AI-Notes

AI-Notes

全面的AI学习资源 从理论到实践的系统指南

该项目提供全面的AI学习资源,涵盖机器学习、深度学习和自然语言处理等领域。内容包括数学基础、算法原理及工具应用,从理论到实践构建系统知识。通过Jupyter Notebook和Colab实现互动学习,适合AI初学者和从业者掌握核心概念及最新进展。

人工智能机器学习深度学习AI神经网络Github开源项目

[![贡献者][contributors-shield]][contributors-url] [![分支][forks-shield]][forks-url] [![星标][stars-shield]][stars-url] [![问题][issues-shield]][issues-url] [许可证: CC BY-NC-SA 4.0][license-url]

<!-- 项目图标 --> <br /> <p align="center"> <a href="https://github.com/wx-chevalier/AI-Notes"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/2ea2978d-b2ea-4b63-b1c3-200b7f6b2537.svg" alt="Logo" style="width: 100vw;height: 400px" /> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/7de6f80a-b84f-4837-8751-ea0d68f56c01.png" alt="Logo" style="height: 400px" /> </a> <p align="center"> <a href="https://ng-tech.icu/books/AI-Notes"><strong>在线阅读 >> </strong></a> <br /> <br /> <a href="https://github.com/wx-chevalier">代码案例</a> · <a href="https://github.com/wx-chevalier/Awesome-Lists">参考资料</a> </p> </p> <!-- 关于项目 -->

AI系列 | 人工智能与深度学习实战

在本系列中,你可能会接触到数据挖掘、机器学习、深度学习、自然语言处理、人工智能等很多概念。值得说明的是,鉴于许多算法实现以文字结合代码介绍为最佳,因此工具实践篇中的大部分内容以Jupyter Notebook的形式放在该仓库中,并且在Colab中进行浏览、编辑与实验。

默认

导航

本系列目前分为机器学习、自然语言处理等部分。如果您是新人,建议从机器学习开始阅读,也可以在数理统计篇中夯实理论基础。如果想了解更多实践操作,建议阅读深度学习、自然语言处理、工具与工程化(TensorFlow系列)等部分。

前言

1956年,几位计算机科学家在达特茅斯会议上提出了"人工智能"的概念,梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。2012年以后,得益于数据量的增长、计算能力的提升和机器学习新算法(深度学习)的出现,人工智能开始大爆发。

AI算法大分类

机器学习是实现人工智能的一种方法,其基本做法是使用算法来解析数据、从中学习,然后对现实世界中的事件做出决策和预测。与传统的为解决特定任务而硬编码的软件程序不同,机器学习是用大量数据来"训练",通过各种算法从数据中学习如何完成任务。机器学习直接源自早期的人工智能领域,传统的模型算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等。从任务类型上分,机器学习算法可以分为监督学习(如分类问题)、无监督学习(如聚类问题)、半监督学习、集成学习和强化学习等。

  • 弱人工智能(ANI):擅长单个方面的人工智能。例如,能够战胜象棋世界冠军的人工智能,但它只会下象棋,无法回答如何更好地在硬盘上存储数据等问题。

  • 强人工智能(AGI):人类级别的人工智能。指在各方面都能与人类比肩的人工智能,能完成人类能做的所有脑力工作。创造强人工智能比创造弱人工智能难度更大,目前我们还无法实现。Linda Gottfredson教授将智能定义为"一种广泛的心理能力,能够进行思考、计划、解决问题、抽象思维、理解复杂概念、快速学习和从经验中学习等操作。"强人工智能应该能像人类一样熟练地进行这些操作。

  • 超人工智能(ASI):牛津哲学家、著名人工智能思想家Nick Bostrom将超级智能定义为"在几乎所有领域都比最聪明的人类大脑更聪明得多,包括科学创新、常识和社交技能。"超人工智能可能在各方面都比人类强一些,也可能在各方面都比人类强万亿倍。超人工智能也是人工智能这个话题如此热门的原因。

人工智能与数据科学

人工智能维恩图

人工智能与深度学习

传统机器学习算法在指纹识别、基于Haar的人脸检测、基于HoG特征的物体检测等领域的应用基本达到了商业化要求或特定场景的商业化水平,但每前进一步都异常艰难,直到深度学习算法的出现。

人工智能与深度学习的关系

深度学习是实现机器学习的一种技术,本身并非独立的学习方法,它也会使用有监督和无监督的学习方法来训练深度神经网络。最初,深度学习是利用深度神经网络来解决特征表达的学习过程。深度神经网络并非全新概念,可大致理解为包含多个隐含层的神经网络结构。为提高深层神经网络的训练效果,人们对神经元的连接方法和激活函数等方面进行了相应调整。许多想法早年间就已存在,但由于当时训练数据量不足、计算能力落后,最终效果不尽如人意。深度学习势如破竹地实现了各种任务,使得几乎所有机器辅助功能都成为可能。无人驾驶汽车、预防性医疗保健,甚至更好的电影推荐,都已近在眼前或即将实现。

人工智能的发展阶段

  • 第一阶段(20世纪50年代中期到80年代初期):潜心耕耘,30年技术发展为人工智能产业化奠定基础。1956年之前,人工智能已开始孕育。神经元模型、图灵测试的提出以及SNARC神经网络计算机的发明,为人工智能的诞生奠定了基础。1956年的达特茅斯会议标志着人工智能正式诞生和兴起。此后人工智能快速发展,深度学习模型以及AlphaGo增强学习的雏形——感知器均在这个阶段被发明。随后由于早期系统在更广泛的问题选择和更难问题上效果不理想,美国、英国相继减少经费支持,人工智能进入低谷。

  • 第二阶段(20世纪80年代初期至21世纪初期):急于求成,人工智能成功商用但跨越式发展失败。80年代初,人工智能逐渐成为产业,第一个成功的商用专家系统R1为DEC公司每年节省约4000万美元。到80年代末,近半数"财富500强"企业都在开发或使用"专家系统"。受此鼓舞,日本、美国等国投入巨资开发第5代计算机——人工智能计算机。90年代初,IBM、苹果推出的台式机进入普通家庭,确立了计算机产业的发展方向。第5代计算机项目因技术路线明显偏离计算机产业发展方向而失败,人工智能再次陷入低谷。尽管如此,支持向量机、Boosting和最大熵方法等浅层学习在90年代得到广泛应用。

  • 第三阶段(21世纪初期至今):量变引发质变,人工智能有望实现规模化应用。摩尔定律和云计算带来的计算能力提升,以及互联网和大数据广泛应用积累的海量数据,使深度学习算法在各行业快速应用,推动语音识别、图像识别等技术迅速发展并产业化。2006年,Geoffrey Hinton及其学生在《Science》上提出基于深度信念网络(DBN)的非监督学习训练算法,使深度学习在学术界持续升温。2012年,DNN技术在图像识别领域的应用使Hinton的学生在ImageNet评测中取得优异成绩。深度学习算法的应用使语音识别、图像识别技术取得突破性进展,围绕语音、图像、机器人、自动驾驶等人工智能技术的创新创业大量涌现,人工智能迅速进入发展热潮。

不同模型、策略、算法的组合不断推动人工智能发展,可分为三个阶段:计算智能、感知智能和认知智能。

  • 第一阶段的计算智能指快速计算和记忆存储,如机器人战胜围棋大师,靠的是超强的记忆能力和运算速度。人脑的逻辑能力再强,也比不过人工智能每天与自己下数百盘棋,通过强大的计算能力预测十几步后的结果。从这个角度看,人工智能多次战胜世界级围棋选手,足以证明该领域发展的成熟程度。

  • 第二阶段的感知智能,即让机器拥有视觉、听觉、触觉等感知能力。自动驾驶汽车就是这方面研究的一个例子,通过传感器使机器能够感知和处理周围环境,从而实现自动驾驶。目前,感知智能技术在语音识别和图像识别领域发展较为成熟,如从事安全领域人脸识别技术的Face++,利用成熟的计算机视觉技术深耕电商、短视频等领域的Yi+,以及能够准确识别和翻译多种语言的科大讯飞等。

  • 第三阶段的认知智能旨在让机器拥有自己的认知能力,能够理解和思考。认知智能是目前机器与人类差距最大的领域,因为它不仅涉及逻辑和技术,还涉及心理学、哲学和语言学等学科。

关于

版权与更多 | 延伸阅读

许可证:CC BY-NC-SA 4.0

作者所有文章遵循知识共享 署名-非商业性使用-禁止演绎 4.0 国际许可协议,欢迎转载,请尊重版权。

技术视野

您还可以访问NGTE Books主页,浏览包含知识体系、编程语言、软件工程、模式与架构、Web与大前端、服务端开发实践与工程架构、分布式基础架构、人工智能与深度学习、产品运营与创业等多个类别的书籍列表:

NGTE Books

链接

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多