欢迎来到人工智能课程主页！
在这里，我们将带你系统学习人工智能的核心理论与技术，通过实践与理论结合，掌握未来的科技趋势。
- 掌握人工智能的基本概念和主要技术。
- 学会构建简单的机器学习与深度学习模型。
- 能够应用人工智能技术解决实际问题，如图像分类、自然语言处理和大模型推理。
-
基础知识
- 人工智能的定义、发展历程与应用场景。
- 数学基础：线性代数、概率论、微积分。
- 环境搭建：Python、Jupyter、Pytorch。
- 基础机器学习算法：多层感知机、前向与反向传播、线性回归、逻辑回归、梯度下降等。
-
卷积神经网络（CNN）
- 卷积操作的原理与应用。
- 卷积、池化、激活函数、全连接层的工作原理。
- 常见的卷积网络架构：LeNet、AlexNet、ResNet 等。
- 实战项目：基于 CIFAR-10 数据集的图像分类。
-
循环神经网络（RNN）
- 时间序列数据建模的原理。
- RNN 的结构及其限制：梯度消失问题。
- LSTM（长短期记忆网络）和 GRU（门控循环单元）的改进。
- 应用场景：翻译、情感分析、时间序列预测、自然语言生成。
- 实战项目：机器翻译。
-
Transformer
- 自注意力机制（Self-Attention）的原理。
- Transformer 的核心模块：多头注意力、位置编码。
- Transformer 的优势：并行计算与长序列建模能力。
- 常见模型架构：BERT、GPT。
-
大模型
- 大语言模型的定义与发展。
- 参数规模对模型性能的影响。
- 模型微调与推理（Fine-tuning & Inference）。
- 典型应用：ChatGPT、DALL·E、Stable Diffusion 等。
在学习此课程前，你需要具备以下基础知识：
- 数学基础：线性代数、微积分、概率论与统计学。
- 编程技能：熟悉 Python 编程，了解 NumPy 和 Pandas 的基本使用。
- 基础算法：理解常见排序算法和数据结构（如数组、链表、树）。
完成以下程序题，以验证你的基础知识。如果你成功解决，你已经准备好开始学习人工智能课程。
背景知识
二维卷积是一种数学操作，用于从图像或二维数据中提取局部特征。
它通过将一个“卷积核”（小矩阵）在输入矩阵上滑动，对覆盖的区域进行逐元素相乘并求和，生成输出矩阵。
描述：
请编写一个函数 conv2d(input, kernel) 来实现二维卷积操作，其中：
- input 是一个二维列表，表示输入矩阵（例如图像数据）。
- kernel 是一个二维列表，表示卷积核（例如滤波器）。
- 卷积操作需要支持无填充模式，即卷积结果的尺寸应比输入矩阵小。
要求：
- 使用滑动窗口的方式实现二维卷积。
- 卷积的每一个位置计算方式为：
out[i][j]=m=0∑kh−1n=0∑kw−1input[i+m][j+n]⋅kernel[m][n]
其中 kh 和 kw 分别是卷积核的高和宽。
- 函数应返回卷积后的二维列表。
- 不使用任何外部库（例如 NumPy、SciPy、PyTorch、TF 等）。
- 如果 input 的尺寸小于 kernel，返回 "Invalid dimensions"。
函数签名：
def conv2d(input, kernel):
"""
Parameters:
input (list of list of int/float): 输入二维矩阵
kernel (list of list of int/float): 卷积核矩阵
Returns:
list of list of float: 卷积结果矩阵
or str: 如果维度不符合要求，返回 "Invalid dimensions"
"""
pass
示例：
input = [
[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12],
[13, 14, 15, 16]
]
kernel = [
[1, 0],
[0, -1]
]
print(conv2d(input, kernel))
# 输出:
# [[-5, -5, -5],
# [-5, -5, -5],
# [-5, -5, -5]]
完成代码后运行，如果结果正确，即表明你已掌握基本的数学和编程能力，可以开始学习本课程。
-
基础篇
-
进阶篇
-
优秀的开源项目
-
通过深度学习入门学习视频入门
- 从基础知识开始，逐步学习人工智能的概念与技术。
- 按照视频中的代码示例进行动手操作，确保理论与实践相结合。
-
边学习边实践
- 每看完一个视频模块，立即尝试复现视频中的代码。
- 在实际操作中理解每一段代码的作用和意义。
-
查阅 PyTorch 官方文档
如果你在学习过程中有任何疑问，欢迎通过邮件联系：
📧 联系邮箱: xinchen.cai@hotmail.com
我们会尽快回复你！感谢你的理解与支持。