尧图网页设计 
教程人工智能机器学习深度学习【免费下载链接】AI-For-Beginners12 Weeks, 24 Lessons, AI for All!项目地址https://gitcode.com/GitHub_Trending/ai/AI-For-Beginners点击查看免费下载人工智能AI是当前最受关注的计算机学科之一。本篇文章基于开源课程 AI-For-Beginners12 周、24 课时的系统性 AI 入门课程第一节《AI 入门》整理而成系统讲解什么是人工智能弱 AI 与强 AI 的区别图灵测试如何定义智能并梳理从符号推理到神经网络的两大实现路径与 AI 发展简史。读完本文你将掌握 AI 领域最基础的概念框架能够区分可编程任务与需 AI 求解的任务并理解课程后续所有章节符号 AI、神经网络、计算机视觉、NLP的铺垫逻辑。课程第一节由 lessons/1-Intro/README.md 承载其捷克语译文即本文的直接来源translations/cs/lessons/1-Intro/README.md课程在启动页还提供了一张 课程总览速记图将本课知识以手绘方式浓缩展示适合学习后回顾。什么是人工智能可编程任务与不可编程任务要理解 AI 的动机需要先区分两类任务。可编程任务计算机诞生之初Charles Babbage 设计计算机就是为了按照严格定义的过程——即算法——处理数字。现代计算机虽远比 19 世纪的原型先进但依然遵循受控计算的同一思想。只要我们知道达成目标所需的精确步骤序列就可以把任务编程给计算机。不可编程任务然而存在一类我们并不明确知道如何求解的任务。例如根据照片判断一个人的年龄——我们能学会它是因为看过大量不同年龄的人的样例但我们无法明确解释自己是怎么做到的更无法把这种直觉写成程序交给计算机。正是这类任务构成了人工智能Artificial Intelligence简称 AI的研究对象。课程给出的关键示例非常直观从照片估计年龄的任务无法被显式编程因为我们甚至不知道自己脑海中是如何得出这个数字的。基于同样逻辑可以想一想金融、医学和艺术领域有哪些任务适合交给 AI——这些领域今天正在怎样受益于 AI弱 AI 与强 AI两种智能水平的划分AI 系统按能力范围可以分为弱 AIWeak AI与强 AIStrong AI两类课程用对比表格做了清晰界定弱 AI强 AI为特定任务或狭窄任务集而设计、训练的 AI 系统强 AI或称通用人工智能Artificial General Intelligence, AGI指具备人类水平智能与理解力的 AI 系统不具备一般智能擅长执行预定义任务但缺乏真正的理解或意识能完成人类可做的任何智力任务能适应不同领域并具备某种形式的意识或自我意识典型例子包括 Siri、Alexa 等虚拟助手流媒体服务的推荐算法以及面向特定客服任务的聊天机器人实现强 AI 是 AI 研究的长期目标需要开发能在广泛任务与情境中推理、学习、理解和适应的系统高度专业化在其狭窄领域之外不具备类人认知能力或通用问题求解能力目前仍是理论概念尚无任何 AI 系统达到该水平的通用智能当前实际部署的 AI 系统几乎全部属于弱 AI 范畴。强 AIAGI是人工智能研究的远期目标也是哲学上关于意识研究的有趣议题。智能的定义与图灵测试处理智能一词的困难在于不存在一个明确的定义。人们可以说智能与抽象思维或自我意识相关但无法给出严谨的定义。要体会智能一词的歧义性可以尝试回答猫是聪明的吗不同的人往往给出不同答案因为没有普遍接受的测试来判定这一论断的真伪——如果你认为有不妨试着给猫做个 IQ 测试。课程还引导进一步思考能解迷宫取食的乌鸦算聪明吗孩子算聪明吗当我们谈论 AGI 时需要一种方法来判断是否真正创造了智能系统。Alan Turing 提出了图灵测试它同时充当了智能的定义。测试的逻辑是将待测系统与天生智能的事物——真实人类——做比较由于任何自动化比较都可能被计算机程序绕过测试采用人类询问者。如果人类在文本对话中无法区分真实人类与计算机系统就认为该系统是智能的。课程还给出了图灵测试史上一个著名的案例2014 年圣彼得堡开发的聊天机器人 Eugene Goostman 凭借一个巧妙的人设技巧接近通过图灵测试——它事先声明自己是 13 岁的乌克兰男孩从而合理地解释了知识匮乏和文本中的各种不一致。经过 5 分钟对话机器人说服了 30% 的评审相信它是人类图灵曾预测机器到 2000 年就能达到这一指标。但课程强调这并不代表我们创造了智能系统也不代表计算机系统骗过了询问者——真正骗人的是机器人的创造者而不是系统本身。通往智能的两条路径自上而下与自下而上要让计算机像人一样行事就必须在计算机内部建模人类的思维方式因此需要理解是什么让人类智能。课程指出一个关键观察我们的部分决策过程是潜意识的——比如我们能不假思索地区分猫和狗而另一些过程则涉及推理。围绕这一观察课程给出两条主线路径的对比自上而下符号推理自下而上神经网络建模人类求解问题时的推理方式。涉及从人类身上抽取知识并以计算机可读形式表示还需要在计算机内建模推理过程建模由海量简单单元——神经元——组成的人脑结构。每个神经元相当于其输入的加权平均通过提供训练数据可以训练神经元网络求解实用问题此外还存在其他可能的智能路径涌现式/协同式/多智能体路径复杂智能行为可以由大量简单智能体的交互产生。依据进化控制论智能可以从更简单的反应式行为在元系统跃迁过程中涌现出来。对应课程章节见 lessons/6-Other/23-MultiagentSystems/README.md。进化式路径遗传算法基于进化原理的优化过程。对应课程章节见 lessons/6-Other/21-GeneticAlgorithms/README.md。下文将分别深入两条主线。自上而下符号推理与知识表示在自上而下路径中我们尝试建模自己的推理过程。由于推理时我们能追踪自己的思路就可以尝试把这一过程形式化并编程进计算机这被称为符号推理。人的头脑中往往有指导决策的规则。例如医生诊断病人时发现病人发烧可能会推断体内存在炎症——通过对具体问题应用大量规则医生得出最终诊断。课程指出这一路径高度依赖知识表示与推理而从人类专家那里抽取知识往往是最困难的部分医生在许多情况下并不确切知道自己为何得出某个诊断解决方案有时未经显式思考就出现在脑中。而且像从照片判断年龄这类任务根本无法化简为知识操作。仓库中对应的深入内容是 lessons/2-Symbolic/README.md知识表示与专家系统其中用 DIKW 金字塔区分了数据、信息、知识、智慧四个层次并系统介绍了语义网络三元组、框架表示、产生式规则、逻辑等多种知识表示方法与本课的自上而下路径形成直接衔接。自下而上人工神经网络另一条路径是建模人脑中最简单的元素——神经元在计算机内构造所谓的人工神经网络然后通过提供样例教会它求解问题。这一过程类似新生儿通过观察来认识周围环境。课程给出了一个直观的 ML 对照说明基于数据让计算机学习求解问题的 AI 分支称为机器学习Machine Learning。本课程不涉及经典机器学习指向独立的《Machine Learning for Beginners》课程而是聚焦神经网络与深度学习。仓库中与此对应的核心代码资产包括examples/02-simple-neural-network.py不借助任何 ML 框架从零实现单神经元网络。该脚本演示了神经元的完整工作机理——feedforward完成前向传播输入加权求和、加偏置、过 sigmoid 激活函数输出 0~1 之间的置信度train完成后向传播用误差与 sigmoid 导数计算修正量按学习率更新权重与偏置。任务设定为判断 2D 平面上的点位于直线 yx 上方还是下方随机初始化权重后对 100 个样例训练 50 轮即可学会正确分类非常适合验证提供训练数据即可让网络学到规律这一自下而上路径的核心主张。lessons/3-NeuralNetworks/03-Perceptron/README.md从 1957 年 Rosenblatt 的 Mark-1 感知机硬件20x20 光电池阵列对应 400 个输入、1 个二值输出讲起给出感知机模型 y(x)f(wᵀx)、感知机准则误差定义与梯度下降权重更新公式并附完整 Python 训练代码。AI 简史从专家系统、AI 寒冬到神经网络复兴人工智能作为一个学科诞生于 20 世纪中叶。最初占主导的是符号路径并带来了一系列重要成就如专家系统——在有限问题域中充当专家的计算机程序。但很快人们发现该路径难以规模化从专家抽取知识、在计算机中表示并保持知识库的准确性是极其复杂的任务在很多情况下成本高到不具实用性。这导致了 20 世纪 70 年代的所谓 AI 寒冬。图为 AI 从早期符号方法到现代神经网络的发展历程示意。随着时间推移计算资源越来越便宜、数据越来越丰富神经网络路径开始在计算机视觉、语音理解等许多领域展现出与人类竞争的性能。最近十年人工智能一词大多已成为神经网络的同义词——因为人们听到的大部分 AI 成就都基于神经网络。课程以编写下国际象棋程序为例展示了技术路径的演进早期基于搜索程序显式评估对手在未来若干步内的可能走法依据几步之内可达的最优局面选择最优走法由此催生了 alpha-beta 剪枝搜索算法。中后期基于案例推理搜索策略在残局阶段效果好搜索空间受限于少量可能走法但在开局阶段搜索空间巨大于是通过从人类棋手之间的既有对局中学习来改进算法即基于案例的推理——在知识库中查找与当前局面非常相似的案例。现代基于强化学习击败人类棋手的现代程序基于神经网络与强化学习——程序仅通过长时间自我对弈、从自身错误中学习正如人类学棋但程序能在更短时间内下完多得多的棋局因此学习快得多。会说话的程序可能通过图灵测试的程序路径也在演变早期程序如 Eliza 基于非常简单的语法规则把输入句子改写成问句。现代助手Cortana、Siri、Google Assistant都是混合系统用神经网络把语音转成文本、识别意图再用某种推理或显式算法执行所需动作。未来可期待完全基于神经网络的对话模型自行处理对话——近期 GPT 与 Turing-NLG 家族神经网络已在此方向展示出巨大成功。从 Eliza 式的规则改写到现代混合助手再到面向完整神经对话模型的演进示意。近年 AI 研究ImageNet 与人类水平里程碑神经网络研究的爆发性增长始于 2010 年前后当时大规模公开数据集开始出现。约 1400 万张带标注图像的 ImageNet 催生了 ImageNet 大规模视觉识别挑战赛ILSVRC。下图为 ILSVRC 分类错误率随年份的变化2012 年卷积神经网络CNN 首次用于图像分类使分类错误率从接近 30% 显著降至 16.4%。2015 年微软研究院的 ResNet 架构实现了人类水平的准确率。此后神经网络在众多任务中表现出色课程给出的达到人类水平里程碑表如下年份达到人类水平的任务2015图像分类2016会话式语音识别2018自动机器翻译中译英2020图像描述生成近几年的另一波巨大成功来自大型语言模型如 BERT 与 GPT-3。这主要归功于海量通用文本数据的可得性可以训练模型捕获文本的结构与语义在通用语料上预训练再将模型特化到更具体的任务。本课程后续将在 NLP 章节含文本表示、嵌入、语言模型、RNN、Transformer、大型语言模型等子章节系统展开这一主题。动手挑战调研你身边最有效的 AI 应用课程的 挑战环节建议学习者进行一次互联网调研你认为 AI 在哪里被利用得最有效是地图应用、某个语音转文本服务还是一款电子游戏去查明该系统是如何构建的。这个问题有助于把本课的概念框架弱 AI、训练数据、神经网络与实际产品对应起来为后续章节的学习建立直觉。配套测验、自测与课程作业本课遵循课程统一的教学法项目驱动 频繁测验详见 lessons/0-course-setup/setup.md每节课配有课前测验预评估与课后测验巩固记忆测验应用源码位于 etc/quiz-appVue 前端 题库位于 etc/quiz-src既可以在线使用也可以按 etc/quiz-app/README.md 的说明在本地运行。Review Self Study复习与自学建议回顾 AI 与 ML 的历史并选取本课或历史课程开头速记图中的一个要素深入研究理解影响其演进的背景脉络。Assignment课后作业——Game Jam完整作业说明见 lessons/1-Intro/assignment.md。核心任务是游戏领域深受 AI 与 ML 发展影响请就一款你喜欢的、且受到 AI 演化影响的游戏历史足够久、经历过多种计算机处理系统影响的更佳如国际象棋、围棋也可关注 Pong、Pac-Man 等视频游戏撰写一篇短文讨论该游戏的过去、现在与 AI 化的未来。在课程仓库中继续学习路线图与运行方式本课是课程的第 0/01 节承担全局导览职责。仓库根目录 README.md 给出了完整课程地图后续主线依次为II 符号 AIlessons/2-Symbolic/README.md知识表示与专家系统配套 Animals.ipynb、FamilyOntology.ipynb、MSConceptGraph.ipynb 三个 Notebook 实验III 神经网络lessons/3-NeuralNetworks/README.md从感知机到自建框架再到 PyTorch/TensorFlow 框架与过拟合IV 计算机视觉lessons/4-ComputerVision/README.mdOpenCV、CNN、迁移学习、自编码器、GAN、目标检测与分割V 自然语言处理lessons/5-NLP/README.md文本表示、嵌入、语言模型、RNN、Transformer 与大型语言模型VI 其他方法遗传算法、深度强化学习、多智能体系统VII 伦理lessons/7-Ethics/README.md。如果你想实际运行课程中的 Notebook可以参考 lessons/0-course-setup/how-to-run.md本地可用 miniconda 创建虚拟环境conda env create --name ai4beg --file .devcontainer/environment.yml配合 VS Code Python 扩展或浏览器 Jupyterjupyter notebook使用也可以选择 GitHub Codespaces、Binder 等云端方案或在有 GPU 的云端环境运行后期对算力要求较高的章节。赞分享教程人工智能机器学习深度学习【免费下载链接】AI-For-Beginners12 Weeks, 24 Lessons, AI for All!项目地址https://gitcode.com/GitHub_Trending/ai/AI-For-Beginners点击查看免费下载相关推荐AI-For-Beginners 课程导读人工智能入门、图灵测试与两大技术路线AI For Beginners 课程导读人工智能入门、图灵测试与两大技术路线 本篇文章是开源课程 AI For Beginners 12 周、24 课时的教程人工智能机器学习深度学习AI-For-Beginners 课程导读从人工智能的定义到符号推理与神经网络两条路线AI For Beginners 课程导读从人工智能的定义到符号推理与神经网络两条路线 导读 本文基于 AI For Beginners https://li教程人工智能机器学习深度学习AI-For-Beginners 课程导读从图灵测试到神经网络理解人工智能的两种构建路径AI For Beginners 课程导读从图灵测试到神经网络理解人工智能的两种构建路径 本课是 AI For Beginners 12 周、24 课课程体教程人工智能机器学习深度学习创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 AI-For-Beginners 课程入门：人工智能的核心概念、发展脉络与两条技术路径
教程人工智能机器学习深度学习【免费下载链接】AI-For-Beginners12 Weeks, 24 Lessons, AI for All!项目地址https://gitcode.com/GitHub_Trending/ai/AI-For-Beginners点击查看免费下载人工智能AI是当前最受关注的计算机学科之一。本篇文章基于开源课程 AI-For-Beginners12 周、24 课时的系统性 AI 入门课程第一节《AI 入门》整理而成系统讲解什么是人工智能弱 AI 与强 AI 的区别图灵测试如何定义智能并梳理从符号推理到神经网络的两大实现路径与 AI 发展简史。读完本文你将掌握 AI 领域最基础的概念框架能够区分可编程任务与需 AI 求解的任务并理解课程后续所有章节符号 AI、神经网络、计算机视觉、NLP的铺垫逻辑。课程第一节由 lessons/1-Intro/README.md 承载其捷克语译文即本文的直接来源translations/cs/lessons/1-Intro/README.md课程在启动页还提供了一张 课程总览速记图将本课知识以手绘方式浓缩展示适合学习后回顾。什么是人工智能可编程任务与不可编程任务要理解 AI 的动机需要先区分两类任务。可编程任务计算机诞生之初Charles Babbage 设计计算机就是为了按照严格定义的过程——即算法——处理数字。现代计算机虽远比 19 世纪的原型先进但依然遵循受控计算的同一思想。只要我们知道达成目标所需的精确步骤序列就可以把任务编程给计算机。不可编程任务然而存在一类我们并不明确知道如何求解的任务。例如根据照片判断一个人的年龄——我们能学会它是因为看过大量不同年龄的人的样例但我们无法明确解释自己是怎么做到的更无法把这种直觉写成程序交给计算机。正是这类任务构成了人工智能Artificial Intelligence简称 AI的研究对象。课程给出的关键示例非常直观从照片估计年龄的任务无法被显式编程因为我们甚至不知道自己脑海中是如何得出这个数字的。基于同样逻辑可以想一想金融、医学和艺术领域有哪些任务适合交给 AI——这些领域今天正在怎样受益于 AI弱 AI 与强 AI两种智能水平的划分AI 系统按能力范围可以分为弱 AIWeak AI与强 AIStrong AI两类课程用对比表格做了清晰界定弱 AI强 AI为特定任务或狭窄任务集而设计、训练的 AI 系统强 AI或称通用人工智能Artificial General Intelligence, AGI指具备人类水平智能与理解力的 AI 系统不具备一般智能擅长执行预定义任务但缺乏真正的理解或意识能完成人类可做的任何智力任务能适应不同领域并具备某种形式的意识或自我意识典型例子包括 Siri、Alexa 等虚拟助手流媒体服务的推荐算法以及面向特定客服任务的聊天机器人实现强 AI 是 AI 研究的长期目标需要开发能在广泛任务与情境中推理、学习、理解和适应的系统高度专业化在其狭窄领域之外不具备类人认知能力或通用问题求解能力目前仍是理论概念尚无任何 AI 系统达到该水平的通用智能当前实际部署的 AI 系统几乎全部属于弱 AI 范畴。强 AIAGI是人工智能研究的远期目标也是哲学上关于意识研究的有趣议题。智能的定义与图灵测试处理智能一词的困难在于不存在一个明确的定义。人们可以说智能与抽象思维或自我意识相关但无法给出严谨的定义。要体会智能一词的歧义性可以尝试回答猫是聪明的吗不同的人往往给出不同答案因为没有普遍接受的测试来判定这一论断的真伪——如果你认为有不妨试着给猫做个 IQ 测试。课程还引导进一步思考能解迷宫取食的乌鸦算聪明吗孩子算聪明吗当我们谈论 AGI 时需要一种方法来判断是否真正创造了智能系统。Alan Turing 提出了图灵测试它同时充当了智能的定义。测试的逻辑是将待测系统与天生智能的事物——真实人类——做比较由于任何自动化比较都可能被计算机程序绕过测试采用人类询问者。如果人类在文本对话中无法区分真实人类与计算机系统就认为该系统是智能的。课程还给出了图灵测试史上一个著名的案例2014 年圣彼得堡开发的聊天机器人 Eugene Goostman 凭借一个巧妙的人设技巧接近通过图灵测试——它事先声明自己是 13 岁的乌克兰男孩从而合理地解释了知识匮乏和文本中的各种不一致。经过 5 分钟对话机器人说服了 30% 的评审相信它是人类图灵曾预测机器到 2000 年就能达到这一指标。但课程强调这并不代表我们创造了智能系统也不代表计算机系统骗过了询问者——真正骗人的是机器人的创造者而不是系统本身。通往智能的两条路径自上而下与自下而上要让计算机像人一样行事就必须在计算机内部建模人类的思维方式因此需要理解是什么让人类智能。课程指出一个关键观察我们的部分决策过程是潜意识的——比如我们能不假思索地区分猫和狗而另一些过程则涉及推理。围绕这一观察课程给出两条主线路径的对比自上而下符号推理自下而上神经网络建模人类求解问题时的推理方式。涉及从人类身上抽取知识并以计算机可读形式表示还需要在计算机内建模推理过程建模由海量简单单元——神经元——组成的人脑结构。每个神经元相当于其输入的加权平均通过提供训练数据可以训练神经元网络求解实用问题此外还存在其他可能的智能路径涌现式/协同式/多智能体路径复杂智能行为可以由大量简单智能体的交互产生。依据进化控制论智能可以从更简单的反应式行为在元系统跃迁过程中涌现出来。对应课程章节见 lessons/6-Other/23-MultiagentSystems/README.md。进化式路径遗传算法基于进化原理的优化过程。对应课程章节见 lessons/6-Other/21-GeneticAlgorithms/README.md。下文将分别深入两条主线。自上而下符号推理与知识表示在自上而下路径中我们尝试建模自己的推理过程。由于推理时我们能追踪自己的思路就可以尝试把这一过程形式化并编程进计算机这被称为符号推理。人的头脑中往往有指导决策的规则。例如医生诊断病人时发现病人发烧可能会推断体内存在炎症——通过对具体问题应用大量规则医生得出最终诊断。课程指出这一路径高度依赖知识表示与推理而从人类专家那里抽取知识往往是最困难的部分医生在许多情况下并不确切知道自己为何得出某个诊断解决方案有时未经显式思考就出现在脑中。而且像从照片判断年龄这类任务根本无法化简为知识操作。仓库中对应的深入内容是 lessons/2-Symbolic/README.md知识表示与专家系统其中用 DIKW 金字塔区分了数据、信息、知识、智慧四个层次并系统介绍了语义网络三元组、框架表示、产生式规则、逻辑等多种知识表示方法与本课的自上而下路径形成直接衔接。自下而上人工神经网络另一条路径是建模人脑中最简单的元素——神经元在计算机内构造所谓的人工神经网络然后通过提供样例教会它求解问题。这一过程类似新生儿通过观察来认识周围环境。课程给出了一个直观的 ML 对照说明基于数据让计算机学习求解问题的 AI 分支称为机器学习Machine Learning。本课程不涉及经典机器学习指向独立的《Machine Learning for Beginners》课程而是聚焦神经网络与深度学习。仓库中与此对应的核心代码资产包括examples/02-simple-neural-network.py不借助任何 ML 框架从零实现单神经元网络。该脚本演示了神经元的完整工作机理——feedforward完成前向传播输入加权求和、加偏置、过 sigmoid 激活函数输出 0~1 之间的置信度train完成后向传播用误差与 sigmoid 导数计算修正量按学习率更新权重与偏置。任务设定为判断 2D 平面上的点位于直线 yx 上方还是下方随机初始化权重后对 100 个样例训练 50 轮即可学会正确分类非常适合验证提供训练数据即可让网络学到规律这一自下而上路径的核心主张。lessons/3-NeuralNetworks/03-Perceptron/README.md从 1957 年 Rosenblatt 的 Mark-1 感知机硬件20x20 光电池阵列对应 400 个输入、1 个二值输出讲起给出感知机模型 y(x)f(wᵀx)、感知机准则误差定义与梯度下降权重更新公式并附完整 Python 训练代码。AI 简史从专家系统、AI 寒冬到神经网络复兴人工智能作为一个学科诞生于 20 世纪中叶。最初占主导的是符号路径并带来了一系列重要成就如专家系统——在有限问题域中充当专家的计算机程序。但很快人们发现该路径难以规模化从专家抽取知识、在计算机中表示并保持知识库的准确性是极其复杂的任务在很多情况下成本高到不具实用性。这导致了 20 世纪 70 年代的所谓 AI 寒冬。图为 AI 从早期符号方法到现代神经网络的发展历程示意。随着时间推移计算资源越来越便宜、数据越来越丰富神经网络路径开始在计算机视觉、语音理解等许多领域展现出与人类竞争的性能。最近十年人工智能一词大多已成为神经网络的同义词——因为人们听到的大部分 AI 成就都基于神经网络。课程以编写下国际象棋程序为例展示了技术路径的演进早期基于搜索程序显式评估对手在未来若干步内的可能走法依据几步之内可达的最优局面选择最优走法由此催生了 alpha-beta 剪枝搜索算法。中后期基于案例推理搜索策略在残局阶段效果好搜索空间受限于少量可能走法但在开局阶段搜索空间巨大于是通过从人类棋手之间的既有对局中学习来改进算法即基于案例的推理——在知识库中查找与当前局面非常相似的案例。现代基于强化学习击败人类棋手的现代程序基于神经网络与强化学习——程序仅通过长时间自我对弈、从自身错误中学习正如人类学棋但程序能在更短时间内下完多得多的棋局因此学习快得多。会说话的程序可能通过图灵测试的程序路径也在演变早期程序如 Eliza 基于非常简单的语法规则把输入句子改写成问句。现代助手Cortana、Siri、Google Assistant都是混合系统用神经网络把语音转成文本、识别意图再用某种推理或显式算法执行所需动作。未来可期待完全基于神经网络的对话模型自行处理对话——近期 GPT 与 Turing-NLG 家族神经网络已在此方向展示出巨大成功。从 Eliza 式的规则改写到现代混合助手再到面向完整神经对话模型的演进示意。近年 AI 研究ImageNet 与人类水平里程碑神经网络研究的爆发性增长始于 2010 年前后当时大规模公开数据集开始出现。约 1400 万张带标注图像的 ImageNet 催生了 ImageNet 大规模视觉识别挑战赛ILSVRC。下图为 ILSVRC 分类错误率随年份的变化2012 年卷积神经网络CNN 首次用于图像分类使分类错误率从接近 30% 显著降至 16.4%。2015 年微软研究院的 ResNet 架构实现了人类水平的准确率。此后神经网络在众多任务中表现出色课程给出的达到人类水平里程碑表如下年份达到人类水平的任务2015图像分类2016会话式语音识别2018自动机器翻译中译英2020图像描述生成近几年的另一波巨大成功来自大型语言模型如 BERT 与 GPT-3。这主要归功于海量通用文本数据的可得性可以训练模型捕获文本的结构与语义在通用语料上预训练再将模型特化到更具体的任务。本课程后续将在 NLP 章节含文本表示、嵌入、语言模型、RNN、Transformer、大型语言模型等子章节系统展开这一主题。动手挑战调研你身边最有效的 AI 应用课程的 挑战环节建议学习者进行一次互联网调研你认为 AI 在哪里被利用得最有效是地图应用、某个语音转文本服务还是一款电子游戏去查明该系统是如何构建的。这个问题有助于把本课的概念框架弱 AI、训练数据、神经网络与实际产品对应起来为后续章节的学习建立直觉。配套测验、自测与课程作业本课遵循课程统一的教学法项目驱动 频繁测验详见 lessons/0-course-setup/setup.md每节课配有课前测验预评估与课后测验巩固记忆测验应用源码位于 etc/quiz-appVue 前端 题库位于 etc/quiz-src既可以在线使用也可以按 etc/quiz-app/README.md 的说明在本地运行。Review Self Study复习与自学建议回顾 AI 与 ML 的历史并选取本课或历史课程开头速记图中的一个要素深入研究理解影响其演进的背景脉络。Assignment课后作业——Game Jam完整作业说明见 lessons/1-Intro/assignment.md。核心任务是游戏领域深受 AI 与 ML 发展影响请就一款你喜欢的、且受到 AI 演化影响的游戏历史足够久、经历过多种计算机处理系统影响的更佳如国际象棋、围棋也可关注 Pong、Pac-Man 等视频游戏撰写一篇短文讨论该游戏的过去、现在与 AI 化的未来。在课程仓库中继续学习路线图与运行方式本课是课程的第 0/01 节承担全局导览职责。仓库根目录 README.md 给出了完整课程地图后续主线依次为II 符号 AIlessons/2-Symbolic/README.md知识表示与专家系统配套 Animals.ipynb、FamilyOntology.ipynb、MSConceptGraph.ipynb 三个 Notebook 实验III 神经网络lessons/3-NeuralNetworks/README.md从感知机到自建框架再到 PyTorch/TensorFlow 框架与过拟合IV 计算机视觉lessons/4-ComputerVision/README.mdOpenCV、CNN、迁移学习、自编码器、GAN、目标检测与分割V 自然语言处理lessons/5-NLP/README.md文本表示、嵌入、语言模型、RNN、Transformer 与大型语言模型VI 其他方法遗传算法、深度强化学习、多智能体系统VII 伦理lessons/7-Ethics/README.md。如果你想实际运行课程中的 Notebook可以参考 lessons/0-course-setup/how-to-run.md本地可用 miniconda 创建虚拟环境conda env create --name ai4beg --file .devcontainer/environment.yml配合 VS Code Python 扩展或浏览器 Jupyterjupyter notebook使用也可以选择 GitHub Codespaces、Binder 等云端方案或在有 GPU 的云端环境运行后期对算力要求较高的章节。赞分享教程人工智能机器学习深度学习【免费下载链接】AI-For-Beginners12 Weeks, 24 Lessons, AI for All!项目地址https://gitcode.com/GitHub_Trending/ai/AI-For-Beginners点击查看免费下载相关推荐AI-For-Beginners 课程导读人工智能入门、图灵测试与两大技术路线AI For Beginners 课程导读人工智能入门、图灵测试与两大技术路线 本篇文章是开源课程 AI For Beginners 12 周、24 课时的教程人工智能机器学习深度学习AI-For-Beginners 课程导读从人工智能的定义到符号推理与神经网络两条路线AI For Beginners 课程导读从人工智能的定义到符号推理与神经网络两条路线 导读 本文基于 AI For Beginners https://li教程人工智能机器学习深度学习AI-For-Beginners 课程导读从图灵测试到神经网络理解人工智能的两种构建路径AI For Beginners 课程导读从图灵测试到神经网络理解人工智能的两种构建路径 本课是 AI For Beginners 12 周、24 课课程体教程人工智能机器学习深度学习创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考