人工智能核心基础 - 规划和概要
閱讀時間約 3 分鐘
Hi，你好。又见面咯，我是茶桁。
在之前，我花了两个来月的时间撰写了「Python篇」和「数学篇」，希望小伙伴们在正式进入AI之前能够打好一个基础。那么今天开始，我们将正式开始AI基础的学习。
在本篇开始之前，我需要跟“方格子”的读者说一声抱歉，由于方格子对数学公式支持不太友好的缘故，所以整个数学篇我都未在方格子上进行发布。如果大家对这部分基础感兴趣，可以去关注我的微信公众号「坍缩的奇点」，所有内容都可在那里进行了发布。
这一节课咱们先不着急直接开始课程，而是聊一下本次课程的一个规划。
在整个课程规划中，我们将会直接从机器学习开始入手，进入深度学习，然后开始接触RNN、CNN以及三大方向：NLP、CV和BI。核心能力将会分成四大部分进行展开精讲。
目录规划
基础能力
- 人工智能导论
- 机器学习初探
- 机器学习进阶（这部分会比较长）
- 深度学习进阶
- RNN
- CNN
- 自然语言处理基础（NLP）
- 计算机视觉基础（CV）
- 商业智能（BI）
BI精讲
- 预测全家桶与机器学习四大神器
- Fintech数据分析
- 数据可视化与DashBoard
- ALS算法与推荐系统
- SVD矩阵分解与基于内容的推荐
- PageRank、图论与推荐系统
- Graph Embedding
- 强化学习
NLP精讲
- 自然语言处理的基本过程
- 向量空间模型
- 自然语言处理初步
- 语言模型和概率图模型
- 词向量模型Word2Vec
- Transformer与BER,大规模预训练问题
- 自然语言生成
- 自然语言处理与人工智能前沿
CV精讲
- 初阶计算机视觉：图像处理
- 中阶计算机视觉：图像描述
- 中阶到高阶的关键：CNN方法
- 计算机视觉中的图像分类
- 深度学习之单阶段目标检测
- 深度学习之两阶段目标检测
- 计算机视觉中的图像分割
- 计算机视觉中的目标跟踪
内容输出方式
以上目录中的四个部分都属于核心部分，每一个部分都会单独开一个专栏目录。一个是因为收费课程，拆散之后大家可以按照自己的需要进行购买，再一个也是将四部分区分的清晰一点。
虽然每一张专辑都是收费的，但是也并不是所有内容都需要进行购买才可查看。有的时候为了吸引流量，即便没有购买专辑，部分章节会开放阅读全部。
以上目录仅供参考，目录是按照内容概要进行规划的，并不等于实际章节。就像我在写数学篇的时候，本来就只规划了4个知识点，但是其中一个知识点可能会讲7、8个章节，也可能3、4篇就讲完了。所以届时的内容，会比从目录上看要多的多，起码就基础部分的机器学习这一知识点，可能就要十几、二十节课才能讲完。
代码库
在咱们的整个讲解过程，演示代码是不可避免的，并且其中还会包含很多数据。这部分内容基本上都会在咱们的《茶桁的AI秘籍》的代码仓库中找到，地址为：https://github.com/hivandu/AI_Cheats
其中部分数据集可能因为太大会上传到百度网盘并分享出来，分享一般都会放在文末，大家可以自取。
其他
如果您阅读时感觉文章不完整，那应该是该网站我暂时无法发布收费专栏，所以我仅提供了部分内容。
留言0
查看全部
你可能也想看
Google News 追蹤
徵的就是你 🫵 超ㄅㄧㄤˋ 獎品搭配超瞎趴的四大主題，等你踹共啦！還有機會獲得經典的「偉士牌樂高」喔！馬上來參加本次的活動吧！
隨著理財資訊的普及，越來越多台灣人不再將資產侷限於台股，而是將視野拓展到國際市場。特別是美國市場，其豐富的理財選擇，讓不少人開始思考將資金配置於海外市場的可能性。
然而，要參與美國市場並不只是盲目跟隨標的這麼簡單，而是需要策略和方式，尤其對新手而言，除了選股以外還會遇到語言、開戶流程、Ap
學習生成式AI，不僅僅是掌握幾個工具，而是從全方位了解AI的發展範疇及其潛力。我經常在企業教授AI課程時，會遇到HR詢問：某些工具用不上，可以不教嗎？當然可以，但如果同仁不了解生成式AI在「數位內容」上的廣泛應用，又如何掌握大語言模型的發展邊界？
僅僅用了兩天就完成Google AI Essentials課程，整個課程總長約9小時，但實際上花掉的時間不用這麼多。這算是我第一次上Coursera的課、也是第一次上Google的課程，也得到不少心得。
學習是三個階段的循環：
- 具體階段：情報收集，紀錄體驗
- 抽象階段：抽象化，模型化，發現模式
- 應用階段：實踐，檢證
西尾泰和這一套學習的三階段循環：具體，抽象，應用，
是一個很好的起始框架。
嘗試實踐它，然後持續修改，
你就能逐漸找到自己學習新事物的獨門心法。
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
Transformers for Natural Language Processing and Computer Vision, 2024 這本書中講 Trainin
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
首先先展示 Transformer 的架構圖：
可以看到架構中不再出現 RNN 、 LSTM 、 CNN 等物件，因為 Recurrence 已被摒棄。
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們已經在AI說書 - 從0開始 - 16走過了部分AI發展軌跡，接著繼續：
在1980年代Yann LeCun設計了Convolutional Neural N
上週發了一篇AI書單推薦
今天來談談，我是怎麼學習的，我總共學了七年AI，自然對於一個小白想入門有更深刻的體悟，更能了解怎麼樣學習才能不至於一次面臨太多困難而放棄
我的建議是這樣：
先花兩年把Machine Learning學完，當中會遇到很多數學問題，這方面可以「在遇到問題時」再去翻
機器學習是什麼?
簡單來說，機器學習就是訓練機器尋找Function的一段過程，而這個Function可以幫助我們解決我們遇到的問題，或是幫助我們
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.3 Overview and Roadmap
1.3.1 Overview of Chapters
延續上一篇Part 2講
這個頻道將提供以下服務：
深入介紹各種Machine Learning技術
深入介紹各種Deep Learning技術
深入介紹各種Reinforcement Learning技術
深入介紹Probabilistic Graphical Model技術
不定時提供讀書筆記
讓我們一起在未
徵的就是你 🫵 超ㄅㄧㄤˋ 獎品搭配超瞎趴的四大主題，等你踹共啦！還有機會獲得經典的「偉士牌樂高」喔！馬上來參加本次的活動吧！
隨著理財資訊的普及，越來越多台灣人不再將資產侷限於台股，而是將視野拓展到國際市場。特別是美國市場，其豐富的理財選擇，讓不少人開始思考將資金配置於海外市場的可能性。
然而，要參與美國市場並不只是盲目跟隨標的這麼簡單，而是需要策略和方式，尤其對新手而言，除了選股以外還會遇到語言、開戶流程、Ap
學習生成式AI，不僅僅是掌握幾個工具，而是從全方位了解AI的發展範疇及其潛力。我經常在企業教授AI課程時，會遇到HR詢問：某些工具用不上，可以不教嗎？當然可以，但如果同仁不了解生成式AI在「數位內容」上的廣泛應用，又如何掌握大語言模型的發展邊界？
僅僅用了兩天就完成Google AI Essentials課程，整個課程總長約9小時，但實際上花掉的時間不用這麼多。這算是我第一次上Coursera的課、也是第一次上Google的課程，也得到不少心得。
學習是三個階段的循環：
- 具體階段：情報收集，紀錄體驗
- 抽象階段：抽象化，模型化，發現模式
- 應用階段：實踐，檢證
西尾泰和這一套學習的三階段循環：具體，抽象，應用，
是一個很好的起始框架。
嘗試實踐它，然後持續修改，
你就能逐漸找到自己學習新事物的獨門心法。
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
Transformers for Natural Language Processing and Computer Vision, 2024 這本書中講 Trainin
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
首先先展示 Transformer 的架構圖：
可以看到架構中不再出現 RNN 、 LSTM 、 CNN 等物件，因為 Recurrence 已被摒棄。
我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們已經在AI說書 - 從0開始 - 16走過了部分AI發展軌跡，接著繼續：
在1980年代Yann LeCun設計了Convolutional Neural N
上週發了一篇AI書單推薦
今天來談談，我是怎麼學習的，我總共學了七年AI，自然對於一個小白想入門有更深刻的體悟，更能了解怎麼樣學習才能不至於一次面臨太多困難而放棄
我的建議是這樣：
先花兩年把Machine Learning學完，當中會遇到很多數學問題，這方面可以「在遇到問題時」再去翻
機器學習是什麼?
簡單來說，機器學習就是訓練機器尋找Function的一段過程，而這個Function可以幫助我們解決我們遇到的問題，或是幫助我們
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.3 Overview and Roadmap
1.3.1 Overview of Chapters
延續上一篇Part 2講
這個頻道將提供以下服務：
深入介紹各種Machine Learning技術
深入介紹各種Deep Learning技術
深入介紹各種Reinforcement Learning技術
深入介紹Probabilistic Graphical Model技術
不定時提供讀書筆記
讓我們一起在未