一个python下从入门到进阶学习人工智能的网站

转一个利用python从入门到进阶学习人工智能的网站：https://www.captainai.net/st/

门槛低，比较通俗易懂。

先粘一下前言部分：

大家好！欢迎来到我的网站！

人工智能被认为是一种拯救世界、终结世界的技术。毋庸置疑，人工智能时代就要来临了，科幻电影中的场景将成为现实，未来已来！

我很庆幸。十四年前就认定了人工智能专业，一路学习着，从国内学到了国外，然后又回到了祖国参加工作，继续着对人工智能的研究。

我很担忧。正是因为对人工智能的钻研，让我深深地知道它的无比强大。我担忧的不仅仅是它将取代人类的工作，而是将取代整个人类——毁灭人类。

在将来不懂人工智能就像现在不懂操作电脑的人一样，会被社会淘汰；而掌握了人工智能技术的人，则可能引领世界。

很多人都想学人工智能，它比黑客技术更加神秘更加吸引人。但是很多人都不敢学，因为传统教材的门槛都很高——需要编程，高数，统计学等等知识。所以我才创建了这个教学网站，力求通俗易懂，接地气，无需高数，只要你上过高中，就可以学！而且，传统教学很枯燥，即使老师讲得很易懂但依然很少人能坚持学下去，因为太枯燥了。所以我主张快乐学习，尽量加入搞笑的成分在教学里面，其实我生活中就很乐观幽默，歌手李健就是我性格的一个写照吧，只不过我能说黄段子他不能。

我希望通过这个网站使越来越多的中国人掌握人工智能技术，人工智能是中国的一次机遇，国家已经认识到了这一点并将人工智能提升到了国家战略级别。发展好了人工智能，那我们就有可能超越美国；人工智能落后，我们就可能会再次被八国联军欺辱，大刀对火枪的屈辱历史又会重演。我希望为我的民族为我的同胞出一份力。我也希望有缘看到这篇文章的你也为我们的民族为我们的同胞出一份力。

那么，让我们开始吧！

网站里涉及到了人工智能的方方面面，从基础原理到现在很火的人脸识别，自动驾驶.，股票预测，金融分析…以及一些小众的特殊应用。最近发现有些同学利用我教授的人工智能换脸技术制作了不少女明星的成人AV~~这是不对滴，虽然很刺激，但是应该将技术用在好的地方哦！！

网站里将我十多年积累的知识都教给大家了，而且每小节后面还提供了实战编程代码。从网站毕业后，找份人工智能方面的工作不是问题，有天赋的更可以开发出各种颇具经济价值的人工智能程序。

在开始学习前，你可能会担心自己没有基础，担心自己数学不好，担心自己编程功底差等等。不用担心！我会用最通俗易懂的描述让你理解那些所需的数学知识以及教会你相关的编程技巧！

朋友们，让我们向着人工智能领域出发吧！

目录：

前言

1 人工智能

1.1 科普

1.1.1 什么是神经网络

1.2 基础知识

1.2.1 如何将数据输入到神经网络中
1.2.2 神经网络是如何进行预测的
1.2.3 预测得准确吗
1.2.4 网络是如何进行学习的
1.2.5 计算图
1.2.6 如何计算逻辑回归的偏导数
1.2.7 向量化
1.2.8 如何开始使用python
1.2.9 如何向量化人工智能算法
1.2.10 [实战编程]教你编写第一个人工智能程序

1.3 初级神经网络

1.3.1 浅层神经网络
1.3.2 如何计算浅层神经网络的前向传播
1.3.3 如何计算浅层神经网络的反向传播
1.3.4 为什么需要激活函数
1.3.5 常见的激活函数
1.3.6 激活函数的偏导数
1.3.7 随机初始化参数
1.3.8 [实战编程]教你编写浅层神经网络

1.4 深度神经网络

1.4.1 为什么需要深度神经网络
1.4.2 如何计算深度神经网络
1.4.3 核对矩阵的维度
1.4.4 参数和超参数
1.4.5 [实战编程] 构建深度神经网络

2 实战优化

2.1 实战基础

2.1.1 如何配置数据集
2.1.2 欠拟合和过拟合
2.1.3 如何解决欠拟合与过拟合
2.1.4 L2正则化
2.1.5 dropout
2.1.6 数据增强
2.1.7 将输入特征进行归一化处理
2.1.8 梯度消失和梯度爆炸
2.1.9 梯度检验
2.1.10 [实战编程] 构建实战神经网络

2.2 优化算法

2.2.1 Mini-batch 梯度下降
2.2.2 如何为mini-batch选择合理的大小
2.2.3 指数加权平均
2.2.4 理解指数加权平均
2.2.5 指数加权平均的偏差修正
2.2.6 momentum梯度下降
2.2.7 RMSprop
2.2.8 Adam优化算法
2.2.9 学习率衰减
2.2.10 局部最优问题
2.2.11 [实战编程] 优化神经网络

2.3 调试神经网络

2.3.1 调试处理
2.3.2 为调参选择采样标尺
2.3.3 调参技巧的通用性和超参数的过时性
2.3.4 调参模式
2.3.5 归一化隐藏层
2.3.6 归一化隐藏层的好处
2.3.7 使用模型时的隐藏层归一化
2.3.8 Softmax 回归
2.3.9 深入理解softmax
2.3.10 如何选择深度学习框架
2.3.11 手把手教你使用tensorflow
2.3.12 [实战编程] 使用框架构建神经网络

3 深度学习项目实战

3.1 项目实战一

3.1.1 决策很重要
3.1.2 正交化
3.1.3 如何判断哪个网络更好？——单一数值指标
3.1.4 如何判断哪个网络更好？——优化指标和满足指标
3.1.5 验证集与测试集的数据来源要一致
3.1.6 如何决定数据集的大小？
3.1.7 判定标准是可以变的
3.1.8 AI能力与人类能力的关系
3.1.9 利用贝叶斯误差来判断拟合度
3.1.10 人类误差是多少呢？
3.1.11 AI超越人类
3.1.12 提升AI系统的一般流程
3.1.13 [实战编程] 大项目神经网络

3.2 实战项目二

3.2.1 手工分析错误
3.2.2 错误标签
3.2.3 快速地构建一个简单的系统
3.2.4 训练集与验证集的来源不一致
3.2.5 异源时的拟合度分析
3.2.6 如何解决异源问题
3.2.7 迁移学习
3.2.8 多任务学习
3.2.9 什么是端到端的深度学习？
3.2.10 是否使用端到端的深度学习方法
3.2.11 [实战编程] 优化大项目

4 人脸识别

4.1 智能视觉

4.1.1 智能视觉
4.1.2 卷积运算
4.1.3 边缘检测
4.1.4 深入理解边缘检测
4.1.5 padding
4.1.6 卷积步长
4.1.7 3D卷积
4.1.8 多过滤器
4.1.9 卷积层
4.1.10 卷积神经网络
4.1.11 池化层
4.1.12 [实战编程] 构建简单的人脸识别程序

4.2 深度卷积网络

4.2.1 学习一些牛逼的例子
4.2.2 LeNet-5
4.2.3 AlexNet
4.2.4 VGG
4.2.5 残差网络
4.2.6 1×1卷积
4.2.7 Inception网络
4.2.8 学会利用开源项目
4.2.9 迁移学习
4.2.10 数据扩充
4.2.11 计算机视觉现状
4.2.12 [实战编程] 优化人脸识别程序
4.3 目标检测
4.3.1 目标定位
4.3.2 特征点检测
4.3.3 目标检测
4.3.4 卷积的滑动窗口实现
4.3.5 Bounding Box预测
4.3.6 交并比
4.3.7 非极大值抑制
4.3.8 Anchor Boxes
4.3.9 YOLO 算法
4.3.10 候选区域
4.3.11 [实战编程] 构建商用人脸识别程序

4.4 油画风格转换

4.4.1 什么是转换？
4.4.2 One-Shot学习
4.4.3 Siamese 网络
4.4.4 Triplet 损失
4.4.5 风格验证与二分类
4.4.6 什么是神经风格转换？
4.4.7 什么是深度卷积网络？
4.4.8 代价函数
4.4.9 内容代价函数
4.4.10 风格代价函数
4.4.11 一维到三维推广
4.4.12 [实战编程] 构建风格转换程序

5 语音识别

5.1 循环序列模型

5.1.1 为什么选择序列模型？
5.1.2 数学符号
5.1.3 循环神经网络模型
5.1.4 通过时间的反向传播
5.1.5 不同类型的循环神经网络
5.1.6 语言模型和序列生成
5.1.7 对新序列采样
5.1.8 循环神经网络的梯度消失
5.1.9 GRU单元
5.1.10 长短期记忆
5.1.11 双向循环神经网络
5.1.12 深层循环神经网络
5.1.13 [实战编程]构建简单的语音识别程序

5.2 自然语言处理与词嵌入

5.2.1 词汇表征
5.2.2 使用词嵌入
5.2.3 词嵌入的特性
5.2.4 嵌入矩阵
5.2.5 学习词嵌入
5.2.6 Word2Vec
5.2.7 负采样
5.2.8 GloVe 词向量
5.2.9 情绪分类
5.2.10 词嵌入除偏
5.2.11 [实战编程] 优化语音识别程序

5.3 序列模型和注意力机制

5.3.1 基础模型
5.3.2 选择最可能的句子
5.3.3 集束搜索
5.3.4 改进集束搜索
5.3.5 集束搜索的误差分析
5.3.6 Bleu 得分
5.3.7 注意力模型直观理解
5.3.8注意力模型
5.3.9语音识别
5.3.10触发字检测
5.3.11 [实战编程] 构建商用语音识别

6 自动驾驶

7 生成对抗网络GANs

8 强化学习

9 无监督学习

10 人工大脑