 미치고 있습니다.

그리고 이 모든 것은 타임라인에 있습니다.

우리는 당신이 매우 재미있을 것이라고 생각하며 당신이 시작하기를 고대하고 있습니다.

Errata: @1:30 AlphaGo uses Monte Carlo Tree Search (MCTS) rather than Minimax search — although the minimax principle still applies. Minimax and alpha-beta pruning were used in Deep Blue (the NegaScout variant) [see pg 60], and continues to be used in several state-of-the-art modern chess programs like Stockfish.

정오표: @1:30 AlphaGo는 Minimax 검색 대신 MCTS(Monte Carlo Tree Search)를 사용하지만 minimax 원칙은 여전히 적용됩니다. Minimax 및 알파-베타 가지치기는 Deep Blue(NegaScout 변형)[60페이지 참조]에서 사용되었으며 Stockfish와 같은 여러 최첨단 현대 체스 프로그램에서 계속 사용됩니다.

%d 블로거가 이것을 좋아합니다: