拓冰网站定制 
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究竟解决什么问题为什么从照片判断一个人年龄这种人类毫不费力的事情反而无法用传统编程实现本篇文章以 AI-For-Beginners 课程体系的第一课《Introduction to AI》为核心脉络本仓库保加利亚语译本位于 translations/bg/lessons/1-Intro/README.md英文原版位于 lessons/1-Intro/README.md系统梳理 AI 的核心定义、弱/强人工智能的边界、图灵测试、自上而下与自下而上两条技术路径、AI 历史演进以及近年里程碑式研究成果。读完本文你将建立一套完整的人工智能认知框架明确后续 24 课的学习地图并能直接上手仓库中第一个可运行的 AI 示例代码。课程定位12 周、24 课面向所有人的 AI 路线图AI-For-Beginners 是一个从零开始的 AI 教学课程仓库项目定位为12 Weeks, 24 Lessons, AI for All!。第一课是整个课程的认知起点它为后续所有专题奠定概念基础符号智能第 2 单元、神经网络第 3 单元、计算机视觉第 4 单元、自然语言处理第 5 单元、遗传算法与多智能体等扩展主题第 6 单元。每一课都配有课前测验pre-lecture quiz与课后测验post-lecture quiz课程仓库中的 quiz-app 即为测验应用源码仓库还提供了 Mindmap 思维导图用于整体知识导航。学完本课后建议按顺序继续阅读后续课程形成闭环学习路径。什么是人工智能可编程任务与不可编程任务的边界人工智能Artificial Intelligence简称 AI是一门激动人心的科学学科它研究如何让计算机表现出智能行为——即去做那些人类所擅长的事情。为了理解这个定义需要回顾计算机的本质。计算机最初由查尔斯·巴贝奇设计用于按照精确定义的步骤即算法处理数字。现代计算机虽然比 19 世纪的原始模型先进得多但底层逻辑仍然是受控计算只要我们精确知道达成目标所需的每一步就能编程让计算机完成它。然而有一类任务我们并不显式知道如何求解。以从照片判断一个人的年龄为例我们之所以会做这件事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如何在头脑中得出那个数字的自然也就无法用传统编程让计算机复现这个过程。恰恰是这类任务构成了人工智能的研究对象。✅ 思考一下有哪些任务适合交给 AI 来处理在金融、医疗、艺术等领域AI 今天正在如何发挥作用弱人工智能与强人工智能人工智能领域首先需要区分两个层次的目标弱人工智能Weak AI强人工智能Strong AI / AGI针对特定任务或狭窄任务集设计与训练的 AI 系统。具备人类水平智能与理解的 AI 系统即人工通用智能Artificial General IntelligenceAGI。并非普遍智能擅长执行预定义任务但缺乏真正的理解或意识。能够完成人类能做的任何智力任务跨领域适应并具备某种意识或自我意识。典型例子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场景的聊天机器人。实现强人工智能是 AI 研究的长期目标需要系统能够跨任务与上下文进行推理、学习、理解和适应。高度专门化不具备类人认知能力也无法解决其狭窄领域之外的一般问题。目前仍属理论概念尚无任何 AI 系统达到这一通用智能水平。智能的定义难题与图灵测试处理智能Intelligence这个词的一大困难在于它没有一个清晰公认的定义。可以说智能与抽象思维相关或与自我意识相关但都无法严格界定。不妨试着回答一个问题猫是智能的吗不同的人会给出不同的答案因为并没有一个公认的测试来证明这个论断的真伪。如果你认为有——大可以带你的猫去做一次 IQ 测试。这正体现了智能一词的模糊性。✅ 花一分钟想想你如何定义智能一只能走出迷宫拿到食物的乌鸦算智能吗一个孩子算智能吗既然要谈论 AGI就必须有一种方法来判断我们是否真的创造出了智能系统。艾伦·图灵提出了一种方法——图灵测试Turing Test它同时充当智能的一种操作性定义将一个待测系统与一个天然智能的参照物真实的人进行对比。由于任何自动化的对比都可以被计算机程序绕过因此测试采用人类询问者如果一个人在纯文本对话中无法区分真实人类与计算机系统那么这个系统就被认为是智能的。一个著名的例子是 2014 年在圣彼得堡开发的聊天机器人Eugene Goostman它借助一个巧妙的人设技巧接近通过图灵测试程序事先声明自己是一个 13 岁的乌克兰男孩以此解释其知识欠缺和文本中的一些前后矛盾。在 5 分钟对话后它说服了 30% 的评委相信它是人类——图灵曾预测机器到 2000 年就能通过这一指标。但必须清醒认识到这并不表明我们创造出了智能系统也不是计算机系统骗过了人类询问者——真正骗过人类的不是系统而是机器人背后的创建者。✅ 你是否曾被某个聊天机器人骗过以为自己在和真人对话它是如何说服你的通往智能的两大技术路径要让计算机表现得像人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变得智能。稍作内省就会发现有些过程是潜意识发生的——比如我们不假思索就能区分猫和狗而另一些过程则涉及推理。围绕这一点课程给出了两大主流路径自上而下Top-down符号推理自下而上Bottom-up神经网络建模人类推理解决问题的过程从人身上提取知识以计算机可读的形式表示并在计算机内部建模推理机制。建模人类大脑的结构由海量简单单元——神经元组成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一个神经元网络解决实际问题。除了两大主流路径还存在其他可能的智能实现思路涌现式 / 协同式 / 多智能体路径复杂智能行为可以通过大量简单智能体的交互涌现出来。按照演化控制论的观点智能可以在元系统跃迁过程中从更简单、反应式的行为中涌现。本仓库后续的 多智能体系统课程 即深入探讨了这一方向。演化路径 / 遗传算法一种基于进化原理的优化过程。仓库中的 遗传算法课程 展示了如何用基因、适应度函数、交叉、变异来求解调度优化、最优装箱、最优切割以及加速穷举搜索等典型问题。下文将聚焦两大主线路径展开。自上而下符号推理自上而下方法试图建模我们的推理过程。既然推理时可以跟随自己的思路就可以尝试将这个流程形式化并编程进计算机这被称为符号推理Symbolic Reasoning。人们头脑中往往存在一些指导决策的规则。例如医生诊断病人时可能意识到病人发烧从而推断体内存在炎症对具体问题应用一大套规则后医生就能得出最终诊断。这种方法高度依赖知识表示Knowledge Representation与推理Reasoning。其最大难点在于从人类专家身上提取知识往往是最困难的部分——很多情况下医生并不清楚自己为什么得出某个诊断答案有时不经显式思考就直接浮现在脑海中。而像从照片判断年龄这类任务根本无法归结为知识的操纵。本课程后续的 第 2 单元知识表示与专家系统 专门深入讲解知识表示的概念包括 DIKW 金字塔、语义网络、三元组、框架表示与产生式规则等内容。自下而上神经网络另一种思路是建模大脑中最简单的单元——神经元。我们可以在计算机中构建所谓的人工神经网络然后通过不断给它看例子来教会它解决问题。这一过程类似于新生儿通过观察来认识周围环境。✅ 做一些关于婴儿如何学习的小研究婴儿大脑的基本组成要素是什么需要特别说明的是**机器学习Machine Learning**是人工智能的一个子领域指计算机基于数据来学习解决某一问题。本课程并不展开经典机器学习内容而是引导读者学习配套的《Machine Learning for Beginners》课程体系。AI 简史从专家系统到 AI 寒冬人工智能作为一门学科始于 20 世纪中叶。最初符号推理占据主流并带来了一系列重要成果最典型的是专家系统Expert Systems——能够在某些受限问题领域扮演专家角色的计算机程序。然而人们很快发现这种路径难以规模化从专家处提取知识、在计算机中表示知识、并持续维护知识库的准确性是一项极其复杂的任务在多数场景下成本过高、缺乏实用性。这直接导致了 20 世纪 70 年代的所谓AI 寒冬AI Winter。随着时间推移计算资源越来越廉价、可用数据越来越多神经网络方法开始在计算机视觉、语音理解等多个领域展现出与人类竞争的优秀性能。近十年来人工智能一词在多数语境下几乎成了神经网络的同义词——因为我们听到的绝大多数 AI 成功案例都建立在神经网络之上。一条历史视角下棋程序的算法演进以让计算机下国际象棋为例可以清楚看到技术路径的更迭早期程序基于搜索程序显式评估对手未来若干步的可能走法并依据几步之后能达到的最优局面选择当前最优走法。这催生了著名的alpha-beta 剪枝搜索算法。棋局后期搜索高效开局则不然临近终局时搜索空间被限制在少量可能的走法内搜索策略表现良好但开局阶段搜索空间巨大此时可以通过学习人类棋手之间的既有对局来改进算法。后续实验采用了所谓的基于案例的推理Case-based Reasoning——程序在知识库中寻找与当前局面高度相似的棋局案例。现代击败人类棋手的程序建立在神经网络与强化学习之上程序只靠与自己长时间对弈、从自身错误中学习来提升棋力——这和人类学棋的方式相似但计算机能在更短时间内完成多得多的对局因此学习速度远超人类。✅ 研究一下还有哪些游戏被 AI 攻克过。对话程序的演进从 Eliza 到现代助手类似的路径更迭也发生在能说话的程序即可能通过图灵测试的程序上早期程序如 Eliza基于非常简单的语法规则将输入的句子重新组织成一个反问句。现代助手如 Cortana、Siri、Google Assistant都是混合系统先用神经网络把语音转成文字并识别用户意图再借助某些推理或显式算法执行所需动作。未来展望我们可能期待完全基于神经网络的模型独立处理对话。近期 GPT 系列以及微软的Turing-NLG170 亿参数的神经语言模型家族在这一方向上已展现出巨大成功。近年 AI 研究ImageNet、CNN 与人类水平里程碑神经网络研究的大爆发始于 2010 年前后契机是大型公开数据集开始可用。其中名为ImageNet的巨型图像集合包含约1400 万张标注图像并催生了ImageNet 大规模视觉识别挑战赛ILSVRC。2012 年卷积神经网络CNN首次被用于图像分类使分类错误率显著下降从接近 30% 降至 16.4%。2015 年微软研究院的 ResNet 架构达到了人类水平的准确率。关于 CNN 的工作原理卷积滤波器、金字塔架构、VGG-16 等经典结构详见课程 7 课卷积神经网络。此后神经网络在众多任务中不断取得人类水平Human Parity的里程碑年份达到人类水平的任务2015图像分类2016对话式语音识别2018自动机器翻译中译英2020图像描述生成近几年来BERT、GPT-3 等大型语言模型取得了巨大成功。这主要得益于海量通用文本数据的存在模型先在通用文本集合上进行预训练以捕捉文本的结构与含义再针对更具体的任务进行微调。自然语言处理专题将在课程的 第 5 单元 中详细展开包括文本分类、情感分析、命名实体识别、问答与文本生成等任务。动手实践挑战、测验与 Game Jam 作业第一课配套了完整的实践环节 挑战任务在互联网上考察 AI 目前最有效的应用场景——是地图导航应用、语音转文字服务还是电子游戏调研该系统是如何构建的。课前与课后测验完成 quiz-app 中对应的课前测验与课后测验检验概念掌握程度。课程作业Game Jam详见 lessons/1-Intro/assignment.md。游戏领域深受 AI 与 ML 发展影响。该作业要求选择一款足够古老、从而经历了多种计算机处理系统演进的游戏国际象棋、围棋是好例子也可以选择 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 未来。复习与自学指引回顾 AI 与机器学习的历史可以从本课开头那张草图笔记中选取一个元素进行深入研究理解影响其演进的文化背景。利用仓库的 Mindmap 思维导图梳理课程整体结构将本课概念放入更大的知识网络中。对照其他语言译本加深理解例如本仓库提供保加利亚语等多种语言的完整翻译位于 translations 目录。用仓库示例代码深化理解第一个可运行的 AI 程序本课的核心概念——从数据中学习、而不是显式编程——可以直接通过仓库中的入门示例 examples/01-hello-ai-world.py 获得最直观的体验。该示例实现了一个极简的学习器SimpleAILearner它不依赖任何机器学习库只用一个权重参数从样本中学习线性规律y 2xclass SimpleAILearner: def __init__(self): self.weight random.uniform(0, 5) # 待学习的权重初始为随机猜测 self.learning_rate 0.01 # 学习率决定每次调整的步长 def predict(self, x): return self.weight * x # 基于当前权重做预测 def train(self, training_data, epochs100): for epoch in range(epochs): for x, y_actual in training_data: y_predicted self.predict(x) error y_actual - y_predicted # 计算误差 self.weight self.learning_rate * error * x # 减小误差这就是学习训练时向它喂入(1,2), (2,4), (3,6), (4,8), (5,10)这 5 组样例迭代 100 轮epoch它就能把权重从随机值逐步修正到接近 2之后对未见过的输入6, 7, 10, 15也能给出接近真实答案的预测。这正是自下而上路径的精髓不显式编写规则而是让程序从训练数据中自行归纳出模式与专家系统时代人工提取知识、写死规则的自上而下思路形成鲜明对比。运行方式非常简单Python 3 环境无需额外依赖python examples/01-hello-ai-world.py仓库的 examples/README.md 还提供了进阶学习路径从Hello AI World的简单模式识别到从零搭建神经网络、预训练模型图像分类、以及文本情感分析帮助你逐步把本课建立的概念框架落到真实代码上。小结第一课建立了理解整个 AI-For-Beginners 课程体系的四块基石AI 处理的是无法显式编程的任务、弱 AI 与强 AIAGI的层次区分、图灵测试作为智能的操作性判据以及自上而下符号推理与自下而上神经网络两条技术路径的并立与合流。带着这套框架进入后续课程你将分别在符号智能、神经网络、计算机视觉、NLP、强化学习与多智能体等专题中看到这两条路径如何在具体问题上各自发光、相互融合。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感知机Perceptron精讲generative-ai-for-beginners 第 15 课知识库中的人工神经网络入门讲义感知机Perceptron精讲generative ai for beginners 第 15 课知识库中的人工神经网络入门讲义 本篇文章以 genera教程人工智能大模型上一篇3步上手Gradio从安装到多场景AI交互界面实战下一篇chart.xkcd扩展开发如何编写自定义图表类型插件创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 AI-For-Beginners 第一课：人工智能入门全景——从智能定义、图灵测试到神经网络的演进之路
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究竟解决什么问题为什么从照片判断一个人年龄这种人类毫不费力的事情反而无法用传统编程实现本篇文章以 AI-For-Beginners 课程体系的第一课《Introduction to AI》为核心脉络本仓库保加利亚语译本位于 translations/bg/lessons/1-Intro/README.md英文原版位于 lessons/1-Intro/README.md系统梳理 AI 的核心定义、弱/强人工智能的边界、图灵测试、自上而下与自下而上两条技术路径、AI 历史演进以及近年里程碑式研究成果。读完本文你将建立一套完整的人工智能认知框架明确后续 24 课的学习地图并能直接上手仓库中第一个可运行的 AI 示例代码。课程定位12 周、24 课面向所有人的 AI 路线图AI-For-Beginners 是一个从零开始的 AI 教学课程仓库项目定位为12 Weeks, 24 Lessons, AI for All!。第一课是整个课程的认知起点它为后续所有专题奠定概念基础符号智能第 2 单元、神经网络第 3 单元、计算机视觉第 4 单元、自然语言处理第 5 单元、遗传算法与多智能体等扩展主题第 6 单元。每一课都配有课前测验pre-lecture quiz与课后测验post-lecture quiz课程仓库中的 quiz-app 即为测验应用源码仓库还提供了 Mindmap 思维导图用于整体知识导航。学完本课后建议按顺序继续阅读后续课程形成闭环学习路径。什么是人工智能可编程任务与不可编程任务的边界人工智能Artificial Intelligence简称 AI是一门激动人心的科学学科它研究如何让计算机表现出智能行为——即去做那些人类所擅长的事情。为了理解这个定义需要回顾计算机的本质。计算机最初由查尔斯·巴贝奇设计用于按照精确定义的步骤即算法处理数字。现代计算机虽然比 19 世纪的原始模型先进得多但底层逻辑仍然是受控计算只要我们精确知道达成目标所需的每一步就能编程让计算机完成它。然而有一类任务我们并不显式知道如何求解。以从照片判断一个人的年龄为例我们之所以会做这件事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如何在头脑中得出那个数字的自然也就无法用传统编程让计算机复现这个过程。恰恰是这类任务构成了人工智能的研究对象。✅ 思考一下有哪些任务适合交给 AI 来处理在金融、医疗、艺术等领域AI 今天正在如何发挥作用弱人工智能与强人工智能人工智能领域首先需要区分两个层次的目标弱人工智能Weak AI强人工智能Strong AI / AGI针对特定任务或狭窄任务集设计与训练的 AI 系统。具备人类水平智能与理解的 AI 系统即人工通用智能Artificial General IntelligenceAGI。并非普遍智能擅长执行预定义任务但缺乏真正的理解或意识。能够完成人类能做的任何智力任务跨领域适应并具备某种意识或自我意识。典型例子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场景的聊天机器人。实现强人工智能是 AI 研究的长期目标需要系统能够跨任务与上下文进行推理、学习、理解和适应。高度专门化不具备类人认知能力也无法解决其狭窄领域之外的一般问题。目前仍属理论概念尚无任何 AI 系统达到这一通用智能水平。智能的定义难题与图灵测试处理智能Intelligence这个词的一大困难在于它没有一个清晰公认的定义。可以说智能与抽象思维相关或与自我意识相关但都无法严格界定。不妨试着回答一个问题猫是智能的吗不同的人会给出不同的答案因为并没有一个公认的测试来证明这个论断的真伪。如果你认为有——大可以带你的猫去做一次 IQ 测试。这正体现了智能一词的模糊性。✅ 花一分钟想想你如何定义智能一只能走出迷宫拿到食物的乌鸦算智能吗一个孩子算智能吗既然要谈论 AGI就必须有一种方法来判断我们是否真的创造出了智能系统。艾伦·图灵提出了一种方法——图灵测试Turing Test它同时充当智能的一种操作性定义将一个待测系统与一个天然智能的参照物真实的人进行对比。由于任何自动化的对比都可以被计算机程序绕过因此测试采用人类询问者如果一个人在纯文本对话中无法区分真实人类与计算机系统那么这个系统就被认为是智能的。一个著名的例子是 2014 年在圣彼得堡开发的聊天机器人Eugene Goostman它借助一个巧妙的人设技巧接近通过图灵测试程序事先声明自己是一个 13 岁的乌克兰男孩以此解释其知识欠缺和文本中的一些前后矛盾。在 5 分钟对话后它说服了 30% 的评委相信它是人类——图灵曾预测机器到 2000 年就能通过这一指标。但必须清醒认识到这并不表明我们创造出了智能系统也不是计算机系统骗过了人类询问者——真正骗过人类的不是系统而是机器人背后的创建者。✅ 你是否曾被某个聊天机器人骗过以为自己在和真人对话它是如何说服你的通往智能的两大技术路径要让计算机表现得像人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变得智能。稍作内省就会发现有些过程是潜意识发生的——比如我们不假思索就能区分猫和狗而另一些过程则涉及推理。围绕这一点课程给出了两大主流路径自上而下Top-down符号推理自下而上Bottom-up神经网络建模人类推理解决问题的过程从人身上提取知识以计算机可读的形式表示并在计算机内部建模推理机制。建模人类大脑的结构由海量简单单元——神经元组成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一个神经元网络解决实际问题。除了两大主流路径还存在其他可能的智能实现思路涌现式 / 协同式 / 多智能体路径复杂智能行为可以通过大量简单智能体的交互涌现出来。按照演化控制论的观点智能可以在元系统跃迁过程中从更简单、反应式的行为中涌现。本仓库后续的 多智能体系统课程 即深入探讨了这一方向。演化路径 / 遗传算法一种基于进化原理的优化过程。仓库中的 遗传算法课程 展示了如何用基因、适应度函数、交叉、变异来求解调度优化、最优装箱、最优切割以及加速穷举搜索等典型问题。下文将聚焦两大主线路径展开。自上而下符号推理自上而下方法试图建模我们的推理过程。既然推理时可以跟随自己的思路就可以尝试将这个流程形式化并编程进计算机这被称为符号推理Symbolic Reasoning。人们头脑中往往存在一些指导决策的规则。例如医生诊断病人时可能意识到病人发烧从而推断体内存在炎症对具体问题应用一大套规则后医生就能得出最终诊断。这种方法高度依赖知识表示Knowledge Representation与推理Reasoning。其最大难点在于从人类专家身上提取知识往往是最困难的部分——很多情况下医生并不清楚自己为什么得出某个诊断答案有时不经显式思考就直接浮现在脑海中。而像从照片判断年龄这类任务根本无法归结为知识的操纵。本课程后续的 第 2 单元知识表示与专家系统 专门深入讲解知识表示的概念包括 DIKW 金字塔、语义网络、三元组、框架表示与产生式规则等内容。自下而上神经网络另一种思路是建模大脑中最简单的单元——神经元。我们可以在计算机中构建所谓的人工神经网络然后通过不断给它看例子来教会它解决问题。这一过程类似于新生儿通过观察来认识周围环境。✅ 做一些关于婴儿如何学习的小研究婴儿大脑的基本组成要素是什么需要特别说明的是**机器学习Machine Learning**是人工智能的一个子领域指计算机基于数据来学习解决某一问题。本课程并不展开经典机器学习内容而是引导读者学习配套的《Machine Learning for Beginners》课程体系。AI 简史从专家系统到 AI 寒冬人工智能作为一门学科始于 20 世纪中叶。最初符号推理占据主流并带来了一系列重要成果最典型的是专家系统Expert Systems——能够在某些受限问题领域扮演专家角色的计算机程序。然而人们很快发现这种路径难以规模化从专家处提取知识、在计算机中表示知识、并持续维护知识库的准确性是一项极其复杂的任务在多数场景下成本过高、缺乏实用性。这直接导致了 20 世纪 70 年代的所谓AI 寒冬AI Winter。随着时间推移计算资源越来越廉价、可用数据越来越多神经网络方法开始在计算机视觉、语音理解等多个领域展现出与人类竞争的优秀性能。近十年来人工智能一词在多数语境下几乎成了神经网络的同义词——因为我们听到的绝大多数 AI 成功案例都建立在神经网络之上。一条历史视角下棋程序的算法演进以让计算机下国际象棋为例可以清楚看到技术路径的更迭早期程序基于搜索程序显式评估对手未来若干步的可能走法并依据几步之后能达到的最优局面选择当前最优走法。这催生了著名的alpha-beta 剪枝搜索算法。棋局后期搜索高效开局则不然临近终局时搜索空间被限制在少量可能的走法内搜索策略表现良好但开局阶段搜索空间巨大此时可以通过学习人类棋手之间的既有对局来改进算法。后续实验采用了所谓的基于案例的推理Case-based Reasoning——程序在知识库中寻找与当前局面高度相似的棋局案例。现代击败人类棋手的程序建立在神经网络与强化学习之上程序只靠与自己长时间对弈、从自身错误中学习来提升棋力——这和人类学棋的方式相似但计算机能在更短时间内完成多得多的对局因此学习速度远超人类。✅ 研究一下还有哪些游戏被 AI 攻克过。对话程序的演进从 Eliza 到现代助手类似的路径更迭也发生在能说话的程序即可能通过图灵测试的程序上早期程序如 Eliza基于非常简单的语法规则将输入的句子重新组织成一个反问句。现代助手如 Cortana、Siri、Google Assistant都是混合系统先用神经网络把语音转成文字并识别用户意图再借助某些推理或显式算法执行所需动作。未来展望我们可能期待完全基于神经网络的模型独立处理对话。近期 GPT 系列以及微软的Turing-NLG170 亿参数的神经语言模型家族在这一方向上已展现出巨大成功。近年 AI 研究ImageNet、CNN 与人类水平里程碑神经网络研究的大爆发始于 2010 年前后契机是大型公开数据集开始可用。其中名为ImageNet的巨型图像集合包含约1400 万张标注图像并催生了ImageNet 大规模视觉识别挑战赛ILSVRC。2012 年卷积神经网络CNN首次被用于图像分类使分类错误率显著下降从接近 30% 降至 16.4%。2015 年微软研究院的 ResNet 架构达到了人类水平的准确率。关于 CNN 的工作原理卷积滤波器、金字塔架构、VGG-16 等经典结构详见课程 7 课卷积神经网络。此后神经网络在众多任务中不断取得人类水平Human Parity的里程碑年份达到人类水平的任务2015图像分类2016对话式语音识别2018自动机器翻译中译英2020图像描述生成近几年来BERT、GPT-3 等大型语言模型取得了巨大成功。这主要得益于海量通用文本数据的存在模型先在通用文本集合上进行预训练以捕捉文本的结构与含义再针对更具体的任务进行微调。自然语言处理专题将在课程的 第 5 单元 中详细展开包括文本分类、情感分析、命名实体识别、问答与文本生成等任务。动手实践挑战、测验与 Game Jam 作业第一课配套了完整的实践环节 挑战任务在互联网上考察 AI 目前最有效的应用场景——是地图导航应用、语音转文字服务还是电子游戏调研该系统是如何构建的。课前与课后测验完成 quiz-app 中对应的课前测验与课后测验检验概念掌握程度。课程作业Game Jam详见 lessons/1-Intro/assignment.md。游戏领域深受 AI 与 ML 发展影响。该作业要求选择一款足够古老、从而经历了多种计算机处理系统演进的游戏国际象棋、围棋是好例子也可以选择 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 未来。复习与自学指引回顾 AI 与机器学习的历史可以从本课开头那张草图笔记中选取一个元素进行深入研究理解影响其演进的文化背景。利用仓库的 Mindmap 思维导图梳理课程整体结构将本课概念放入更大的知识网络中。对照其他语言译本加深理解例如本仓库提供保加利亚语等多种语言的完整翻译位于 translations 目录。用仓库示例代码深化理解第一个可运行的 AI 程序本课的核心概念——从数据中学习、而不是显式编程——可以直接通过仓库中的入门示例 examples/01-hello-ai-world.py 获得最直观的体验。该示例实现了一个极简的学习器SimpleAILearner它不依赖任何机器学习库只用一个权重参数从样本中学习线性规律y 2xclass SimpleAILearner: def __init__(self): self.weight random.uniform(0, 5) # 待学习的权重初始为随机猜测 self.learning_rate 0.01 # 学习率决定每次调整的步长 def predict(self, x): return self.weight * x # 基于当前权重做预测 def train(self, training_data, epochs100): for epoch in range(epochs): for x, y_actual in training_data: y_predicted self.predict(x) error y_actual - y_predicted # 计算误差 self.weight self.learning_rate * error * x # 减小误差这就是学习训练时向它喂入(1,2), (2,4), (3,6), (4,8), (5,10)这 5 组样例迭代 100 轮epoch它就能把权重从随机值逐步修正到接近 2之后对未见过的输入6, 7, 10, 15也能给出接近真实答案的预测。这正是自下而上路径的精髓不显式编写规则而是让程序从训练数据中自行归纳出模式与专家系统时代人工提取知识、写死规则的自上而下思路形成鲜明对比。运行方式非常简单Python 3 环境无需额外依赖python examples/01-hello-ai-world.py仓库的 examples/README.md 还提供了进阶学习路径从Hello AI World的简单模式识别到从零搭建神经网络、预训练模型图像分类、以及文本情感分析帮助你逐步把本课建立的概念框架落到真实代码上。小结第一课建立了理解整个 AI-For-Beginners 课程体系的四块基石AI 处理的是无法显式编程的任务、弱 AI 与强 AIAGI的层次区分、图灵测试作为智能的操作性判据以及自上而下符号推理与自下而上神经网络两条技术路径的并立与合流。带着这套框架进入后续课程你将分别在符号智能、神经网络、计算机视觉、NLP、强化学习与多智能体等专题中看到这两条路径如何在具体问题上各自发光、相互融合。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感知机Perceptron精讲generative-ai-for-beginners 第 15 课知识库中的人工神经网络入门讲义感知机Perceptron精讲generative ai for beginners 第 15 课知识库中的人工神经网络入门讲义 本篇文章以 genera教程人工智能大模型上一篇3步上手Gradio从安装到多场景AI交互界面实战下一篇chart.xkcd扩展开发如何编写自定义图表类型插件创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考