尧图网站建设 
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点击查看免费下载本文基于 AI-For-Beginners 仓库的 examples 目录 编写围绕四个设计给初学者的独立示例展开纯 Python 模式识别、从零手写神经网络、基于预训练模型的图像分类、以及文本情感分析。读完本文你将掌握这些示例的环境配置、运行方式、核心代码原理与调参方法并了解它们与仓库完整课程神经网络、计算机视觉、NLP的衔接关系为后续系统性学习打下可直接复用的基础。一、示例总览从Hello World到情感分析四个示例按照难度递进编排均为可直接运行的独立脚本或 Jupyter Notebook代码中带有详细注释。下表列出了每个示例的定位、难度与前置知识要求示例说明难度前置要求Hello AI World你的第一个 AI 程序——简单的模式识别⭐ 入门Python 基础Simple Neural Network从零构建一个神经网络⭐⭐ 入门Python、基础数学Image Classifier使用预训练模型进行图像分类⭐⭐ 入门Python、numpyText Sentiment文本情感分析正面/负面⭐⭐ 入门Python值得说明的是这四个示例覆盖了 AI 学习的四条核心主线模式识别示例一、神经网络原理示例二、计算机视觉示例三与自然语言处理示例四恰好与仓库课程结构中 1-Intro、3-NeuralNetworks、4-ComputerVision、5-NLP 四大主题一一对应。二、环境准备安装依赖与配置运行环境Python 版本与 pip 安装所有示例均基于 Python 编写建议使用Python 3.8 或更高版本Image Classifier 所用的 notebook 元数据中声明的 kernelspec 即为 Python 3。首先安装两个脚本Hello AI World 与 Text Sentiment所需的包# 用于 Python 脚本 pip install numpyImage Classifier 是 Jupyter Notebook且依赖 TensorFlow 与 Pillow需要额外安装# 用于 Jupyter Notebook图像分类器 pip install jupyter numpy pillow tensorflow使用 conda 环境推荐仓库根目录提供了完整的 environment.yml其中定义了名为ai4beg的 conda 环境一次性封装了本课程含全部示例所需的依赖。可以通过以下命令创建并激活conda env create --name ai4beg --file environment.yml conda activate ai4beg从仓库根目录的 requirements.txt 可以看到该环境包含了 numpy、pandas、matplotlib、scikit-learn、TensorFlow 2.17、Keras 3.13、PyTorch、torchvision、Pillow 12.2、NLTK、gensim 等一整套数据科学与深度学习工具链同时environment.yml通过pip: -r requirements.txt将这些依赖一并纳入。也就是说示例三图像分类所需的 TensorFlow、示例四涉及的自然语言处理工具链NLTK都已涵盖只需一次环境创建即可运行全部示例。运行示例的方式针对两类文件有不同的启动方式# 运行 Python 脚本.py python 01-hello-ai-world.py # 启动 Jupyter Notebook.ipynb jupyter notebook 03-image-classifier.ipynb三、示例一Hello AI World —— 用纯 Python 实现模式识别这是接触 AI 的第一个程序目标是让 AI 学习一个简单的数学模式y 2x并利用学到的模式对新输入做出预测。整个示例不依赖任何复杂库只用 Python 标准库的random非常适合在深入神经网络之前理解 AI 的核心思想从数据中学习。核心类与代码结构示例的核心是SimpleAILearner类examples/01-hello-ai-world.py#L20-L76它演示了学习的最简形态——只用一个可调整的权重weight来拟合线性关系__init__将权重初始化为random.uniform(0, 5)的随机猜测值学习率learning rate固定为0.01决定每次调整的步伐大小predict(x)直接返回weight * x即线性预测train(training_data, epochs100)遍历所有训练样本计算预测值与真实值的误差error y_actual - y_predicted然后按梯度下降的基本思想更新权重weight learning_rate * error * x。训练与预测流程主函数examples/01-hello-ai-world.py#L78-L133按三步演示完整流程构造训练数据给出 5 个 (x, y) 样本对即(1,2)、(2,4)、(3,6)、(4,8)、(5,10)体现 y 2x 的规律创建并训练实例化SimpleAILearner并调用train(training_data, epochs100)。训练过程每 20 个 epoch 打印一次平均误差与当前权重可以看到权重从随机初值逐步逼近 2用新数据测试对未见过的输入6、7、10、15调用predict与真实值2x对比并打印差值验证 AI 确实学会了模式。调参与扩展建议脚本结尾给出了三条实验方向也是理解学习机制的关键修改训练数据让 AI 学习不同的线性模式例如 y 3x调整 第 29 行的学习率观察学习率过大震荡不收敛或过小收敛缓慢的影响修改epochs体会训练轮数对拟合精度的影响。这个示例虽小却完整呈现了随机初始化 → 前向预测 → 误差计算 → 参数更新这一贯穿所有机器学习模型的基础闭环为示例二的神经网络做好了铺垫。四、示例二Simple Neural Network —— 从零手写神经网络第二个示例不借助任何机器学习框架用纯 Pythonrandom与math从零实现一个最简神经网络让你看清神经网络引擎盖之下发生了什么神经元如何工作、前向传播如何预测、反向传播如何从错误中学习。激活函数与梯度示例实现了两个关键数学函数sigmoid(x)examples/02-simple-neural-network.py#L20-L40将任意数值压缩到 0~1 之间输出可理解为置信度——接近 1 表示非常确信是接近 0 表示非常确信否0.5 附近表示不确定。函数还做了防溢出保护x 100直接返回 1.0x -100直接返回 0.0sigmoid_derivative(x)examples/02-simple-neural-network.py#L43-L54返回x * (1 - x)用于反向传播中计算权重调整量。单神经元实现SimpleNeuron类examples/02-simple-neural-network.py#L57-L128代表一个微型决策器完整实现了输入 → 加权求和 → 加偏置 → 激活函数 → 输出的过程__init__(num_inputs)每个输入对应一个随机权重random.uniform(-1, 1)另有随机初始化的偏置bias并保存最近一次输出供学习使用feedforward(inputs)前向传播即sigmoid(Σ(wᵢ·xᵢ) bias)train(inputs, target, learning_rate0.1)反向传播先计算误差error target - output再用导数求出调整量delta error * sigmoid_derivative(output)最后按weight learning_rate * delta * input更新全部权重与偏置。数据生成、训练与验证示例的任务是判断二维空间中的点位于直线 y x 的上方还是下方。generate_training_data(num_samples100)examples/02-simple-neural-network.py#L131-L154在 [0,10]×[0,10] 区域内随机采样按y x打标签 1上方或 0下方。训练流程主函数 examples/02-simple-neural-network.py#L187-L255包括生成 100 个训练样本 → 创建含 2 个输入的神经元 → 以学习率 0.1 迭代训练 50 个 epoch每 10 个 epoch 打印平均误差→ 用 10 个新样本调用visualize_decision验证分类准确率。最终输出每个测试点的预测值、真实类别、是否正确以及总体准确率百分比。与课程联动这个示例是理解 3-NeuralNetworks 课程内容的极佳起点可以尝试的方向包括调整num_samples增减训练样本、修改epochs改变训练时长、更换学习率观察收敛行为以及修改generate_training_data尝试不同的决策边界例如 y 2x。五、示例三Image Classifier —— 基于 MobileNetV2 预训练模型的图像分类第三个示例是一份 Jupyter Notebookexamples/03-image-classifier.ipynb演示了迁移学习的核心用法直接加载一个在 ImageNet 上训练好的 MobileNetV2 模型无需任何训练即可识别图像中的物体猫、狗、汽车等。预训练模型加载notebook 首先导入 numpy、PIL、requests 以及 TensorFlow并对 TensorFlow 缺失的情况给出安装提示。随后加载模型model MobileNetV2(weightsimagenet, include_topTrue)其中weightsimagenet表示使用在 ImageNet 数据集上预训练的权重首次运行需要联网下载模型权重可能需要一分钟include_topTrue表示保留顶部分类层使模型能够识别1000 种常见物体类别。图像预处理管线notebook 定义了三个辅助函数构成完整的预测管线load_image_from_url(url)通过requests.get拉取图片字节流用Image.open(BytesIO(...))转为 PIL 图像prepare_image(img)依次完成 resize 到224×224MobileNetV2 期望的输入尺寸→ 转 numpy 数组 →np.expand_dims增加 batch 维度 →preprocess_input按 MobileNetV2 要求做像素归一化classify_image(img)调用model.predict得到 1000 类的概率分布再用decode_predictions(predictions, top5)[0]解码为人类可读的标签返回前 5 个(类别名, 置信度)结果。预测与置信度解读notebook 内置了三张来自免费图库的测试图片猫、狗、汽车逐一分类并用条形图展示 Top 5 预测最后一部分允许替换任意图片 URL 做自定义分类输出最佳猜测及其置信度。理解置信度是正确解读结果的关键置信度区间含义90%–100%非常确信几乎必然正确70%–90%较为确信大概率正确50%–70%有一定把握可能正确低于 50%把握不足结果不确定notebook 同时指出预测可能出错的原因拍摄角度或光线异常模型基于典型照片训练、画面包含多个物体模型期望单一主体、物体过于稀有模型仅认识 1000 类、以及图片质量过低模糊或像素化。这些提示对实际使用预训练模型非常有价值。与课程联动图像分类是 4-ComputerVision 课程的直观入口。进一步可探索抽象艺术图片的分类表现、多角度识别能力、以及 CNN卷积神经网络的内部工作原理后续课程会逐步展开这些内容。六、示例四Text Sentiment —— 用词频统计实现文本情感分析第四个示例演示了自然语言处理的经典任务——情感分析判断一段影评是正面还是负面。它刻意使用轻量实现仅依赖标准库re与collections.Counter帮助理解 NLP 中文本预处理 → 特征提取 → 分类的基本链路。文本预处理SimpleSentimentAnalyzer.preprocess_text(text)examples/04-text-sentiment.py#L35-L62将原始文本清洗为单词列表共三步转小写统一大小写避免 Great 与 great 被当作不同单词去除标点用正则re.sub(r[^a-z\s], , text)剔除字母和空白以外的字符分词并过滤短词按空格切分后丢弃长度不超过 2 的词如 a、i减少无信息量的停用词干扰。训练为单词计算情感得分train(training_data)examples/04-text-sentiment.py#L64-L110接收(文本, 情感标签)列表标签为positive或negative。训练逻辑为分别用两个Counter统计正面与负面文本中每个单词的出现次数对词汇表里的每个词计算情感得分(pos_count - neg_count) / (total 1)其中1是平滑项避免除零并抑制低频词的极端得分得分大于 0 表示偏正面小于 0 表示偏负面。训练结束后代码会打印得分最高的 5 个正面词与得分最低的 5 个负面词直观展示模型学到了什么。内置训练数据examples/04-text-sentiment.py#L150-L179包含 8 条正面与 8 条负面影评其中 amazing、brilliant、wonderful 等词会获得较高正面得分而 terrible、awful、boring 等会获得较低负面得分。预测平均得分与置信度analyze(text)examples/04-text-sentiment.py#L112-L147对新文本做同样的预处理累加命中词的情感得分并取平均平均分大于 0 判定为正面否则为负面置信度定义为min(abs(avg_score) * 100, 100)百分比。值得注意的是若在训练前调用analyze会抛出Please train the analyzer first!异常。交互模式与扩展主函数examples/04-text-sentiment.py#L182-L264先对 6 条新影评做批量预测如 This movie was fantastic! I really enjoyed it. 应被识别为正面随后进入交互模式用户可不断输入自己的影评程序实时返回情感、置信度与得分输入quit、exit或q退出。官方建议的扩展方向包括增加更多训练样本提升准确率、尝试分析推文/商品评论/用户留言以及深入学习 5-NLP 课程中的高级 NLP 技术。七、推荐学习路径建议按如下顺序依次完成四个示例让知识逐步递进先跑 Hello AI World学习模式识别与从数据中学习的基础概念再构建简单神经网络理解神经元、前向传播与反向传播的工作原理动手试图像分类器看到 AI 对真实图片的识别效果建立对预训练模型与迁移学习的直观认识最后做文本情感分析进入自然语言处理领域了解文本如何被机器理解。八、初学者调试建议仔细阅读代码注释每个示例的注释都解释了每一行代码的作用是理解 AI 概念的第一手教材动手改值、大胆实验修改学习率、训练轮数、样本数量观察输出如何变化是最快的学习方式不追求一次全懂概念需要时间消化允许带着疑问继续前进遇到问题多求证可以先对照 troubleshoot.md 与环境配置文档排查环境问题再结合课程文档定位概念疑点。九、下一步衔接完整课程完成这四个示例后你就具备了继续深入整个 AI-For-Beginners 课程12 周、24 节课的基础建议按以下路径继续AI 课程导论Introduction to AI建立 AI 的整体图景与历史脉络神经网络Neural Networks从本示例二的单神经元扩展到真正的多层网络与主流框架计算机视觉Computer Vision在示例三的 MobileNetV2 基础上深入 CNN、迁移学习与目标检测自然语言处理Natural Language Processing从示例四的词频统计进阶到词嵌入、Transformer 与语言模型。如果你觉得这些示例有帮助也欢迎为仓库贡献更多面向初学者的示例或改进现有文档与注释——每个 AI 专家都曾从零开始。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 入门实战4 个可运行的 AI 示例代码详解AI For Beginners 入门实战4 个可运行的 AI 示例代码详解 本篇技术指南围绕 AI For Beginners 课程仓库中 examples教程人工智能机器学习深度学习Pilot Shell 扩展系统终极指南技能、规则、命令与代理的统一管理Pilot Shell 扩展系统终极指南技能、规则、命令与代理的统一管理 Pilot Shell 是面向 Claude Code 和 OpenAI CodexStrands Agents快速入门10个实用示例带你玩转AI智能体Strands Agents快速入门10个实用示例带你玩转AI智能体 Strands Agents是一个简单而强大的Python SDK采用模型驱动的方法来人工智能大模型AI AgentAgent 框架多智能体工具调用MCP 服务上一篇9大网盘直链解析开源工具技术原理与多平台高效下载方案下一篇LinkSwift八大网盘直链解析工具终极指南告别下载限速烦恼创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 AI-For-Beginners 入门实战指南：四个独立示例带你快速上手 AI 与机器学习
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点击查看免费下载本文基于 AI-For-Beginners 仓库的 examples 目录 编写围绕四个设计给初学者的独立示例展开纯 Python 模式识别、从零手写神经网络、基于预训练模型的图像分类、以及文本情感分析。读完本文你将掌握这些示例的环境配置、运行方式、核心代码原理与调参方法并了解它们与仓库完整课程神经网络、计算机视觉、NLP的衔接关系为后续系统性学习打下可直接复用的基础。一、示例总览从Hello World到情感分析四个示例按照难度递进编排均为可直接运行的独立脚本或 Jupyter Notebook代码中带有详细注释。下表列出了每个示例的定位、难度与前置知识要求示例说明难度前置要求Hello AI World你的第一个 AI 程序——简单的模式识别⭐ 入门Python 基础Simple Neural Network从零构建一个神经网络⭐⭐ 入门Python、基础数学Image Classifier使用预训练模型进行图像分类⭐⭐ 入门Python、numpyText Sentiment文本情感分析正面/负面⭐⭐ 入门Python值得说明的是这四个示例覆盖了 AI 学习的四条核心主线模式识别示例一、神经网络原理示例二、计算机视觉示例三与自然语言处理示例四恰好与仓库课程结构中 1-Intro、3-NeuralNetworks、4-ComputerVision、5-NLP 四大主题一一对应。二、环境准备安装依赖与配置运行环境Python 版本与 pip 安装所有示例均基于 Python 编写建议使用Python 3.8 或更高版本Image Classifier 所用的 notebook 元数据中声明的 kernelspec 即为 Python 3。首先安装两个脚本Hello AI World 与 Text Sentiment所需的包# 用于 Python 脚本 pip install numpyImage Classifier 是 Jupyter Notebook且依赖 TensorFlow 与 Pillow需要额外安装# 用于 Jupyter Notebook图像分类器 pip install jupyter numpy pillow tensorflow使用 conda 环境推荐仓库根目录提供了完整的 environment.yml其中定义了名为ai4beg的 conda 环境一次性封装了本课程含全部示例所需的依赖。可以通过以下命令创建并激活conda env create --name ai4beg --file environment.yml conda activate ai4beg从仓库根目录的 requirements.txt 可以看到该环境包含了 numpy、pandas、matplotlib、scikit-learn、TensorFlow 2.17、Keras 3.13、PyTorch、torchvision、Pillow 12.2、NLTK、gensim 等一整套数据科学与深度学习工具链同时environment.yml通过pip: -r requirements.txt将这些依赖一并纳入。也就是说示例三图像分类所需的 TensorFlow、示例四涉及的自然语言处理工具链NLTK都已涵盖只需一次环境创建即可运行全部示例。运行示例的方式针对两类文件有不同的启动方式# 运行 Python 脚本.py python 01-hello-ai-world.py # 启动 Jupyter Notebook.ipynb jupyter notebook 03-image-classifier.ipynb三、示例一Hello AI World —— 用纯 Python 实现模式识别这是接触 AI 的第一个程序目标是让 AI 学习一个简单的数学模式y 2x并利用学到的模式对新输入做出预测。整个示例不依赖任何复杂库只用 Python 标准库的random非常适合在深入神经网络之前理解 AI 的核心思想从数据中学习。核心类与代码结构示例的核心是SimpleAILearner类examples/01-hello-ai-world.py#L20-L76它演示了学习的最简形态——只用一个可调整的权重weight来拟合线性关系__init__将权重初始化为random.uniform(0, 5)的随机猜测值学习率learning rate固定为0.01决定每次调整的步伐大小predict(x)直接返回weight * x即线性预测train(training_data, epochs100)遍历所有训练样本计算预测值与真实值的误差error y_actual - y_predicted然后按梯度下降的基本思想更新权重weight learning_rate * error * x。训练与预测流程主函数examples/01-hello-ai-world.py#L78-L133按三步演示完整流程构造训练数据给出 5 个 (x, y) 样本对即(1,2)、(2,4)、(3,6)、(4,8)、(5,10)体现 y 2x 的规律创建并训练实例化SimpleAILearner并调用train(training_data, epochs100)。训练过程每 20 个 epoch 打印一次平均误差与当前权重可以看到权重从随机初值逐步逼近 2用新数据测试对未见过的输入6、7、10、15调用predict与真实值2x对比并打印差值验证 AI 确实学会了模式。调参与扩展建议脚本结尾给出了三条实验方向也是理解学习机制的关键修改训练数据让 AI 学习不同的线性模式例如 y 3x调整 第 29 行的学习率观察学习率过大震荡不收敛或过小收敛缓慢的影响修改epochs体会训练轮数对拟合精度的影响。这个示例虽小却完整呈现了随机初始化 → 前向预测 → 误差计算 → 参数更新这一贯穿所有机器学习模型的基础闭环为示例二的神经网络做好了铺垫。四、示例二Simple Neural Network —— 从零手写神经网络第二个示例不借助任何机器学习框架用纯 Pythonrandom与math从零实现一个最简神经网络让你看清神经网络引擎盖之下发生了什么神经元如何工作、前向传播如何预测、反向传播如何从错误中学习。激活函数与梯度示例实现了两个关键数学函数sigmoid(x)examples/02-simple-neural-network.py#L20-L40将任意数值压缩到 0~1 之间输出可理解为置信度——接近 1 表示非常确信是接近 0 表示非常确信否0.5 附近表示不确定。函数还做了防溢出保护x 100直接返回 1.0x -100直接返回 0.0sigmoid_derivative(x)examples/02-simple-neural-network.py#L43-L54返回x * (1 - x)用于反向传播中计算权重调整量。单神经元实现SimpleNeuron类examples/02-simple-neural-network.py#L57-L128代表一个微型决策器完整实现了输入 → 加权求和 → 加偏置 → 激活函数 → 输出的过程__init__(num_inputs)每个输入对应一个随机权重random.uniform(-1, 1)另有随机初始化的偏置bias并保存最近一次输出供学习使用feedforward(inputs)前向传播即sigmoid(Σ(wᵢ·xᵢ) bias)train(inputs, target, learning_rate0.1)反向传播先计算误差error target - output再用导数求出调整量delta error * sigmoid_derivative(output)最后按weight learning_rate * delta * input更新全部权重与偏置。数据生成、训练与验证示例的任务是判断二维空间中的点位于直线 y x 的上方还是下方。generate_training_data(num_samples100)examples/02-simple-neural-network.py#L131-L154在 [0,10]×[0,10] 区域内随机采样按y x打标签 1上方或 0下方。训练流程主函数 examples/02-simple-neural-network.py#L187-L255包括生成 100 个训练样本 → 创建含 2 个输入的神经元 → 以学习率 0.1 迭代训练 50 个 epoch每 10 个 epoch 打印平均误差→ 用 10 个新样本调用visualize_decision验证分类准确率。最终输出每个测试点的预测值、真实类别、是否正确以及总体准确率百分比。与课程联动这个示例是理解 3-NeuralNetworks 课程内容的极佳起点可以尝试的方向包括调整num_samples增减训练样本、修改epochs改变训练时长、更换学习率观察收敛行为以及修改generate_training_data尝试不同的决策边界例如 y 2x。五、示例三Image Classifier —— 基于 MobileNetV2 预训练模型的图像分类第三个示例是一份 Jupyter Notebookexamples/03-image-classifier.ipynb演示了迁移学习的核心用法直接加载一个在 ImageNet 上训练好的 MobileNetV2 模型无需任何训练即可识别图像中的物体猫、狗、汽车等。预训练模型加载notebook 首先导入 numpy、PIL、requests 以及 TensorFlow并对 TensorFlow 缺失的情况给出安装提示。随后加载模型model MobileNetV2(weightsimagenet, include_topTrue)其中weightsimagenet表示使用在 ImageNet 数据集上预训练的权重首次运行需要联网下载模型权重可能需要一分钟include_topTrue表示保留顶部分类层使模型能够识别1000 种常见物体类别。图像预处理管线notebook 定义了三个辅助函数构成完整的预测管线load_image_from_url(url)通过requests.get拉取图片字节流用Image.open(BytesIO(...))转为 PIL 图像prepare_image(img)依次完成 resize 到224×224MobileNetV2 期望的输入尺寸→ 转 numpy 数组 →np.expand_dims增加 batch 维度 →preprocess_input按 MobileNetV2 要求做像素归一化classify_image(img)调用model.predict得到 1000 类的概率分布再用decode_predictions(predictions, top5)[0]解码为人类可读的标签返回前 5 个(类别名, 置信度)结果。预测与置信度解读notebook 内置了三张来自免费图库的测试图片猫、狗、汽车逐一分类并用条形图展示 Top 5 预测最后一部分允许替换任意图片 URL 做自定义分类输出最佳猜测及其置信度。理解置信度是正确解读结果的关键置信度区间含义90%–100%非常确信几乎必然正确70%–90%较为确信大概率正确50%–70%有一定把握可能正确低于 50%把握不足结果不确定notebook 同时指出预测可能出错的原因拍摄角度或光线异常模型基于典型照片训练、画面包含多个物体模型期望单一主体、物体过于稀有模型仅认识 1000 类、以及图片质量过低模糊或像素化。这些提示对实际使用预训练模型非常有价值。与课程联动图像分类是 4-ComputerVision 课程的直观入口。进一步可探索抽象艺术图片的分类表现、多角度识别能力、以及 CNN卷积神经网络的内部工作原理后续课程会逐步展开这些内容。六、示例四Text Sentiment —— 用词频统计实现文本情感分析第四个示例演示了自然语言处理的经典任务——情感分析判断一段影评是正面还是负面。它刻意使用轻量实现仅依赖标准库re与collections.Counter帮助理解 NLP 中文本预处理 → 特征提取 → 分类的基本链路。文本预处理SimpleSentimentAnalyzer.preprocess_text(text)examples/04-text-sentiment.py#L35-L62将原始文本清洗为单词列表共三步转小写统一大小写避免 Great 与 great 被当作不同单词去除标点用正则re.sub(r[^a-z\s], , text)剔除字母和空白以外的字符分词并过滤短词按空格切分后丢弃长度不超过 2 的词如 a、i减少无信息量的停用词干扰。训练为单词计算情感得分train(training_data)examples/04-text-sentiment.py#L64-L110接收(文本, 情感标签)列表标签为positive或negative。训练逻辑为分别用两个Counter统计正面与负面文本中每个单词的出现次数对词汇表里的每个词计算情感得分(pos_count - neg_count) / (total 1)其中1是平滑项避免除零并抑制低频词的极端得分得分大于 0 表示偏正面小于 0 表示偏负面。训练结束后代码会打印得分最高的 5 个正面词与得分最低的 5 个负面词直观展示模型学到了什么。内置训练数据examples/04-text-sentiment.py#L150-L179包含 8 条正面与 8 条负面影评其中 amazing、brilliant、wonderful 等词会获得较高正面得分而 terrible、awful、boring 等会获得较低负面得分。预测平均得分与置信度analyze(text)examples/04-text-sentiment.py#L112-L147对新文本做同样的预处理累加命中词的情感得分并取平均平均分大于 0 判定为正面否则为负面置信度定义为min(abs(avg_score) * 100, 100)百分比。值得注意的是若在训练前调用analyze会抛出Please train the analyzer first!异常。交互模式与扩展主函数examples/04-text-sentiment.py#L182-L264先对 6 条新影评做批量预测如 This movie was fantastic! I really enjoyed it. 应被识别为正面随后进入交互模式用户可不断输入自己的影评程序实时返回情感、置信度与得分输入quit、exit或q退出。官方建议的扩展方向包括增加更多训练样本提升准确率、尝试分析推文/商品评论/用户留言以及深入学习 5-NLP 课程中的高级 NLP 技术。七、推荐学习路径建议按如下顺序依次完成四个示例让知识逐步递进先跑 Hello AI World学习模式识别与从数据中学习的基础概念再构建简单神经网络理解神经元、前向传播与反向传播的工作原理动手试图像分类器看到 AI 对真实图片的识别效果建立对预训练模型与迁移学习的直观认识最后做文本情感分析进入自然语言处理领域了解文本如何被机器理解。八、初学者调试建议仔细阅读代码注释每个示例的注释都解释了每一行代码的作用是理解 AI 概念的第一手教材动手改值、大胆实验修改学习率、训练轮数、样本数量观察输出如何变化是最快的学习方式不追求一次全懂概念需要时间消化允许带着疑问继续前进遇到问题多求证可以先对照 troubleshoot.md 与环境配置文档排查环境问题再结合课程文档定位概念疑点。九、下一步衔接完整课程完成这四个示例后你就具备了继续深入整个 AI-For-Beginners 课程12 周、24 节课的基础建议按以下路径继续AI 课程导论Introduction to AI建立 AI 的整体图景与历史脉络神经网络Neural Networks从本示例二的单神经元扩展到真正的多层网络与主流框架计算机视觉Computer Vision在示例三的 MobileNetV2 基础上深入 CNN、迁移学习与目标检测自然语言处理Natural Language Processing从示例四的词频统计进阶到词嵌入、Transformer 与语言模型。如果你觉得这些示例有帮助也欢迎为仓库贡献更多面向初学者的示例或改进现有文档与注释——每个 AI 专家都曾从零开始。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 入门实战4 个可运行的 AI 示例代码详解AI For Beginners 入门实战4 个可运行的 AI 示例代码详解 本篇技术指南围绕 AI For Beginners 课程仓库中 examples教程人工智能机器学习深度学习Pilot Shell 扩展系统终极指南技能、规则、命令与代理的统一管理Pilot Shell 扩展系统终极指南技能、规则、命令与代理的统一管理 Pilot Shell 是面向 Claude Code 和 OpenAI CodexStrands Agents快速入门10个实用示例带你玩转AI智能体Strands Agents快速入门10个实用示例带你玩转AI智能体 Strands Agents是一个简单而强大的Python SDK采用模型驱动的方法来人工智能大模型AI AgentAgent 框架多智能体工具调用MCP 服务上一篇9大网盘直链解析开源工具技术原理与多平台高效下载方案下一篇LinkSwift八大网盘直链解析工具终极指南告别下载限速烦恼创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考