Github
文档项目介绍
AiLearning-Theory-Applying 是一个专为快速掌握人工智能（AI）理论及应用实践而设计的开源项目。它包含了从基础数学知识到高级AI技术的全面教程，帮助学习者从理论上理解并能在实践中应用AI技术。项目内容丰富，包括大量的详细注释和数据集，目标是让每一位学习者都能轻松理解和复现相关方法。
学习章节
基础数学基础
学习AI的基础是必要的数学知识。项目提供了计算微积分、泰勒公式、线性代数、随机变量、概率论等必备数学知识。涵盖了数据科学的几种分布、核函数、熵和激活函数、回归分析、假设检验及相关分析等。
- 高等数学基础: 提供微积分的基本概念和应用。
- 线性代数: 在AI的向量计算和矩阵运算中尤为重要。
- 概率和统计: 为机器学习和数据分析建模奠定基础。
人人都能看懂的Transformer
本节详细阐述了Transformer架构的核心概念和应用。内容包括但不限于网络架构、文字向量化、位置编码以及多头注意力机制等关键技术。
- 多头注意力机制: 解释了如何利用QK矩阵相乘提升模型的注意力能力。
- 前馈神经网络: 详述Transformer中前馈网络的工作原理和实现细节。
机器学习
项目提供了多个实战案例，帮助学习者将机器学习理论应用于解决实际问题。
- 信用卡欺诈检测: 涉及数据集的探索与模型构建。
- 建筑能源利用率预测: 对于工业工程和智慧城市项目的独特视角。
深度学习入门
对于深度学习，该项目详细介绍了从基本概念到高级技术的全景视图。
- 卷积神经网络（CNN） 和 递归神经网络（RNN）: 理论与实际应用的结合。
- LSTM网络架构: 用于时间序列分析和自然语言处理中的情感分析。
NLP通用框架BERT项目实战
重点深入探讨BERT（Bidirectional Encoder Representations from Transformers）在自然语言处理中的应用，包括BERT的原理、源码的解读和实际的情感分析实战应用。
- 基于BERT的应用: 包括中文情感分析，结合项目实例让学习者更具实操性。
机器学习算法原理及推导
项目不仅注重应用，还详细讲解了机器学习算法的原理及推导过程，帮助学习者理解算法的内部机制。
- 李航的统计学习方法 和 李宏毅的异常检测: 提供深入的算法理解和应用。
使用说明及许可
本项目旨在教育目的，非商业用途，转载请注明出处。如有侵权或内容问题，请及时联系作者。项目许可详情请见 LICENSE。
