代做Engineering Al Agents SYLLABUS代写Python编程

Engineering Al Agents

SYLLABUS

Books

1.AIMA-Artificial   Intelligence:A   Modern   Approach,by   Stuart    Russell,4th   edition,2021   and also here..This book is not free and is required.

2.GERON:"Hands-On   Machine   Learning   with   Scikit-Learn,Keras,and   TensorFlow",3rd Edition,2022.This is free for both NJIT and NYU students,and very useful for those new to Python.It is TF2/Keras based and for those that want an equivalent for Pytorch you can consult the open-source  Dive2Deep  Learning  book.

3.DL-Deep  Learning.This  book goes  into the  necessary depth required for this course   especially on all sections that require the development of a statistical learning machine.

Planned Schedule

Part I:Perception and Machine Learning

Lecture  1:We start with an introduction to Al and present a systems approach towards it.We develop a map that will guide us through the rest of the course as we deep dive into each component  embedded  into  Al  agents.Reading:AIMA  Chapters  1&2.

Lecture 2:The perception subsystem is the first stage of many Al systems including our brain.Its function is to process and fuse multimodal sensory inputs.Perception is implemented via a number of reflexive agents that map directly perceived state to an primitive action such as regressing on the frame coordinates of an object in the scene.We present the supervised learning problem both for classification and regression,starting with classical ML algorithms.

Reading:AIMA Chapter 19.

Lecture 3:We expand into Deep neural networks.DNNs are developed bottom up from the     Perceptron algorithm.MLPs learn via optimization approaches such as Stochastic Gradient     Descent.We  deep-dive  into  back-propagation-a  fundamental  algorithm  that  efficiently  trains DNNs.Reading:AIMA Chapter 21 and DL Chapter 6

Lecture 4:We dive into the most dominant DNN architecture today-Convolutional Neural Networks(CNNs).Reading:DL  Chapter  9&10  and  AIMA  Chapter  25(in  part).

Lecture 5:When agents move in the environment they need to abilities such as scene understanding.We will go through few key perception building blocks such as Object Detection, Semantic and  Instance  Segmentation.Reading:AIMA Chapter 25(in  part).

Lecture 6:In this lecture we introduce probabilistic models that process the perceptive predictions over time and understand how the agent will track/update its time-varying belief   about the state of the environment.This is achieved with recursive state estimation algorithms acting on dynamic bayesian networks.This lecture introduces Bayesian filters in discrete and   continuous state spaces(Kalman filters).All robots one way or another employ such filters.

Reading:AIMA  Chapters   12,13&14.

Part II:Natural Language Processing

Lecture 7:NLP is the pinnacle of applied Al in every day life-we are all using natural language  as the prime means of communicate between us and increasingly between us and robots.In this lecture we pose the NLP problem,understand its components and their mechanics.AIMA Chapter 23.

Lecture  8:We then talk extensively about language modeling and start with an approach based on the [RNN/LTSM architecture.The later is used far beyond language modeling and expands   into every application that involves sequences.We introduce the concept of attention and go through the Transformer framework-perhaps the most successful architecture in NLP today. AIMA Chapter 24 and DL Chapter 10.

Part Ⅲ:Reasoning and Planning without Interactions

Lecture 9:Our ability to track and and predict the state ofthe environment is now supplemented by symbolic representations.Knowledge representation and reasoning is the core of the symbolic subsystem of Al agents.We will go through the basic building blocks of knowledge representation and reasoning such as propositional logic that allow the agent to evaluate using theorem proving the truth value of logical sentences using an incrementally growing Knowledge Base.Reading:AIMA Chapters 7.

Lecture 10:After the last lecture,the agent has a clear view of the environment state such as what and where the objects that surround it are,its able to track them as they potentially move.It needs to plan the best sequence of actions to reach its goal state and the approach we take here is that of problem solving.In fact planning and problem solving are inherently connected as concepts.If the goal state is feasible then the problem to solve becomes that of search.For instructive purposes we start from simple environmental conditions that are fully observed, known and deterministic.This is where the A*algorithm comes in.We then relax some ofthe assumptions and treat environments that are deterministic but the agent takes stochastic actions or when both the environment and agent actions are stochastic.We also investigate what happens when we do not just care about reaching our goal state,but when we,in addition,need to do so with optimality.Optimal planning under uncertainty is perhaps the cornerstone application  today  in  robotics  and  other  fields.Readings:Reading:AIMA  Chapters  3&4(problem solving)and  11.

Part IV:Planning with Interactions -Reinforcement Learning

Lecture 11:We now make a considerable extension to our assumptions:the utility of the agent now depends on a sequence of decisions and,further,the stochastic environment offers a feedback signal to the agent called reward.We review how the agent's policy,the sequence of actions,can be calculated when it fully observes its current state(MDP)and also when it can only partially do so(POMDP).We conclude with the basic taxonomy of the algorithmic space for RL problems.Readings:AIMA Chapter 16&17.

Lecture 12:The algorithms that learn optimal policies in such settings are known as Reinforcement  Learning(RL).In  this  lecture  we  establish  the  connection  between  MDP  and   RL, by   introducing  the   Bellman  expectation   backup  and   Bellman  optimality  equations.We  then   use these  equations  to  derive  the  policy  iteration  algorithm  that  is  behind  the  policy-based REINFORCE  algorithm  that   is  empowered  by  approximating  the   policy  function   using  the   Deep Neural  Networks  that  we  met  in  the  perception  subsystem.AIMA  Chapter  22.

Lecture 13:  Review-last lecture before the final.