微软和吴恩达的两门超绝的免费AI公开课，打破小白的AI认知

最新推荐文章于 2025-04-11 17:01:51 发布

凡人的AI工具箱

最新推荐文章于 2025-04-11 17:01:51 发布

阅读量1.9k

点赞数 20

分类专栏：我的微信公众号（联系我）文章标签： ai AIGC AI编程机器学习人工智能

本文链接：https://blog.csdn.net/weixin_40780178/article/details/144955197

版权

我的微信公众号（联系我）专栏收录该内容

87 篇文章

订阅专栏

大家好，我是凡人。

前两天有好几个朋友在问我，有没有大厂出品的权威AI课程，在对比40多个免费AI课程后，选择了微软和吴恩达两门公开课程，他们在GitHup上有超高的人气，分别是18.3K和66.1K颗星，下面我们就一起来看看这两门课程。

一、generative-ai-for-beginners

网址：https://github.com/microsoft/generative-ai-for-beginners

Generative AI for Beginners（生成式人工智能入门）是为了帮助初学者掌握构建生成式人工智能（Generative AI）应用的基础知识和技能，涵盖从理论学习到实践操作的全方位内容。

课程有21节课，主要内容包含文章和视频：

入门知识
介绍生成式人工智能的概念，解释大型语言模型（LLMs）的工作原理，帮助学员理解生成式AI的基本原理和应用场景.
模型选择与应用
探讨如何根据具体需求选择合适的模型，比较不同模型的优缺点，指导学员在实际项目中合理应用各种模型.
负责任地使用生成式AI
强调在构建生成式AI应用时应遵循的伦理原则和规范，确保应用的合规性和安全性.
提示工程（Prompt Engineering）
深入讲解提示工程的基础知识和最佳实践，包括如何设计有效的提示来提升生成结果的质量和相关性.
应用构建
通过丰富的实践课时，指导学员使用Python和TypeScript等编程语言，结合Azure OpenAI和OpenAI API等工具，构建各类生成式AI应用，如文本生成、聊天应用、搜索应用、图像生成等.
集成与扩展
教授如何将生成式AI应用与外部系统和工具进行集成，实现功能扩展和应用优化.
用户体验设计（UX）
分享在开发生成式AI应用时如何应用用户体验设计原则，提升应用的易用性和用户满意度.
应用安全与生命周期管理
分析生成式AI应用面临的安全威胁和风险，介绍如何采取措施保障系统的安全性，同时讲解应用的生命周期管理工具和方法，包括LLM生命周期和LLMOps等.
高级主题
涵盖检索增强生成（RAG）和向量数据库、开源模型和Hugging Face、AI代理、微调LLMs、使用小型语言模型（SLMs）和Mistral模型、Meta模型等高级内容，拓展学员的知识边界，为深入学习和应用生成式AI打下坚实基础.

二、deeplearning_ai_books

网站：https://github.com/fengdu78/deeplearning_ai_books

deeplearning.ai是由吴恩达老师主讲的深度学习课程，专为有一定基础（基本的编程知识，熟悉Python、对机器学习有基本了解）的计算机专业人士准备，旨在帮助他们掌握深度学习技能，进入人工智能领域。

课程共包含5门课程，涵盖深度学习的基础知识、神经网络构建、机器学习项目实践等多个方面，由浅入深地引导学员学习。

课程语言为Python，使用Google开源的TensorFlow框架。吴恩达老师亲自授课，两名助教来自斯坦福计算机系，课程内容权威且实用。完成课程后，Coursera将授予学员“Deep Learning Specialization”结业证书。

B站地址如下：

https://www.bilibili.com/video/BV16r4y1Y7jv/

课程内容包含：

第一门课：神经网络和深度学习
- 深度学习引言
  介绍神经网络的基本概念、监督学习方法、深度学习的流行原因等基础知识.
- 神经网络的编程基础
  ：讲解二分类、逻辑回归、梯度下降、导数计算等核心算法，并通过计算图和向量化等技术优化实现.
- 浅层神经网络
  深入探讨神经网络的表示、输出计算、激活函数、梯度下降等关键环节，帮助学员理解神经网络的工作原理.
- 深层神经网络
  介绍深层神经网络的结构、前向传播和反向传播过程、深层表示的优势等内容，为构建复杂的深度学习模型奠定基础.
第二门课：改善深层神经网络：超参数调试、正则化以及优化
- 深度学习的实用层面
  讲解训练、验证、测试集的划分，偏差和方差的分析，正则化方法（如dropout）等，帮助学员提升模型性能.
- 优化算法
  介绍Mini-batch梯度下降、指数加权平均、momentum梯度下降、RMSprop、Adam优化算法等，优化模型训练过程.
- 超参数调试，batch正则化和程序框架
  探讨超参数调试技巧、Batch Normalization的应用及其原理、深度学习框架（如TensorFlow）的使用.
第三门课：结构化机器学习项目
- 机器学习策略（1）
  讲解ML策略的重要性、正交化、评估指标的选择、训练集和开发集的划分等，指导学员制定有效的机器学习项目计划.
- 机器学习策略（2）
  深入探讨误差分析、数据标注错误处理、快速搭建系统并迭代、不同分布上的训练集和测试集处理等策略，提升项目实施效果.
第四门课：卷积神经网络
- 卷积神经网络基础
  介绍计算机视觉、边缘检测、卷积操作、池化层等基础概念，帮助学员理解卷积神经网络的构建原理.
- 深度卷积网络：实例探究
  通过经典网络（如ResNets、Inception网络）的案例分析，讲解网络结构设计和优化方法.
- 目标检测
  探讨目标定位、特征点检测、目标检测算法（如YOLO）等技术，应用于图像中目标的识别和定位.
- 特殊应用：人脸识别和神经风格转换
  介绍人脸识别技术（如One-Shot学习、Siamese网络）、神经风格转换的原理和实现方法，拓展深度学习的应用场景.
第五门课：序列模型
- 循环序列模型
  讲解循环神经网络（RNN）的基本结构和工作原理，包括通过时间的反向传播、不同类型的RNN（如GRU、LSTM）、双向循环神经网络等.
- 自然语言处理与词嵌入
  探讨词汇表征、词嵌入的使用和特性、Word2Vec、GloVe等技术，应用于自然语言处理任务.
- 序列模型和注意力机制
  介绍基础模型、集束搜索、注意力模型等技术，应用于机器翻译、语音识别等序列生成任务.