Skip to content

stevenli91748/AI

BranchesTags

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

337 Commits
AI 数学
AI 数学
 
 
AI赚钱
AI赚钱
 
 
LLM 大型语言模型
LLM 大型语言模型
 
 
Python
Python
 
 
向量数据库
向量数据库
 
 
多模态学习
多模态学习
 
 
强化学习
强化学习
 
 
机器学习
机器学习
 
 
深度学习
深度学习
 
 
知识推理
知识推理
 
 
知识表示
知识表示
 
 
联邦学习
联邦学习
 
 
自然语言处理（NLP）
自然语言处理（NLP）
 
 
视频处理（VP）
视频处理（VP）
 
 
计算机视觉（CV）
计算机视觉（CV）
 
 
迁移学习
迁移学习
 
 
音频处理（AP）
音频处理（AP）
 
 
README.md
README.md
 
 
推荐系统学习路径.png
推荐系统学习路径.png
 
 
数据分析学习路径.png
数据分析学习路径.png
 
 
自然语言处理学习路径.png
自然语言处理学习路径.png
 
 
计算机视觉学习路径.png
计算机视觉学习路径.png
 
 

Repository files navigation

数学与统计学基础：

线性代数：矩阵运算、特征值与特征向量等。 概率论与统计学：概率分布、假设检验、最大似然估计、贝叶斯推断等。 微积分：梯度求解和优化理论。

机器学习入门：

学习监督学习、无监督学习和强化学习的基本原理、模型及其应用场景。 掌握经典机器学习算法，如线性回归、逻辑回归、决策树、随机森林、支持向量机（SVM）、K近邻（KNN）等。 深度学习基础：

学习神经网络的基本结构，包括全连接网络、卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）、变分自编码器（VAE）和生成对抗网络（GAN）等。 学习深度学习框架，例如TensorFlow、PyTorch或Keras，并通过实践项目熟悉它们的API和工作流程。 大模型技术栈：

了解并研究大规模预训练模型，如BERT、GPT、Transformer家族和其他前沿的大规模语言模型。 学习如何利用大规模数据集进行模型训练、微调以及推理部署。 学习分布式训练、模型并行化和计算优化的相关技术。

自然语言处理（NLP）：

学习文本处理的基本技术，包括词嵌入、序列标注、语义分析等。 理解和应用现代NLP任务中常见的预处理方法、评估指标和最佳实践。

实践项目：

完成一些基于Java或者Python（鉴于AI领域的主流是Python）的机器学习和深度学习实战项目，以加深对理论知识的理解，并积累实践经验。 参与开源项目，或者参加Kaggle比赛，锻炼实际问题解决能力。 持续跟进最新进展：

关注AI领域最新的研究成果和技术动态，如阅读论文、参加研讨会或在线课程。 软技能提升：

提高数据分析能力，理解业务场景并将AI技术应用于实际问题。 学习云计算平台上的服务，如阿里云、AWS或Google Cloud的AI/ML服务，以便将模型部署到生产环境。

AI学习路径

1 数据分析学习路径

2 计算机视觉学习路径

3 自然语言处理学习路径

4 推荐系统学习路径

AI论文

博客

数学

在线书籍

AI赚钱

人工智能

深度学习

人脸识别

自动驾驶

AI虚拟主播

ChatGPT & OpenAI

AI TOOLS

AI网站

小白如何入门AI？不花一分钱，这些免费资源请收藏好

通往AGI之路 非常好 Discover The Best AI Websites & Tools https://www.aibase.com/zh/
我用Cursor AI编程开发的App，登上了Appstore排行榜第一｜小猫补光灯Pro
阿里巴巴 知行动手实验室 巨牛的人工智能学习网站 床长人工智能教程 开源的人工智能零基础入门
YOLO 及 Opencv 完成图像目标检测 多目标追踪器：用 OpenCV 实现多目标追踪（C++/Python) 计算机视觉资源汇总
极市开发者平台---人工智能垂直领域计算机视觉技术的开发者社区，致力于为视觉算法开发者提供一个分享创造、结识伙伴、协同互助的平台
Python机器学习算法入门教程
CV 开发者自我修养 吴恩达教程 / 笔记 / 刷题资料最全汇总
AR ARCore增强现实开发从0到1 AI视觉应用工程师系列直播课

人脸检测

机器学习实战

深蓝学院---专注人工智能与自动驾驶的学习平台
TensorFlow教程 人工智能（AI）教程 人工智能（Python）教程

深度学习

深度学习 深度学习训练为什么需要GPU? 哪些 GPU 更适合深度学习和数据库？

目录

  • 【人工智能学习笔记 一】 AI分层架构、基本概念分类与产品技术架构
  • AI分层架构---人工智能三大核心概念：数据、算法与算力，算法是核心
    • 1 AI基础理论
      • 1.1 数学基础
        • 1.1.1 概率论---处理不确定性，用于贝叶斯网络等概率推理，如医疗诊断中疾病概率推断
        • 1.1.2 统计学---用于数据分析、模型评估，如样本估计总体、假设检验判断模型有效性
        • 1.2.3 线性代数---处理向量和矩阵运算，是神经网络前向、反向传播算法核心，如计算神经元连接权重
      • 1.2 计算机科学基础
        • 1.2.1 算法---人工智能实现的具体步骤，搜索算法用于寻解，优化算法用于模型训练
        • 1.2.2 数据结构---组织和存储数据，如知识图谱用图结构表示实体关系
    • 2 AI基础层 ---基础层是AI技术的底层支撑，主要包括硬件设备和数据服务
      • 2.1 硬件设备(算力) ---包括AI芯片（如GPU、NPU、ASIC、FPGA等）、服务器和存储设备。这些硬件为AI的大量计算任务提供强大的算力
      • 2.2 数据服务(数据)---涉及数据采集、标注、存储与管理。数据是AI的“粮食”，经过清洗、标注等预处理后，成为训练AI模型的重要素材
        • 2.2.1 数据收集
          • 2.2.1.1 传感器---获取现实世界数据，图像传感器用于计算机视觉，麦克风用于语音识别
          • 2.2.1.2 网络爬虫---从网页抓取数据，搜索引擎用于收集网页内容
        • 2.2.2 数据预处理
          • 2.2.2.1 清洗---去除噪声、重复和错误数据，提高数据质量，如医疗数据清洗
          • 2.2.2.2 标注---为数据添加语义标签，图像分类需人工标注类别
          • 2.2.2.3 特征工程---提取和选择有意义特征，文本分类用TF - IDF提取特征
        • 2.2.3 数据存储---结构化数据存于关系型数据库，非结构化存于非关系型数据库
    • 3 技术层---技术层是AI技术的核心，包括算法模型、软件框架
    • 4 应用层(工具)---应用层是AI技术与具体场景相结合的产物，包括面向消费者（C端）和面向企业/政府（B/G端）的应用
      • 4.1 C端应用：如智能语音助手（Siri、Alexa）、个性化推荐（视频、音乐推荐）等，直接影响普通用户的体验
      • 4.2 B/G端应用：企业可以利用AI优化供应链管理、提升客户服务效率；政府则可以通过AI实现智能交通管理、公共安全监控等
      • 4.3 AIGC
      • 4.4 AI AGENT
  • AI(人工智能应用)
    • 机器学习
    • 深度学习
      • 有哪些比较好的机器学习，深度学习的网络资源可利用？
      • 神经网络---通过连接起来的数学方程式的网络，模拟大脑处理信息的方式以建立起来的算法。提供给神经网络的数据被分解成更小的块并根据网络的复杂性分析其基础模式成千上万次。当一个神经网络的输出被输入到另一个神经网络的输入时，这两个神经网络就会链接到一起成为分层，成为一个深层的神经网络。通常，深度神经网络的层会分析越来越高的抽象层的数据，这意味着，在得到最简单和最准确的数据表示之前，它们会将有用数据从没有必要的数据中提取出来
        • 卷积神经网络---一个主要用来识别和理解图像、视频和音频数据的神经网络，因为它能够处理密集的数据，比如数百万像素的图像或数千个音频文件样本
        • 递归神经网络---一种用于自然语言处理的神经网络，它可以周期性地、连续地分析数据，这意味着它可以处理像单词或句子这样的数据，同时在句子中保持它们的顺序和上下文
        • 长短期记忆网络---一种周期性的神经网络的变体，它的是用来根据数据来保留结构化的信息。例如，RNN可以识别句子中的所有名词和形容词，检查它们是否被正确使用，但LSTM可以记住一本书的情节
    • 大模型
    • 人脸识别原理 + OpenCV计算机视觉
    • 知识图谱

吵着要学AI的小伙伴，可以看看这些牛批的开源项目

有用的参考

About

人工智能项目

Resources

Readme
Activity

Stars

62 stars

Watchers

1 watching

Forks

13 forks
Report repository

Releases

No releases published

Packages

No packages published