【人工智能基础】学习线路

第一部分：人工智能的历史

主要讲解人工智能的发展历史、驱动因素及关键技术等。

【人工智能概述（一）】人工智能基本概概念、学派、发展历程与新一代人工智能

【人工智能概述（二）】人工智能的关键技术

 

第二部分：Python基础

主要讲解Python编程语言，系统介绍Python的语法规 则、数据类型、程序结构及文件操作和图形化编程等。

【python基础】学习路线

 

第三分部：概率统计基础

概率统计基础，本章是人工智能的理论基础。

【概率论与数理统计】第一章：概率论基本概念

【概率论与数理统计】第二章：随机变量及其分布

【概率论与数理统计】第四章：随机变量的数字特征

【概率论与数理统计】第五章：大数定理和中心极限定理

 

第四分部：最优化方法

为最优化方法，解释人工智能算法本质问题。

 

第五部分：深度学习与神经网络

深度学习与神经网络是重点学习部分，主要对基于深度学习的多层神经网络，如卷积神经网络、递归/循环神经网络、长短期记忆神经网络等知识进行介绍。

【人工智能基础一】深度学习基础

【人工智能基础二】人工神经网络基础

【人工智能基础三】卷积神经网络基础（CNN）

【人工智能基础四】循环神经网络（RNN）与长短时记忆网络（LSTM）

 

第六部分： TensorFlow深度学习

TensorFlow深度学习，重点介绍深度学习开源框架TensorFlow的使用方法及如何利用TensorFlow开发和部署各种深度学习模型。
【深度学习】hello tensorflow：安装TensorFlow（on mac m3）、tensorflow集成到idea、第一个tensorflow程序（以及tf2适配版本tf1）

【深度学习】TensorFlow深度模型构建：训练一元线性回归模型

【机器学习基础1】第一个机器学习项目–生成模型、评出最优模型，最后验证模型

 

习题练习

 

• 第七部分：数据采集与数据集制作 详细介绍如何通过网络爬虫等方法从互联网上搜 集数据并制作成数据集。

• 第八部分： 如何利用GPU并行计算设备和CUDA编程来加速人工智能深度学习的模型训练。

• 第九部分： 人工智能实验案例，包括数据智能分析、视频图像智能理解、自然语 言处理等各个方面。