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以 AI-For-Beginners 课程的第一课人工智能导论为核心展开对应芬兰语翻译 Johdanto tekoälyyn英文原版见 lessons/1-Intro/README.md。你将理解 AI 的定义与边界、弱 AI 与强 AI 的区别、图灵测试的原理掌握自顶向下符号推理与自底向上神经网络两大方法体系并沿着一条从专家系统到大型语言模型的完整历史脉络建立对现代 AI 的认知框架。人工智能Artificial Intelligence简称 AI是一门研究如何让计算机表现出智能行为——也就是去做那些人类擅长做的事情——的科学学科。最初计算机由 Charles Babbage 发明用于按照预先定义好的过程即算法处理数字。现代计算机虽然比 19 世纪提出的原始模型先进得多但本质上仍遵循受控计算这一核心思想只要我们确切知道达成目标所需的每一步就能编写程序让计算机完成它。然而有一类任务我们并不清楚如何显式求解。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见过大量不同年龄的人但我们无法显式解释自己是如何在脑中得出这个数字的更无法把这种方法直接编程给计算机。这正是 AI 所关心的任务类型。✅ 想一想还有哪些任务适合交给计算机借助 AI 完成。比如金融、医疗和艺术领域——如今这些行业正在怎样受益于 AI弱 AI 与强 AI弱 AIWeak AI强 AIStrong AI / AGI指针对某一特定任务或狭窄任务集合而设计和训练的 AI 系统。强 AI即通用人工智能Artificial General Intelligence, AGI指具备人类水平智能与理解的 AI 系统。这些系统并非普遍智能它们擅长执行预定义的任务但缺乏真正的理解或意识。这类系统能执行人类能做的任何智力任务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场景的聊天机器人。实现强 AI 是 AI 研究的长期目标需要开发能够在广泛任务与语境中推理、学习、理解并适应的系统。高度专门化不具备类人认知能力也无法在其狭窄领域之外进行通用问题求解。强 AI 目前仍是理论性概念尚无任何 AI 系统达到这种通用智能水平。关于 AGI 的更多细节可参考 Artificial General Intelligence通用人工智能条目。智能的定义与图灵测试处理智能Intelligence一词的难题在于它没有一个清晰的定义。可以争论智能与抽象思维或自我意识相关但我们始终无法给出严格的界定。要体会智能这一术语的模糊性试着回答一个问题猫是聪明的吗不同的人往往给出不同的答案因为并不存在一个被普遍接受的测试来证明该断言的真伪。如果你觉得存在这样的测试——不妨试着让你的猫去做一次 IQ 测验。✅ 花一分钟想想你如何定义智能。一只会走迷宫取食的乌鸦是聪明的吗一个孩子是聪明的吗谈到 AGI 时我们需要某种方法来判断自己是否真的创造出了智能系统。Alan Turing 提出了一种方法——图灵测试它同时充当了智能的一种操作性定义。测试把待测系统与一个天然具有智能的事物——真人——进行比较由于任何自动化的比较都可能被计算机程序绕过我们改用人类评审员。如果一个人在基于文本的对话中无法区分真人应答与计算机系统应答那么这个系统就被认为是智能的。图片由 Dmitry Soshnikov 制作摄影Marina AbrosimovaUnsplash一个著名的例子是 2014 年接近通过图灵测试的聊天机器人 Eugene Goostman。它由圣彼得堡的研究者开发通过一个巧妙的人设技巧接近成功机器人一开始就自称是一名 13 岁的乌克兰男孩以此解释其知识缺乏与文本中一些不一致之处。在 5 分钟对话后它说服了 30% 的评委相信自己是人类——这是图灵曾预测机器到 2000 年能达到的指标。但需要正确理解这一点这并不意味着我们创造出了智能系统也不意味着计算机系统骗过了人类评审员——真正骗过人类的不是系统而是机器人的创造者。✅ 你曾经被聊天机器人骗到以为自己在和真人对话吗它是如何说服你的AI 的两种主流方法自顶向下与自底向上如果我们希望计算机像人类一样行为就必须在计算机内部对我们的思维方式进行建模因此首先需要弄清是什么让人类具有智能。稍微内省就会发现有些过程是潜意识完成的——比如我们不需要思考就能区分猫和狗——而另一些则涉及推理。自顶向下方法符号推理自底向上方法神经网络对人如何推理以解决问题进行建模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立推理模型。对人类大脑结构进行建模大脑由大量被称为神经元的简单单元组成每个神经元对其输入做加权平均通过提供训练数据我们可以训练一个神经元网络去解决实际问题。此外还存在其他可能的智能方法涌现式 / 协同式 / 多智能体方法复杂智能行为可以由大量简单智能体的交互涌现出来。依据 进化控制论智能可以从更简单、更反应式的行为在元系统跃迁metasystem transition过程中涌现。进化式方法 / 遗传算法一种基于进化原理的优化过程。这些方法会在课程后续章节例如 6-Other 章节 中的遗传算法与多智能体系统进一步讨论但当前我们先聚焦两大主流方向自顶向下与自底向上。自顶向下方法符号推理在自顶向下方法中我们尝试对自身的推理过程建模。既然我们在推理时可以追踪自己的思路就可以尝试将该过程形式化并编程到计算机中——这被称为符号推理symbolic reasoning。人们脑中往往存在一些指导决策过程的规则。例如医生诊断病人时发现患者发烧可能由此推断体内存在炎症通过把大量规则应用于具体问题医生可以得出最终诊断。这一方法高度依赖知识表示knowledge representation与推理reasoning。从人类专家处提取知识往往是最困难的部分——许多情况下医生并不确切知道自己为何得出某个诊断答案有时不经过显式思考就浮现在脑中。而像从照片判断年龄这类任务根本无法还原为对知识的操作。 课程衔接本课程的 2-Symbolic 章节 正是对这一方向的完整展开。它详细讲解了知识表示的核心问题——如何把知识以数据形式有效存入计算机并自动使用——包括语义网络、对象-属性-值三元组、框架表示、产生式规则与逻辑等多种表示方法并介绍了专家系统及其在 1970 年代遭遇AI 寒冬的历史教训。你也可以动手体验仓库中的 Animals.ipynb、FamilyOntology.ipynb 等实践笔记。自底向上方法神经网络另一种路径是建模大脑中最简单的元素——神经元。我们可以在计算机中构造所谓的人工神经网络artificial neural network然后通过给模型提供大量示例来教它解决问题。这一过程类似于新生儿通过观察来认识周围环境。✅ 研究一下婴儿是如何学习的。婴儿大脑的基本组成元素是什么关于机器学习AI 中基于数据让计算机学会解决问题的子领域被称为机器学习Machine Learning。本课程不涉及经典机器学习而是推荐单独的 机器学习入门 课程体系。 课程衔接3-NeuralNetworks 章节 是这一方向的系统展开涵盖从 感知机Perceptron 到多层网络与自建框架、再到 PyTorch / Keras 等框架 的完整路径并配有 OwnFramework.ipynb、IntroPyTorch.ipynb 等可运行笔记。课程中还会处理过拟合overfitting等核心问题。AI 历史简述AI 作为一门学科始于 20 世纪中叶。最初符号推理是主流方法并带来了一系列重要成果例如专家系统——能在某些受限问题领域充当专家的计算机程序。但人们很快发现这类方法难以规模化从专家处提取知识、在计算机中表示知识、并保持知识库准确是一项非常复杂的任务在许多场景下成本过高、不切实际。这导致了 1970 年代的所谓 AI 寒冬。图片由 Dmitry Soshnikov 制作随着时间推移计算资源越来越廉价可获取的数据越来越多基于神经网络的方法开始在计算机视觉、语音理解等众多领域展现与人类竞争的性能。最近十年术语人工智能在多数语境下几乎成了神经网络的同义词——因为我们听到的大多数 AI 成功案例都建立在神经网络之上。从围棋到对话方法论的变迁以国际象棋程序为例可以清楚看到方法的演化早期国际象棋程序基于搜索程序显式估算对手在未来若干步的可能走法并基于几步之内可达到的最优局面选择最优着法由此催生了 alpha-beta 剪枝 搜索算法。搜索策略在残局阶段效果良好搜索空间被限制在少量可能走法中但开局阶段搜索空间巨大此时可通过学习人类棋手之间的对局来改进算法后续实验采用了所谓的 基于案例的推理——程序在知识库中寻找与当前局面高度相似的案例。现代击败人类棋手的程序基于神经网络与强化学习程序只通过与自己对弈长时间来学习并从自身错误中吸取教训——正如人类学下棋那样但计算机能在更短时间内下更多盘棋因此学习速度快得多。✅ 研究一下 AI 还玩过哪些游戏。再看会说话的程序可能通过图灵测试的程序的变迁早期此类程序如 Eliza基于非常简单的语法规则把输入句子改写成反问句。现代助手如 Cortana、Siri、Google Assistant都是混合系统用神经网络把语音转成文本并识别意图再借助推理或显式算法执行所需动作。未来我们可以期待完全基于神经网络的模型自主处理对话——最近的 GPT 与 Turing-NLG 神经网络家族已经展示了巨大潜力。近期 AI 研究从 ImageNet 到大型语言模型神经网络研究的爆发式增长始于约 2010 年当时大型公开数据集开始出现。一个名为 ImageNet 的巨型图像集包含约 1400 万张标注图像催生了 ImageNet 大规模视觉识别挑战赛ILSVRC。图片由 Dmitry Soshnikov 制作2012 年卷积神经网络CNN 首次用于图像分类使分类错误率显著下降从接近 30% 降到 16.4%。2015 年微软研究院的 ResNet 架构达到了人类水平的准确率。此后神经网络在众多任务上表现出色年份达到人类水平Human Parity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BERT、GPT-3 等大型语言模型取得巨大成功。这主要得益于大量通用文本数据的可获取性我们可以训练模型捕获文本的结构与含义先在通用文本集合上预训练再针对更具体的任务进行微调specialize。课程稍后的 NLP 章节 会详细介绍自然语言处理的相关内容包括 18-Transformers 对 Transformer 架构的深入讲解。动手实践挑战与作业 挑战在互联网上做一次巡游判断你认为 AI 在哪里被应用得最有效——是地图应用、语音转文字服务还是电子游戏研究该系统是如何构建的。 作业Game Jam完整要求见 lesson 作业文件。核心任务是游戏是深受 AI 与 ML 发展影响的领域。请针对一款你喜欢的、受到 AI 演化影响的游戏写一篇短文——它应当足够古老从而受到过多种计算机处理系统的影响。好的例子包括国际象棋、围棋也可关注 Pong、Pac-Man 等电子游戏。撰写一篇讨论该游戏的过去、现在与 AI 未来的文章。此外本课配套的课前/课后测验Pre-lecture quiz 与 Post-lecture quiz可在课程 README 中找到入口用于检验对弱/强 AI、图灵测试与两大方法体系的理解。复习与自学建议通过阅读 机器学习入门课程中的历史课 复习 AI 与 ML 的历史加深对符号推理、专家系统、AI 寒冬以及神经网络复兴等关键节点的印象。从本课或该课的速记草图sketchnote中选取一个元素深入研究理解推动其演化的文化背景。仓库 sketchnotes 目录 提供了一系列课程速记图可作为线索。在动手层面仓库 examples 目录提供了如 01-hello-ai-world.py、02-simple-neural-network.py 等入门示例脚本binder 环境配置可帮助你搭建可运行的实验环境。本文小结作为 AI-For-Beginners 课程的第一课本章为你建立了三个关键认知(1) AI 研究的是那些无法显式编程、需要从数据中学习的任务(2) 弱 AI 已广泛落地而强 AIAGI仍是理论目标图灵测试提供了操作性的判断标准(3) 自顶向下的符号推理与自底向上的神经网络是贯穿整个课程的两条主线后续章节将分别沿 2-Symbolic 与 3-NeuralNetworks 深入展开。带着这些概念框架你就可以进入后续 23 课的学习了。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 第一课人工智能导论——从弱 AI 与强 AI 到图灵测试与神经网络的完整入门指南AI For Beginners 第一课人工智能导论——从弱 AI 与强 AI 到图灵测试与神经网络的完整入门指南 本文是开源课程 AI For Beginn教程人工智能机器学习深度学习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 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教程人工智能机器学习深度学习AI for Beginners 第 1 课导读什么是人工智能——从弱 AI、强 AI 到图灵测试与神经网络AI for Beginners 第 1 课导读什么是人工智能——从弱 AI、强 AI 到图灵测试与神经网络 本文是开源课程 AI For Beginners教程人工智能机器学习深度学习上一篇如何让IE6-IE8焕发新生ieBetter.js开源神器全攻略下一篇使用Rust和WebAssembly构建的高效能应用程序示例Rust-Yew-Realworld-Example-App创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 AI-For-Beginners 课程第一课：人工智能导论——从图灵测试到神经网络的方法论全景
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以 AI-For-Beginners 课程的第一课人工智能导论为核心展开对应芬兰语翻译 Johdanto tekoälyyn英文原版见 lessons/1-Intro/README.md。你将理解 AI 的定义与边界、弱 AI 与强 AI 的区别、图灵测试的原理掌握自顶向下符号推理与自底向上神经网络两大方法体系并沿着一条从专家系统到大型语言模型的完整历史脉络建立对现代 AI 的认知框架。人工智能Artificial Intelligence简称 AI是一门研究如何让计算机表现出智能行为——也就是去做那些人类擅长做的事情——的科学学科。最初计算机由 Charles Babbage 发明用于按照预先定义好的过程即算法处理数字。现代计算机虽然比 19 世纪提出的原始模型先进得多但本质上仍遵循受控计算这一核心思想只要我们确切知道达成目标所需的每一步就能编写程序让计算机完成它。然而有一类任务我们并不清楚如何显式求解。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见过大量不同年龄的人但我们无法显式解释自己是如何在脑中得出这个数字的更无法把这种方法直接编程给计算机。这正是 AI 所关心的任务类型。✅ 想一想还有哪些任务适合交给计算机借助 AI 完成。比如金融、医疗和艺术领域——如今这些行业正在怎样受益于 AI弱 AI 与强 AI弱 AIWeak AI强 AIStrong AI / AGI指针对某一特定任务或狭窄任务集合而设计和训练的 AI 系统。强 AI即通用人工智能Artificial General Intelligence, AGI指具备人类水平智能与理解的 AI 系统。这些系统并非普遍智能它们擅长执行预定义的任务但缺乏真正的理解或意识。这类系统能执行人类能做的任何智力任务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场景的聊天机器人。实现强 AI 是 AI 研究的长期目标需要开发能够在广泛任务与语境中推理、学习、理解并适应的系统。高度专门化不具备类人认知能力也无法在其狭窄领域之外进行通用问题求解。强 AI 目前仍是理论性概念尚无任何 AI 系统达到这种通用智能水平。关于 AGI 的更多细节可参考 Artificial General Intelligence通用人工智能条目。智能的定义与图灵测试处理智能Intelligence一词的难题在于它没有一个清晰的定义。可以争论智能与抽象思维或自我意识相关但我们始终无法给出严格的界定。要体会智能这一术语的模糊性试着回答一个问题猫是聪明的吗不同的人往往给出不同的答案因为并不存在一个被普遍接受的测试来证明该断言的真伪。如果你觉得存在这样的测试——不妨试着让你的猫去做一次 IQ 测验。✅ 花一分钟想想你如何定义智能。一只会走迷宫取食的乌鸦是聪明的吗一个孩子是聪明的吗谈到 AGI 时我们需要某种方法来判断自己是否真的创造出了智能系统。Alan Turing 提出了一种方法——图灵测试它同时充当了智能的一种操作性定义。测试把待测系统与一个天然具有智能的事物——真人——进行比较由于任何自动化的比较都可能被计算机程序绕过我们改用人类评审员。如果一个人在基于文本的对话中无法区分真人应答与计算机系统应答那么这个系统就被认为是智能的。图片由 Dmitry Soshnikov 制作摄影Marina AbrosimovaUnsplash一个著名的例子是 2014 年接近通过图灵测试的聊天机器人 Eugene Goostman。它由圣彼得堡的研究者开发通过一个巧妙的人设技巧接近成功机器人一开始就自称是一名 13 岁的乌克兰男孩以此解释其知识缺乏与文本中一些不一致之处。在 5 分钟对话后它说服了 30% 的评委相信自己是人类——这是图灵曾预测机器到 2000 年能达到的指标。但需要正确理解这一点这并不意味着我们创造出了智能系统也不意味着计算机系统骗过了人类评审员——真正骗过人类的不是系统而是机器人的创造者。✅ 你曾经被聊天机器人骗到以为自己在和真人对话吗它是如何说服你的AI 的两种主流方法自顶向下与自底向上如果我们希望计算机像人类一样行为就必须在计算机内部对我们的思维方式进行建模因此首先需要弄清是什么让人类具有智能。稍微内省就会发现有些过程是潜意识完成的——比如我们不需要思考就能区分猫和狗——而另一些则涉及推理。自顶向下方法符号推理自底向上方法神经网络对人如何推理以解决问题进行建模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立推理模型。对人类大脑结构进行建模大脑由大量被称为神经元的简单单元组成每个神经元对其输入做加权平均通过提供训练数据我们可以训练一个神经元网络去解决实际问题。此外还存在其他可能的智能方法涌现式 / 协同式 / 多智能体方法复杂智能行为可以由大量简单智能体的交互涌现出来。依据 进化控制论智能可以从更简单、更反应式的行为在元系统跃迁metasystem transition过程中涌现。进化式方法 / 遗传算法一种基于进化原理的优化过程。这些方法会在课程后续章节例如 6-Other 章节 中的遗传算法与多智能体系统进一步讨论但当前我们先聚焦两大主流方向自顶向下与自底向上。自顶向下方法符号推理在自顶向下方法中我们尝试对自身的推理过程建模。既然我们在推理时可以追踪自己的思路就可以尝试将该过程形式化并编程到计算机中——这被称为符号推理symbolic reasoning。人们脑中往往存在一些指导决策过程的规则。例如医生诊断病人时发现患者发烧可能由此推断体内存在炎症通过把大量规则应用于具体问题医生可以得出最终诊断。这一方法高度依赖知识表示knowledge representation与推理reasoning。从人类专家处提取知识往往是最困难的部分——许多情况下医生并不确切知道自己为何得出某个诊断答案有时不经过显式思考就浮现在脑中。而像从照片判断年龄这类任务根本无法还原为对知识的操作。 课程衔接本课程的 2-Symbolic 章节 正是对这一方向的完整展开。它详细讲解了知识表示的核心问题——如何把知识以数据形式有效存入计算机并自动使用——包括语义网络、对象-属性-值三元组、框架表示、产生式规则与逻辑等多种表示方法并介绍了专家系统及其在 1970 年代遭遇AI 寒冬的历史教训。你也可以动手体验仓库中的 Animals.ipynb、FamilyOntology.ipynb 等实践笔记。自底向上方法神经网络另一种路径是建模大脑中最简单的元素——神经元。我们可以在计算机中构造所谓的人工神经网络artificial neural network然后通过给模型提供大量示例来教它解决问题。这一过程类似于新生儿通过观察来认识周围环境。✅ 研究一下婴儿是如何学习的。婴儿大脑的基本组成元素是什么关于机器学习AI 中基于数据让计算机学会解决问题的子领域被称为机器学习Machine Learning。本课程不涉及经典机器学习而是推荐单独的 机器学习入门 课程体系。 课程衔接3-NeuralNetworks 章节 是这一方向的系统展开涵盖从 感知机Perceptron 到多层网络与自建框架、再到 PyTorch / Keras 等框架 的完整路径并配有 OwnFramework.ipynb、IntroPyTorch.ipynb 等可运行笔记。课程中还会处理过拟合overfitting等核心问题。AI 历史简述AI 作为一门学科始于 20 世纪中叶。最初符号推理是主流方法并带来了一系列重要成果例如专家系统——能在某些受限问题领域充当专家的计算机程序。但人们很快发现这类方法难以规模化从专家处提取知识、在计算机中表示知识、并保持知识库准确是一项非常复杂的任务在许多场景下成本过高、不切实际。这导致了 1970 年代的所谓 AI 寒冬。图片由 Dmitry Soshnikov 制作随着时间推移计算资源越来越廉价可获取的数据越来越多基于神经网络的方法开始在计算机视觉、语音理解等众多领域展现与人类竞争的性能。最近十年术语人工智能在多数语境下几乎成了神经网络的同义词——因为我们听到的大多数 AI 成功案例都建立在神经网络之上。从围棋到对话方法论的变迁以国际象棋程序为例可以清楚看到方法的演化早期国际象棋程序基于搜索程序显式估算对手在未来若干步的可能走法并基于几步之内可达到的最优局面选择最优着法由此催生了 alpha-beta 剪枝 搜索算法。搜索策略在残局阶段效果良好搜索空间被限制在少量可能走法中但开局阶段搜索空间巨大此时可通过学习人类棋手之间的对局来改进算法后续实验采用了所谓的 基于案例的推理——程序在知识库中寻找与当前局面高度相似的案例。现代击败人类棋手的程序基于神经网络与强化学习程序只通过与自己对弈长时间来学习并从自身错误中吸取教训——正如人类学下棋那样但计算机能在更短时间内下更多盘棋因此学习速度快得多。✅ 研究一下 AI 还玩过哪些游戏。再看会说话的程序可能通过图灵测试的程序的变迁早期此类程序如 Eliza基于非常简单的语法规则把输入句子改写成反问句。现代助手如 Cortana、Siri、Google Assistant都是混合系统用神经网络把语音转成文本并识别意图再借助推理或显式算法执行所需动作。未来我们可以期待完全基于神经网络的模型自主处理对话——最近的 GPT 与 Turing-NLG 神经网络家族已经展示了巨大潜力。近期 AI 研究从 ImageNet 到大型语言模型神经网络研究的爆发式增长始于约 2010 年当时大型公开数据集开始出现。一个名为 ImageNet 的巨型图像集包含约 1400 万张标注图像催生了 ImageNet 大规模视觉识别挑战赛ILSVRC。图片由 Dmitry Soshnikov 制作2012 年卷积神经网络CNN 首次用于图像分类使分类错误率显著下降从接近 30% 降到 16.4%。2015 年微软研究院的 ResNet 架构达到了人类水平的准确率。此后神经网络在众多任务上表现出色年份达到人类水平Human Parity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BERT、GPT-3 等大型语言模型取得巨大成功。这主要得益于大量通用文本数据的可获取性我们可以训练模型捕获文本的结构与含义先在通用文本集合上预训练再针对更具体的任务进行微调specialize。课程稍后的 NLP 章节 会详细介绍自然语言处理的相关内容包括 18-Transformers 对 Transformer 架构的深入讲解。动手实践挑战与作业 挑战在互联网上做一次巡游判断你认为 AI 在哪里被应用得最有效——是地图应用、语音转文字服务还是电子游戏研究该系统是如何构建的。 作业Game Jam完整要求见 lesson 作业文件。核心任务是游戏是深受 AI 与 ML 发展影响的领域。请针对一款你喜欢的、受到 AI 演化影响的游戏写一篇短文——它应当足够古老从而受到过多种计算机处理系统的影响。好的例子包括国际象棋、围棋也可关注 Pong、Pac-Man 等电子游戏。撰写一篇讨论该游戏的过去、现在与 AI 未来的文章。此外本课配套的课前/课后测验Pre-lecture quiz 与 Post-lecture quiz可在课程 README 中找到入口用于检验对弱/强 AI、图灵测试与两大方法体系的理解。复习与自学建议通过阅读 机器学习入门课程中的历史课 复习 AI 与 ML 的历史加深对符号推理、专家系统、AI 寒冬以及神经网络复兴等关键节点的印象。从本课或该课的速记草图sketchnote中选取一个元素深入研究理解推动其演化的文化背景。仓库 sketchnotes 目录 提供了一系列课程速记图可作为线索。在动手层面仓库 examples 目录提供了如 01-hello-ai-world.py、02-simple-neural-network.py 等入门示例脚本binder 环境配置可帮助你搭建可运行的实验环境。本文小结作为 AI-For-Beginners 课程的第一课本章为你建立了三个关键认知(1) AI 研究的是那些无法显式编程、需要从数据中学习的任务(2) 弱 AI 已广泛落地而强 AIAGI仍是理论目标图灵测试提供了操作性的判断标准(3) 自顶向下的符号推理与自底向上的神经网络是贯穿整个课程的两条主线后续章节将分别沿 2-Symbolic 与 3-NeuralNetworks 深入展开。带着这些概念框架你就可以进入后续 23 课的学习了。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 第一课人工智能导论——从弱 AI 与强 AI 到图灵测试与神经网络的完整入门指南AI For Beginners 第一课人工智能导论——从弱 AI 与强 AI 到图灵测试与神经网络的完整入门指南 本文是开源课程 AI For Beginn教程人工智能机器学习深度学习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 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教程人工智能机器学习深度学习AI for Beginners 第 1 课导读什么是人工智能——从弱 AI、强 AI 到图灵测试与神经网络AI for Beginners 第 1 课导读什么是人工智能——从弱 AI、强 AI 到图灵测试与神经网络 本文是开源课程 AI For Beginners教程人工智能机器学习深度学习上一篇如何让IE6-IE8焕发新生ieBetter.js开源神器全攻略下一篇使用Rust和WebAssembly构建的高效能应用程序示例Rust-Yew-Realworld-Example-App创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考