卷积神经网络（CNN）通过提取图像特征，解决了传统神经网络在处理大图像时的过拟合和忽视空间结构的问题。CNN由卷积层、池化层和全连接层组成，逐步将原始像素转换为分类分数。卷积层使用可学习的滤波器进行线性操作，池化层通过下采样降低特征图的空间分辨率，同时保持特征的平移不变性。

KNN算法存在缺陷，需要更强大的方法。新方法使用评分函数将图像像素映射为类别分数，并通过损失函数量化预测分数与真实标签的差异。我们采用多类支持向量机（SVM）损失，结合正则化，优化模型以提高泛化能力。Softmax分类器将分数视为未归一化的对数概率，并使用交叉熵损失进行优化。

KNN算法存在不足，需要更强的替代方法。新方法引入评分函数和损失函数，评分函数将图像像素映射为类别分数，损失函数则量化预测分数与真实标签的差异。通过正则化优化权重，以提升分类器的泛化能力，防止过拟合。

图像分类任务是将输入图像分配给固定类别标签，面临视角、尺度、变形、遮挡和光照等挑战。有效模型需对这些变化不敏感，同时对类别间变化敏感。通过积累标记图像的训练数据集，开发学习算法进行分类，并通过预测新图像标签评估分类器质量。k近邻分类器通过投票确定标签。

图像分类任务是将输入图像分配给固定类别，面临视角、尺度、变形和遮挡等挑战。通过数据驱动的方法，积累标记图像的训练数据集，开发学习算法。使用最近邻分类器评估模型准确性，并通过交叉验证调整超参数。

局部搜索算法用于寻找局部最优解，包括爬山算法、模拟退火、局部束搜索和遗传算法。爬山算法通过选择邻近状态优化目标值，但易陷入局部最优。模拟退火结合随机移动和爬山，允许接受较差的移动以避免局部最优。局部束搜索从多个状态开始，选择最佳后续状态。遗传算法通过交叉和变异优化个体，寻找高评分解。

本文介绍了局部搜索算法，包括爬山算法、模拟退火、局部束搜索和遗传算法。爬山算法通过选择邻近状态寻找局部最优，但易陷入局部极值。模拟退火结合随机移动和爬山，逐步降低温度以寻求全局最优。局部束搜索从多个状态出发，选择最佳后继续搜索。遗传算法通过交叉和变异优化个体，寻找高评分解。

本文介绍了UC Berkeley CS188课程的讲义，重点讨论人工智能中的理性代理及其类型，如反射代理和规划代理。任务环境通过PEAS框架描述，涵盖性能度量、环境、执行器和传感器。文章还探讨了状态空间、搜索问题及其解决方法，包括无信息搜索、深度优先搜索和广度优先搜索等策略。

本文介绍了UC Berkeley CS188课程的讲义，重点讨论了人工智能中的理性代理及其类型、任务环境、状态空间和搜索问题。理性代理根据目标选择最佳行动，环境影响代理行为。搜索问题涉及状态空间、可用动作和目标测试，涵盖无信息搜索、深度优先搜索、广度优先搜索及其优缺点，强调统一成本搜索的完整性和最优性。

我参加了DeepLearning.AI的Agentic AI课程，学习了核心概念和应用，并获得证书。课程内容较为基础，未深入数学和实现细节。Agentic AI通过多步骤工作流程完成任务，提升了性能和灵活性。任务分解和工具使用是关键，反思设计模式能提高输出质量。Claude Code因其出色的代码生成和评估能力而受到关注。