22 Επιστήμη Υπολογιστών και Τεχνητή Νοημοσύνη Θερινά μαθήματα Programs in Καλιφόρνια Ηνωμένες Πολιτείες

Αυτό το μάθημα θα παρέχει μια επισκόπηση υψηλού επιπέδου των δυνατοτήτων και των μειονεκτημάτων της παραγωγικής Τεχνητής Νοημοσύνης για ουσιαστική δράση για το κλίμα. Προσκεκλημένοι ομιλητές από τη Silicon Valley που εργάζονται στον τομέα της βιωσιμότητας και της πληροφορικής θα κληθούν να μοιραστούν γνώσεις σχετικά με διεπιστημονικές προκλήσεις, αναδυόμενες ευκαιρίες και επαγγελματικές Pathways .

Σε αυτό το μάθημα, οι φοιτητές θα μάθουν πώς τα δεδομένα μπορούν να αποκαλύψουν και να ενισχύσουν τις υπάρχουσες κοινωνικές ανισότητες, καθώς και πώς τα δεδομένα μπορούν να χρησιμοποιηθούν με κριτικό και υπεύθυνο τρόπο. Παράλληλα με τις αναγνώσεις και τις συζητήσεις, αυτό το μάθημα θα περιλαμβάνει επίσης πρακτικά εργαστήρια στην R για την εισαγωγή εργαλείων ανάλυσης και οπτικοποίησης δεδομένων.

Αυτό το μάθημα θα παρέχει στους φοιτητές μια επισκόπηση της Τεχνητής Νοημοσύνης και κατανόηση βασικών εννοιών της Τεχνητής Νοημοσύνης. Θα εξετάσουμε μια τυπική διαδικασία Μηχανικής Μάθησης.

Αυτό το μάθημα εξετάζει την αναδυόμενη πολιτική της Τεχνητής Νοημοσύνης, συνδυάζοντας κλασικά πλαίσια για την τεχνολογική αλλαγή και την πολιτική οικονομία με σύγχρονες εμπειρικές τάσεις. Για να ανταποκριθούμε στην πολύπλοκη και γρήγορη εποχή που βιώνουμε, θα ρίξουμε ένα ευρύ δίχτυ, αντλώντας γνώσεις από όλο το φάσμα της πολιτικής επιστήμης.

Worst and average case analysis. Recurrences and asymptotics. Efficient algorithms for sorting, searching, and selection. Data structures: binary search trees, heaps, hash tables. Algorithm design techniques: divide-and-conquer, dynamic programming, greedy algorithms, amortized analysis, and randomization. Algorithms for fundamental graph problems: minimum-cost spanning tree, connected components, topological sort, and shortest paths. Possible additional topics: network flow, and string searching. Prerequisite: 103 or 103B; 109 or STATS 116.

Εισαγωγή στη μηχανική εφαρμογών υπολογιστών με έμφαση στις σύγχρονες αρχές μηχανικής λογισμικού: σχεδιασμός προγράμματος, αποσύνθεση, ενθυλάκωση, αφαίρεση και δοκιμή. Έμφαση δίνεται στο καλό στυλ προγραμματισμού και στις ενσωματωμένες εγκαταστάσεις αντίστοιχων γλωσσών. Χρησιμοποιεί τη γλώσσα προγραμματισμού Python. Δεν απαιτείται προηγούμενη εμπειρία προγραμματισμού.

Τα θέματα περιλαμβάνουν μέτρηση και συνδυαστική, τυχαίες μεταβλητές, πιθανότητες υπό όρους, ανεξαρτησία, κατανομές, προσδοκίες, εκτίμηση σημείων και οριακά θεωρήματα. Εφαρμογές πιθανοτήτων στην επιστήμη των υπολογιστών, συμπεριλαμβανομένης της μηχανικής μάθησης και της χρήσης των πιθανοτήτων στην ανάλυση αλγορίθμων. Προαπαιτούμενα: 103, 106Β ή Χ, πολυμεταβλητός λογισμός επιπέδου ΜΑΘ 51 ή CME 100 ή ισοδύναμο.