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是开源课程 AI-For-Beginners 第一课《Introduction to AI》的完整技术导读基于 爱沙尼亚语译本 与 英文原版 展开。本课回答了三个核心问题什么样的任务需要 AI 来解决如何判断一台机器是否智能图灵测试通往人工智能有哪两条主路线自上而下的符号推理与自下而上的神经网络读完本文你将掌握 AI 的基础概念框架、AI 历史演进的脉络以及本课配套的课前/课后测验、动手挑战与 Game Jam 作业的完成方法为后续学习知识表示、神经网络、计算机视觉与自然语言处理打下认知基础。上图为本课内容的涂鸦导图Sketchnote由 Tomomi Imura 绘制帮助读者用一页图快速把握全课脉络。课程定位本课在 12 周课程体系中的位置AI-For-Beginners 是一套12 周、24 课的人工智能入门课程覆盖符号 AI、神经网络、计算机视觉、NLP、遗传算法、强化学习、多智能体系统与 AI 伦理等主题见 课程总览。本课正是课程表中的第 I 部分Introduction to AI第 01 课Introduction and History of AI是整套课程的第一课承担着建立全局认知的任务。课程建议零基础读者先尝试 examples 目录下的四个入门示例Hello AI World、简易神经网络、图像分类器、文本情感分析再进入完整课程体系本课之后可以按序进入符号 AI第 2 部分与神经网络第 3 部分。什么是人工智能算法能做什么不能做什么要理解人工智能先要理解精确算法的边界。计算机最初由查尔斯·巴贝奇Charles Babbage构想为按照明确定义的过程即算法处理数字的机器现代计算机虽然在算力上远超 19 世纪的原始模型但本质上仍遵循受控计算这一思想只要我们知道达成目标所需的精确步骤序列就能编程让计算机完成它。但现实中有大量任务我们并不知道精确的求解步骤。本课给出的经典例子是——根据一张照片判断一个人的年龄。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既无法显式解释自己是怎么算出来的也无法把它写成精确的算法步骤。正是这类无法显式编程的任务构成了**人工智能Artificial Intelligence简称 AI**的核心研究对象。本课建议读者思考有哪些任务可以委托给计算机并从 AI 中受益例如金融、医学、艺术领域今天分别从 AI 中获得了什么这个思考题贯穿全课旨在帮助读者建立什么样的任务适合 AI的直觉。弱 AI 与强 AI两种智能层级的对比本课用一个对比表格清晰地区分了两种 AI 形态弱 AINarrow/Weak AI强 AIStrong AI / AGI针对特定任务或一组狭窄任务而设计和训练的系统具备人类水平智能与理解能力的系统即通用人工智能Artificial General IntelligenceAGI通常不具备通用智能擅长执行预定义任务但缺乏真正的理解力或意识能够完成人类能完成的任何智力任务跨领域适应并具备某种形式的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推理、学习、理解并跨广泛任务与情境适应的系统高度专门化在其狭窄领域之外不具备类人的认知能力或通用问题求解能力目前仍是理论性概念尚无任何系统达到这种通用智能水平需要强调的是现实中我们接触到的几乎全部 AI 应用都属于弱 AI强 AI 是本课及整个 AI 领域的远景目标。围绕 AGI 的更多背景可参考通用人工智能相关文献。智能的定义难题与图灵测试智能Intelligence一词最大的问题在于缺乏清晰、公认的定义。有人认为智能与抽象思维或自我意识相关但都无法被严格定义。本课用猫是否智能这个例子来说明概念的模糊性——不同的人会给出不同答案因为不存在一个普适的测试来判定命题真伪如果你认为存在这样的测试不妨试着用 IQ 测试给你的猫测一下。乌鸦能否解迷宫取食算不算智能幼儿算不算智能这些思考题都在提醒我们定义智能本身就是一个难题。既然无法从定义入手阿兰·图灵Alan Turing换了一个思路他提出的**[图灵测试]**实际上充当了智能的操作性定义。其核心思想是把待测系统与本质上是智能的参照物——真实人类——进行比较由于任何自动比较都可能被计算机程序绕过测试使用人类询问者如果询问者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判定为智能。本课给出了图灵测试历史上著名的案例——聊天机器人Eugene Goostman。该机器人于 2014 年在圣彼得堡被开发出来它通过一个巧妙的人格套路接近通过图灵测试一开场就声明自己是一名 13 岁的乌克兰男孩从而合理解释了知识面的欠缺和文本中的某些矛盾。在 5 分钟的对话后它说服了 30% 的评委相信自己是人类——这正是图灵曾预言机器能在 2000 年达到的指标。但本课特别强调了一个容易误读的点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人类询问者——真正骗过人类的是机器人的开发者而不是系统本身。读者可以结合思考你是否曾被聊天机器人骗到以为自己在和真人对话它是如何说服你的上图展示了从早期规则式对话程序到现代混合助手、图灵测试挑战对象不断演进的脉络图片由 Dmitry Soshnikov 制作。通往智能的两大技术路线如果想让计算机像人一样行动就必须在计算机中建模人类的思维方式因此需要理解是什么让人类智能。自我剖析会发现有些过程是潜意识的例如不假思索就能区分猫和狗而另一些过程涉及显式推理。据此本课提出了两条主路线自上而下Top-down符号推理自下而上Bottom-up神经网络建模人解决问题的推理方式。需要从人类身上抽取知识并以计算机可读的形式表示同时开发在计算机中建模推理的方法建模人脑结构——由海量简单单元神经元组成。每个神经元表现为其输入的加权平均通过提供训练数据来训练神经元网络解决实际问题除了这两条主路线还存在其他可能的智能路线涌现式 / 协同式 / 多智能体路线复杂的智能行为可以由大量简单智能体的相互作用中涌现出来。依据进化控制论evolutionary cybernetics的观点在元系统跃迁过程中智能可以从更简单、反应式的行为中涌现。进化路线 / 遗传算法一种基于进化原理的优化过程。这两类路线会在课程后面遗传算法、多智能体系统、深度强化学习详细展开本课先聚焦前两条主路线。自上而下符号推理自上而下尝试建模我们的推理过程。因为推理时我们能追踪自己的思维所以可以尝试把这个过程形式化并编程进计算机这就是符号推理symbolic reasoning。人在头脑中通常有一些引导决策的规则。例如医生诊断病人时可能注意到病人发烧进而推断体内存在炎症通过对具体问题应用大量规则医生最终得出诊断结论。这一路线高度依赖知识表示knowledge representation与推理reasoning。本课明确指出其最大难点在于从人类专家那里抽取知识常常是困难的部分——医生在很多情况下并不能确切说出自己为何得出某个诊断解决方案有时直接冒出来而未经显式思考而像从照片判断年龄这类任务根本无法归约为对知识的操作。这正是符号 AI 后来遭遇瓶颈的根源也是 第 2 课知识表示与专家系统 将深入展开的主题。自下而上神经网络自下而上则尝试建模人脑中最简单的元素——神经元。我们在计算机中构造所谓的人工神经网络artificial neural network然后通过给网络提供大量示例来教它解决问题。这个过程类似于新生儿通过观察来认识周围世界——婴儿的观察就是训练数据。本课在此处还特别插入了一个说明框基于数据让计算机学会解决问题的 AI 分支被称为机器学习Machine Learning。本课程不涉及经典机器学习内容而是将其留给配套的《Machine Learning for Beginners》课程本课的学习重点是神经网络等现代 AI 路线相关插图见 ml-for-beginners 示意图。AI 简史从专家系统到 AI 寒冬再到神经网络复兴人工智能作为一个学科始于 20 世纪中叶。初期符号推理占据主导地位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扮演专家角色的计算机程序。然而这种路线很快暴露出扩展性问题从专家处抽取知识、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很多场景下成本高得难以落地。这直接导致了 20 世纪 70 年代的所谓[AI 寒冬]AI Winter。上图为本课的 AI 历史时间线概览图片由 Dmitry Soshnikov 绘制。随着时间推移计算资源变得廉价、可用数据大幅增长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。最近十年里人工智能一词在多数语境下几乎成了神经网络的同义词——因为绝大多数我们耳闻的 AI 突破都建立在神经网络之上。本课用两个具体案例来说明技术路线的变迁以国际象棋程序为例路线经历了三次跃迁搜索方法早期程序显式地评估对手未来若干步的可能走法并基于几步之内可达的最优局面选择最佳走法由此催生了**α-β 剪枝alpha-beta pruning**搜索算法。开局瓶颈与基于案例的推理搜索策略在残局阶段表现良好搜索空间被限制在少量走法但开局阶段搜索空间巨大于是研究者让算法从人类对弈棋谱中学习采用基于案例的推理case-based reasoning——程序在知识库中查找与当前局面高度相似的案例。神经网络与强化学习现代战胜人类棋手的新一代程序基于神经网络与强化学习reinforcement learning通过长时间自我对弈、从自身错误中学习——和人类学棋的方式相似但计算机能在更短时间内下更多盘棋因此学得更快。这也是 深度强化学习一课 的铺垫。以会说话的程序可能通过图灵测试的程序为例同样可以看到演进早期程序如 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用某种推理或显式算法执行所需动作。未来方向可以期待完全基于神经网络的模型独立完成对话管理——近期 GPT 与 Turing-NLG微软 170 亿参数语言模型等神经网络家族已经展示出巨大进展。近年 AI 研究进展ImageNet 与人类水平里程碑神经网络研究的大爆发大约始于 2010 年其前提是大型公开数据集开始可用。一个包含约1400 万张标注图像的大型图像集ImageNet催生了ImageNet 大规模视觉识别挑战赛ILSVRC。上图展示 ILSVRC 历年图像分类错误率的下降趋势图片由 Dmitry Soshnikov 制作。2012 年卷积神经网络CNN 首次被用于图像分类将分类错误率从接近 30% 大幅降低至 16.4%2015 年微软研究院的 ResNet 架构达到了人类水平的分类精度。此后神经网络在大量任务中表现出色本课给出了一张人类水平达成时间表年份达成人类水平的任务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Image Captioning近年来BERT、GPT-3 等**大语言模型Large Language Models**取得了巨大成功。其背后的关键因素是存在海量通用文本数据使我们得以训练模型捕获文本的结构与含义先在通用语料上预训练再针对具体任务微调特化。自然语言处理相关主题将在课程 第 5 部分NLP 中系统学习。动手挑战、测验与课后学习路径本课在每个关键知识点处都嵌入了思考题✅ 提示并在课程层面配套了完整的测验与作业体系课前测验与课后测验本课配有课前测验与课后测验用于检验学习前后对概念的理解。所有测验内容托管在 etc/quiz-app 测验应用中可以在本地运行或部署后使用。 挑战Challenge在互联网上做一次调研判断你认为 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并研究该系统是如何构建的。这个挑战鼓励读者把概念落实到真实产品上。复习与自学Review Self Study回顾 AI 与机器学习的历史从本课顶部的涂鸦导图中挑选一个元素进行深入调研理解塑造其演进的文化背景。课程作业AssignmentGame Jam撰写一篇关于你喜爱游戏的短文该游戏应足够古老以便体现多种计算机处理系统AI/ML 演进的影响。好的候选包括国际象棋、围棋也可以考虑 Pong、Pac-Man 等视频游戏文章需要讨论该游戏的过去、现在与 AI 未来。学习本课的正确姿势作为整套课程的第 1 课建议读者按以下方式学习先做课前测验通读本课正文并逐一回答 ✅ 思考题随后完成课后测验检验掌握度再动手完成互联网调研挑战与 Game Jam 作业。如果完全零基础可以先运行 examples 中的入门示例如 01-hello-ai-world.py 的简单模式识别获得直观感受再回到本课。之后便可按课程表进入 符号 AI 与 神经网络 部分逐步构建起从符号推理到深度学习的完整知识栈。本课对应的爱沙尼亚语版见 translations/et/lessons/1-Intro/README.md该仓库通过自动化流程为 50 种语言提供同步翻译爱沙尼亚语完整课程入口在 translations/et/README.md英文权威版本见 lessons/1-Intro/README.md。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 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AI For Beginners 课程导读从弱 AI 与强 AI 之争到图灵测试与神经网络的两大技术路线AI For Beginners 课程导读从弱 AI 与强 AI 之争到图灵测试与神经网络的两大技术路线 本文是开源课程 AI For Beginners h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 人工智能入门指南：弱 AI 与强 AI、图灵测试与两大技术路线（AI-For-Beginners 第 1 课深度解读）
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是开源课程 AI-For-Beginners 第一课《Introduction to AI》的完整技术导读基于 爱沙尼亚语译本 与 英文原版 展开。本课回答了三个核心问题什么样的任务需要 AI 来解决如何判断一台机器是否智能图灵测试通往人工智能有哪两条主路线自上而下的符号推理与自下而上的神经网络读完本文你将掌握 AI 的基础概念框架、AI 历史演进的脉络以及本课配套的课前/课后测验、动手挑战与 Game Jam 作业的完成方法为后续学习知识表示、神经网络、计算机视觉与自然语言处理打下认知基础。上图为本课内容的涂鸦导图Sketchnote由 Tomomi Imura 绘制帮助读者用一页图快速把握全课脉络。课程定位本课在 12 周课程体系中的位置AI-For-Beginners 是一套12 周、24 课的人工智能入门课程覆盖符号 AI、神经网络、计算机视觉、NLP、遗传算法、强化学习、多智能体系统与 AI 伦理等主题见 课程总览。本课正是课程表中的第 I 部分Introduction to AI第 01 课Introduction and History of AI是整套课程的第一课承担着建立全局认知的任务。课程建议零基础读者先尝试 examples 目录下的四个入门示例Hello AI World、简易神经网络、图像分类器、文本情感分析再进入完整课程体系本课之后可以按序进入符号 AI第 2 部分与神经网络第 3 部分。什么是人工智能算法能做什么不能做什么要理解人工智能先要理解精确算法的边界。计算机最初由查尔斯·巴贝奇Charles Babbage构想为按照明确定义的过程即算法处理数字的机器现代计算机虽然在算力上远超 19 世纪的原始模型但本质上仍遵循受控计算这一思想只要我们知道达成目标所需的精确步骤序列就能编程让计算机完成它。但现实中有大量任务我们并不知道精确的求解步骤。本课给出的经典例子是——根据一张照片判断一个人的年龄。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既无法显式解释自己是怎么算出来的也无法把它写成精确的算法步骤。正是这类无法显式编程的任务构成了**人工智能Artificial Intelligence简称 AI**的核心研究对象。本课建议读者思考有哪些任务可以委托给计算机并从 AI 中受益例如金融、医学、艺术领域今天分别从 AI 中获得了什么这个思考题贯穿全课旨在帮助读者建立什么样的任务适合 AI的直觉。弱 AI 与强 AI两种智能层级的对比本课用一个对比表格清晰地区分了两种 AI 形态弱 AINarrow/Weak AI强 AIStrong AI / AGI针对特定任务或一组狭窄任务而设计和训练的系统具备人类水平智能与理解能力的系统即通用人工智能Artificial General IntelligenceAGI通常不具备通用智能擅长执行预定义任务但缺乏真正的理解力或意识能够完成人类能完成的任何智力任务跨领域适应并具备某种形式的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推理、学习、理解并跨广泛任务与情境适应的系统高度专门化在其狭窄领域之外不具备类人的认知能力或通用问题求解能力目前仍是理论性概念尚无任何系统达到这种通用智能水平需要强调的是现实中我们接触到的几乎全部 AI 应用都属于弱 AI强 AI 是本课及整个 AI 领域的远景目标。围绕 AGI 的更多背景可参考通用人工智能相关文献。智能的定义难题与图灵测试智能Intelligence一词最大的问题在于缺乏清晰、公认的定义。有人认为智能与抽象思维或自我意识相关但都无法被严格定义。本课用猫是否智能这个例子来说明概念的模糊性——不同的人会给出不同答案因为不存在一个普适的测试来判定命题真伪如果你认为存在这样的测试不妨试着用 IQ 测试给你的猫测一下。乌鸦能否解迷宫取食算不算智能幼儿算不算智能这些思考题都在提醒我们定义智能本身就是一个难题。既然无法从定义入手阿兰·图灵Alan Turing换了一个思路他提出的**[图灵测试]**实际上充当了智能的操作性定义。其核心思想是把待测系统与本质上是智能的参照物——真实人类——进行比较由于任何自动比较都可能被计算机程序绕过测试使用人类询问者如果询问者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判定为智能。本课给出了图灵测试历史上著名的案例——聊天机器人Eugene Goostman。该机器人于 2014 年在圣彼得堡被开发出来它通过一个巧妙的人格套路接近通过图灵测试一开场就声明自己是一名 13 岁的乌克兰男孩从而合理解释了知识面的欠缺和文本中的某些矛盾。在 5 分钟的对话后它说服了 30% 的评委相信自己是人类——这正是图灵曾预言机器能在 2000 年达到的指标。但本课特别强调了一个容易误读的点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人类询问者——真正骗过人类的是机器人的开发者而不是系统本身。读者可以结合思考你是否曾被聊天机器人骗到以为自己在和真人对话它是如何说服你的上图展示了从早期规则式对话程序到现代混合助手、图灵测试挑战对象不断演进的脉络图片由 Dmitry Soshnikov 制作。通往智能的两大技术路线如果想让计算机像人一样行动就必须在计算机中建模人类的思维方式因此需要理解是什么让人类智能。自我剖析会发现有些过程是潜意识的例如不假思索就能区分猫和狗而另一些过程涉及显式推理。据此本课提出了两条主路线自上而下Top-down符号推理自下而上Bottom-up神经网络建模人解决问题的推理方式。需要从人类身上抽取知识并以计算机可读的形式表示同时开发在计算机中建模推理的方法建模人脑结构——由海量简单单元神经元组成。每个神经元表现为其输入的加权平均通过提供训练数据来训练神经元网络解决实际问题除了这两条主路线还存在其他可能的智能路线涌现式 / 协同式 / 多智能体路线复杂的智能行为可以由大量简单智能体的相互作用中涌现出来。依据进化控制论evolutionary cybernetics的观点在元系统跃迁过程中智能可以从更简单、反应式的行为中涌现。进化路线 / 遗传算法一种基于进化原理的优化过程。这两类路线会在课程后面遗传算法、多智能体系统、深度强化学习详细展开本课先聚焦前两条主路线。自上而下符号推理自上而下尝试建模我们的推理过程。因为推理时我们能追踪自己的思维所以可以尝试把这个过程形式化并编程进计算机这就是符号推理symbolic reasoning。人在头脑中通常有一些引导决策的规则。例如医生诊断病人时可能注意到病人发烧进而推断体内存在炎症通过对具体问题应用大量规则医生最终得出诊断结论。这一路线高度依赖知识表示knowledge representation与推理reasoning。本课明确指出其最大难点在于从人类专家那里抽取知识常常是困难的部分——医生在很多情况下并不能确切说出自己为何得出某个诊断解决方案有时直接冒出来而未经显式思考而像从照片判断年龄这类任务根本无法归约为对知识的操作。这正是符号 AI 后来遭遇瓶颈的根源也是 第 2 课知识表示与专家系统 将深入展开的主题。自下而上神经网络自下而上则尝试建模人脑中最简单的元素——神经元。我们在计算机中构造所谓的人工神经网络artificial neural network然后通过给网络提供大量示例来教它解决问题。这个过程类似于新生儿通过观察来认识周围世界——婴儿的观察就是训练数据。本课在此处还特别插入了一个说明框基于数据让计算机学会解决问题的 AI 分支被称为机器学习Machine Learning。本课程不涉及经典机器学习内容而是将其留给配套的《Machine Learning for Beginners》课程本课的学习重点是神经网络等现代 AI 路线相关插图见 ml-for-beginners 示意图。AI 简史从专家系统到 AI 寒冬再到神经网络复兴人工智能作为一个学科始于 20 世纪中叶。初期符号推理占据主导地位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扮演专家角色的计算机程序。然而这种路线很快暴露出扩展性问题从专家处抽取知识、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很多场景下成本高得难以落地。这直接导致了 20 世纪 70 年代的所谓[AI 寒冬]AI Winter。上图为本课的 AI 历史时间线概览图片由 Dmitry Soshnikov 绘制。随着时间推移计算资源变得廉价、可用数据大幅增长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。最近十年里人工智能一词在多数语境下几乎成了神经网络的同义词——因为绝大多数我们耳闻的 AI 突破都建立在神经网络之上。本课用两个具体案例来说明技术路线的变迁以国际象棋程序为例路线经历了三次跃迁搜索方法早期程序显式地评估对手未来若干步的可能走法并基于几步之内可达的最优局面选择最佳走法由此催生了**α-β 剪枝alpha-beta pruning**搜索算法。开局瓶颈与基于案例的推理搜索策略在残局阶段表现良好搜索空间被限制在少量走法但开局阶段搜索空间巨大于是研究者让算法从人类对弈棋谱中学习采用基于案例的推理case-based reasoning——程序在知识库中查找与当前局面高度相似的案例。神经网络与强化学习现代战胜人类棋手的新一代程序基于神经网络与强化学习reinforcement learning通过长时间自我对弈、从自身错误中学习——和人类学棋的方式相似但计算机能在更短时间内下更多盘棋因此学得更快。这也是 深度强化学习一课 的铺垫。以会说话的程序可能通过图灵测试的程序为例同样可以看到演进早期程序如 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用某种推理或显式算法执行所需动作。未来方向可以期待完全基于神经网络的模型独立完成对话管理——近期 GPT 与 Turing-NLG微软 170 亿参数语言模型等神经网络家族已经展示出巨大进展。近年 AI 研究进展ImageNet 与人类水平里程碑神经网络研究的大爆发大约始于 2010 年其前提是大型公开数据集开始可用。一个包含约1400 万张标注图像的大型图像集ImageNet催生了ImageNet 大规模视觉识别挑战赛ILSVRC。上图展示 ILSVRC 历年图像分类错误率的下降趋势图片由 Dmitry Soshnikov 制作。2012 年卷积神经网络CNN 首次被用于图像分类将分类错误率从接近 30% 大幅降低至 16.4%2015 年微软研究院的 ResNet 架构达到了人类水平的分类精度。此后神经网络在大量任务中表现出色本课给出了一张人类水平达成时间表年份达成人类水平的任务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Image Captioning近年来BERT、GPT-3 等**大语言模型Large Language Models**取得了巨大成功。其背后的关键因素是存在海量通用文本数据使我们得以训练模型捕获文本的结构与含义先在通用语料上预训练再针对具体任务微调特化。自然语言处理相关主题将在课程 第 5 部分NLP 中系统学习。动手挑战、测验与课后学习路径本课在每个关键知识点处都嵌入了思考题✅ 提示并在课程层面配套了完整的测验与作业体系课前测验与课后测验本课配有课前测验与课后测验用于检验学习前后对概念的理解。所有测验内容托管在 etc/quiz-app 测验应用中可以在本地运行或部署后使用。 挑战Challenge在互联网上做一次调研判断你认为 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并研究该系统是如何构建的。这个挑战鼓励读者把概念落实到真实产品上。复习与自学Review Self Study回顾 AI 与机器学习的历史从本课顶部的涂鸦导图中挑选一个元素进行深入调研理解塑造其演进的文化背景。课程作业AssignmentGame Jam撰写一篇关于你喜爱游戏的短文该游戏应足够古老以便体现多种计算机处理系统AI/ML 演进的影响。好的候选包括国际象棋、围棋也可以考虑 Pong、Pac-Man 等视频游戏文章需要讨论该游戏的过去、现在与 AI 未来。学习本课的正确姿势作为整套课程的第 1 课建议读者按以下方式学习先做课前测验通读本课正文并逐一回答 ✅ 思考题随后完成课后测验检验掌握度再动手完成互联网调研挑战与 Game Jam 作业。如果完全零基础可以先运行 examples 中的入门示例如 01-hello-ai-world.py 的简单模式识别获得直观感受再回到本课。之后便可按课程表进入 符号 AI 与 神经网络 部分逐步构建起从符号推理到深度学习的完整知识栈。本课对应的爱沙尼亚语版见 translations/et/lessons/1-Intro/README.md该仓库通过自动化流程为 50 种语言提供同步翻译爱沙尼亚语完整课程入口在 translations/et/README.md英文权威版本见 lessons/1-Intro/README.md。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 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AI For Beginners 课程导读从弱 AI 与强 AI 之争到图灵测试与神经网络的两大技术路线AI For Beginners 课程导读从弱 AI 与强 AI 之争到图灵测试与神经网络的两大技术路线 本文是开源课程 AI For Beginners h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