人工智能基础课 / 通俗易懂的人工智能入门课
王天一
工学博士,副教授
 
  • 课程目录
  • 课程介绍
  • 开篇词 | 人工智能:新时代的必修课

    在未来的几个月中,“人工智能基础课”这个专栏将和你分享人工智能的基础知识,以帮助你更好地理解人工智能的内涵。

  • 01 数学基础 | 九层之台,起于累土:线性代数

    必备的数学知识是理解人工智能不可或缺的要素,今天的种种人工智能技术归根到底都建立在数学模型之上,而这些数学模型又都离不开线性代数的理论框架。

  • 02 数学基础 | 月有阴晴圆缺,此事古难全:概率论

    除了线性代数之外,概率论也是人工智能研究中必备的数学基础。随着连接主义学派的兴起,概率统计已经取代了数理逻辑,成为人工智能研究的主流工具。

  • 03 数学基础 | 窥一斑而知全豹:数理统计

    在人工智能的研究中,数理统计同样不可或缺。基础的统计理论有助于对机器学习的算法和数据挖掘的结果做出解释。

  • 04 数学基础 | 不畏浮云遮望眼:最优化方法

    几乎所有的人工智能问题最后都会归结为一个优化问题的求解,因而最优化理论同样是人工智能必备的基础知识。

  • 05 数学基础 | 万物皆数,信息亦然:信息论

    信息论使用“信息熵”的概念,对单个信源的信息量和通信中传递信息的数量与效率等问题做出了解释,并在世界的不确定性和信息的可测量性之间搭建起一座桥梁。

  • 06 数学基础 | 明日黄花迹难寻:形式逻辑

    理想的人工智能应该具备抽象意义上的学习、推理与归纳能力,要实现这样的人工智能,不可或缺的基础是形式逻辑。

  • (课外辅导)数学基础 | 拓展阅读参考书

    学完了数学基础的模块,希望这些参考书能够帮你进一步成长。

  • 07 机器学习 | 数山有路,学海无涯:机器学习概论

    从大量现象中提取反复出现的规律与模式,这一过程在人工智能中的实现就是机器学习。

  • 08 机器学习 | 简约而不简单:线性回归

    数学中的线性模型可谓“简约而不简单”:它既能体现出重要的基本思想,又能构造出功能更加强大的非线性模型。

  • 09 机器学习 | 大道至简:朴素贝叶斯方法

    今天我来分享一个用于解决分类问题的算法,即将连续取值的输入映射为离散取值的输出,算法的名字叫作“朴素贝叶斯方法”。

  • 10 机器学习 | 衍化至繁:逻辑回归

    虽然顶着“回归”的名号,但逻辑回归解决的却是实打实的分类问题。

  • 11 机器学习 | 步步为营,有章可循:决策树

    决策树算法是解决分类问题的另一种方法。与基于概率推断的朴素贝叶斯分类器和逻辑回归模型不同,决策树算法采用树形结构,使用层层推理来实现最终的分类。

  • 12 机器学习 | 穷则变,变则通:支持向量机

    支持向量机是一种二分类算法,通过在高维空间中构造超平面实现对样本的分类。

  • 13 机器学习 | 三个臭皮匠,赛过诸葛亮:集成学习

    无线通信中的分集思想在机器学习中的对应就是集成学习。集成学习正是使用多个个体学习器来获得比每个单独学习器更好的预测性能。

  • 14 机器学习 | 物以类聚,人以群分:聚类分析

    聚类分析是一种无监督学习方法,其目标是学习没有分类标记的训练样本,以揭示数据的内在性质和规律。

  • 15 机器学习 | 好钢用在刀刃上:降维学习

    根据凡事抓主要矛盾的原则,对举足轻重的属性要给予足够的重视,无关紧要的属性则可以忽略不计,这在机器学习中就体现为降维的操作。

  • (课外辅导)机器学习 | 拓展阅读参考书

    学完了机器学习的模块,希望这些参考书能够帮你进一步成长。

  • 16 人工神经网络 | 道法自然,久藏玄冥:神经网络的生理学背景

    今天我们来分享人工神经网络的生理学背景,并简单介绍人类认知的物理基础与工作机制。

  • 17 人工神经网络 | 一个青年才俊的意外死亡:神经元与感知器

    1943年,一篇论文宣告了人工神经网络的呱呱坠地,神经网络的鼻祖感知器的基本原理是怎样的?

  • 18 人工神经网络 | 左手信号,右手误差:多层感知器

    虽然异或问题成为感知器和早期神经网络的阿喀琉斯之踵,但它并非无解的问题。恰恰相反,解决它的思路相当简单,就是将单层感知器变成多层感知器。

  • 19 人工神经网络 | 各人自扫门前雪:径向基函数神经网络

    在神经科学中,什么是“感受野”?如何训练径向基函数神经网络?

  • 20 人工神经网络 | 看不见的手:自组织特征映射

    如果将无监督学习引入神经网络中,对应的结构就是自组织特征映射。

  • 21 人工神经网络 | 水无至清,人莫至察:模糊神经网络

    模糊神经网络是一类特殊的神经网络,它是神经网络和模糊逻辑结合形成的混合智能系统。

  • (课外辅导)人工神经网络 | 拓展阅读参考书

    梳理了人工神经网络模块几本经典的书,为你进一步学习提供参考。

  • 22 深度学习 | 空山鸣响,静水流深:深度学习概述

    深度学习的理论问题是成为人工智能讨论中的一个焦点,深度学习实际上是基于具有多个隐藏层的神经网络的学习。

  • 课外谈 | “人工智能基础课”之二三闲话

    不知不觉,专栏上新已一月有余。各位朋友在阅读之余的互动带给我不少的思考,借此机会呢,和你聊聊这个专栏的杂七杂八。

  • 23 深度学习 | 前方有路,未来可期:深度前馈网络

    深度前馈网络是具有深度结构的前馈神经网络,可以看成是进化版的多层感知器。

  • 24 深度学习 | 小树不修不直溜:深度学习中的正则化

    正则化作为抑制过拟合的手段,是机器学习和深度学习之中必不可少的环节,具有举足轻重的地位。

  • 25 深度学习 | 玉不琢不成器:深度学习中的优化

    除了正则化之外,优化也是深度学习需要解决的一个核心问题。出于效率和精确性的考虑,在深度学习的优化上需要使用专门的技术。

  • 26 深度学习 | 空竹里的秘密:自编码器

    自编码器是一类执行无监督学习任务的神经网络结构。今天我们就来聊聊这个有着“空竹网络”雅号的自编码器。

  • 27 深度学习 | 困知勉行者勇:深度强化学习

    在AlphaGo Zero中,深度强化学习大放异彩。今天我们就来聊聊深度强化学习怎样完成从数据到决策的转变。

  • (课外辅导)深度学习 | 拓展阅读参考书

    由于深度学习是近五年才流行起来的概念,参考资料因而屈指可数。推荐给你这些有价值的书和论文。

  • 28 深度学习框架下的神经网络 | 枯木逢春:深度信念网络

    2006年,深度学习的祖师爷乔弗里·辛顿提出了深度信念网络模型,它吹响了连接主义学派复兴的号角,也打开了通向人工智能新世界的大门。

  • 29 深度学习框架下的神经网络 | 见微知著:卷积神经网络

    今天我们来讲人脸识别乃至图像识别中的一项关键技术,卷积神经网络。

  • 30 深度学习框架下的神经网络 | 昨日重现:循环神经网络

    今天,我们从RNN的两层含义讲起,聊一聊循环神经网络。

  • 31 深度学习框架下的神经网络 | 左右互搏:生成式对抗网络

    今天我们来聊一聊在最近两年名声大噪的生成式对抗网络,这是一类在无监督学习中使用的人工智能算法,由两个在零和游戏框架下相互竞争的神经网络实现。

  • 32 深度学习框架下的神经网络 | 三重门:长短期记忆网络

    如何在神经网络中引入记忆?长短期记忆网络的作用就是实现长期记忆,或者更准确地说,是实现任意长度的记忆。

  • 33 深度学习之外的人工智能 | 一图胜千言:概率图模型

    深度学习远非实现人工智能的唯一途径,从今天开始,就来和你聊一聊深度学习之外的人工智能。

  • 34 深度学习之外的人工智能 | 乌合之众的逆袭:集群智能

    用集群智能方法实现人工智能,代表的是研究方式的转变,从结构模拟出发,通过人为创造类似人类脑神经系统的结构模型,实现智能的大规模涌现。

  • 35 深度学习之外的人工智能 | 授人以鱼不如授人以渔:迁移学习

    人工智能的大咖吴恩达表示“继深度学习之后,迁移学习将引领下一波机器学习技术”。那什么是迁移学习?今天我们就一起来讨论这个话题。

  • 推荐阅读 | 我与人工智能的故事

    今天给你推荐一篇文章,是我们专栏读者自己的故事。

  • 36 深度学习之外的人工智能 | 滴水藏海:知识图谱

    要构造可解释的人工智能,靠大数据去训练复杂模型肯定是不靠谱的,还是要回归到逻辑推演的路径上,而知识图谱很可能成为可解释人工智能中的一项关键技术。

  • 37 应用场景 | 你是我的眼:计算机视觉

    计算机视觉称得上是个古老的学科,它的任务是用计算机实现视觉感知功能,代替人眼执行对目标的识别、跟踪、测量和处理等任务,并从数字图像中获取信息。

  • 38 应用场景 | 嘿, Siri:语音处理

    语音处理是人工智能技术的一个重要应用场景。今天,我就结合苹果公司关于Siri的介绍简单谈谈人工智能中的语音处理。

  • 39 应用场景 | 心有灵犀一点通:对话系统

    人工智能的一个基本挑战就是赋予机器使用自然语言与人交流的能力,今天我们就来聊聊对话系统。

  • 40 应用场景 | 数字巴别塔:机器翻译

    想要利用计算机实现不同语言之间的自动翻译,科学家们已经做了很多努力,也取得了长足的进展。今天我们就来聊聊机器翻译背后的技术发展。

  • 结课 | 溯洄从之,道阻且长

    《人工智能基础课》应该是一份简历、一份提纲,勾勒出这个领域的基本框架。

  • 一键到达 | 数学基础复习课

    今天来复习专栏的第一部分内容,数学基础。

  • 一键到达 | 机器学习复习课

    今天我们来复习专栏的第二部分内容,机器学习。

  • 一键到达 | 人工神经网络复习课

    今天我们来复习专栏的第三部分内容,人工神经网络。

  • 一键到达 | 深度学习复习课

    今天我们来复习专栏的第四部分内容,深度学习。

  • 直播回顾 | 机器学习必备的数学基础

    今天和你分享的内容是“机器学习中数学基础”的直播回顾文,也是对专栏数学基础部分的一个梳理。

  • 一键到达 | 深度学习框架下的神经网络复习课

    今天我们来复习专栏的第五部分内容,深度学习框架下的神经网络。

  • 一键到达 | 深度学习之外的人工智能复习课

    今天我们来复习专栏的第六部分内容,深度学习之外的人工智能。

  • 一键到达 | 应用场景复习课

    今天我们来复习专栏的最后一部分内容,应用场景。

  • 第2季回归 | 这次我们来聊聊机器学习

    你好,我是王天一,我在“机器学习40讲”欢迎你的到来!

  • 新书 | 《裂变:秒懂人工智能的基础课》

    从2017年12月到今年3月,我们一起创作了这本书。

专栏简介

当下,人工智能成了新时代的必修课,每个人都需要一些AI知识来升级自己,才能与时代同行。

人工智能的重要性已无需赘述,但作为一个跨学科产物,它包含的内容浩如烟海,各种复杂的模型和算法更是让人望而生畏。对于大多数的新手来说,如何入手人工智能其实都是一头雾水,比如到底需要哪些数学基础、是否要有工程经验、对于深度学习框架应该关注什么等等。

那学习人工智能该从哪里开始呢?人工智能的学习路径又是怎样的?

在“人工智能基础课”专栏里,王天一教授将结合自己的积累与思考,和你分享他对人工智能的理解,用通俗易懂的语言从零开始教你掌握人工智能的基础知识,梳理出人工智能学习路径,为今后深耕人工智能相关领域打下坚实的基础。

王天一毕业于北京邮电大学,获得工学博士学位,在读期间主要研究方向是连续变量量子通信理论与系统,主持并参与了多项国家级/省部级科研项目,以第一作者身份发表了5篇SCI论文。

目前在贵州大学大数据与信息工程学院担任副教授,主要研究方向是大数据与人工智能,研究内容包括以物联网为基础的大数据应用及神经网络与机器学习。 著有《人工智能革命》一书。

专栏模块

专栏约三个月,共40期,围绕人工智能基础的7大核心主题,分7个模块进行讲解:

  • 学习人工智能需要哪些必备的数学基础?
  • 机器学习有哪些学习方法?
  • 为什么人工神经网络如此流行?
  • 关于深度学习至少要掌握哪些内容?
  • 深度学习框架下的神经网络实例有哪些?
  • 深度学习之外的人工智能还有哪些重要研究?
  • 最经典的人工智能应用场景是怎样的?

专栏详细目录如下:

订阅这个专栏,你将可以:

  1. 梳理人工智能入门的知识框架,找到学习人工智能的最佳路径;

  2. 夯实人工智能基础,如数学、机器学习、深度学习等;

  3. 了解人工智能的最佳应用场景;

  4. 全方位认识人工智能,深刻理解人工智能内涵。

适宜人群

希望梳理人工智能学习脉络的AI入门者;希望系统学习人工智能基础知识的非AI领域技术人员;具有AI工程经验,希望进一步掌握核心理论的AI从业者;希望深刻理解人工智能内涵、对人工智能有浓厚兴趣的人。

你觉得怎么样?期待您评价: