机器学习和人工智能基础知识每个概念的解释

资源截图

MP4 |视频：h264，1920×1080 |音频：AAC，44.1 KHz，2 Ch
级别：初学者 |类型： 电子学习 |语言： 英语 |持续时间：40 个讲座（5h 25m）

你将学到什么

• 清楚地区分人工智能、机器学习和深度学习，并准确理解它们之间的关系
• 掌握 6 种核心监督学习算法，包括线性回归、决策树、随机森林和支持向量机
• 了解神经网络如何通过反向传播和梯度下降进行学习，而无需任何数学背景
• 解释 CNN、RNN、LSTM 和 Transformer 的工作原理，以及哪种架构适合哪种类型的数据
• 了解大型语言模型、GAN 和扩散模型如何在概念层面发挥作用
• 使用精度、召回率、F1 分数和 ROC-AUC 正确评估任何机器学习模型
• 应用完整的端到端机器学习工作流程并避免现实世界中最常见的陷阱
• 确定 AI 和 ML 职业道路并制定进入该领域的实用路线图

本课程涉及人工智能的使用。

每天，您都会听到人工智能、机器学习和深度学习这些词，就好像它们的意思是一样的。大多数人都点头附和。很少有人真正了解底层发生的事情。

这门课程改变了这一点。

机器学习与机器学习《人工智能基础知识：解释每个核心概念》是唯一一门专为想要真正、深入理解的人而设计的人工智能和机器学习课程，无需编写任何代码，无需令人生畏的数学知识，也不需要计算机科学学位。

通过 7 个部分和 40 个讲座，您将从头开始对人工智能和机器学习建立完整、结构化的理解 – 从人工智能、机器学习和深度学习之间最基本的区别开始，一直到 ChatGPT、图像生成器和现代人工智能聊天机器人背后的技术。

以下是所涵盖的内容：

在第 1 部分中，您将构建基础 – 了解机器如何学习、机器学习系统内的数据是什么样的，以及足够的数学直觉，使前面的每个概念自然地产生共鸣。

在本课程的最大部分第 2 部分中，您将学习六种基本的监督学习算法 – 线性回归、逻辑回归、决策树、随机森林、支持向量机和 k 最近邻 – 不仅了解它们是什么，还了解何时使用它们、它们的局限性是什么，以及如何正确评估任何模型是否真正值得信赖。

在第 3 部分中，您将探索无监督学习 – 聚类、通过 PCA 降维以及异常检测 – 在根本没有标签的数据中查找结构的技术。

在第 4 节中，您将从头开始真正理解神经网络和深度学习 – 从单个感知器开始，通过激活函数和反向传播，然后涵盖三种专门的架构：用于图像的 CNN、用于序列的 RNN 和 LSTM，以及具有注意力机制的 Transformer。

在第 5 节中，您将把一切与现代 AI 景观联系起来 — 了解 Transformer 如何扩展到大型语言模型、GAN 和扩散模型如何生成全新的图像和内容，以及强化学习如何成为从 AlphaGo 到当今 AI 聊天机器人微调的一切基础。

在第 6 部分中，您将在现实世界中扎根所有这些技术知识 – 逐步完成从数据收集到部署和监控的完整 ML 工作流程，了解真实 ML 项目中三个最具破坏性的错误，并真正承担构建影响真实人类的 AI 系统所带来的道德责任。

在第 7 部分中，您将获得一个实用、诚实的路线图，将这些知识转化为职业——了解该领域的真正角色、接下来要学习什么、如何构建引人注目的作品集，以及如何在人工智能和机器学习领域进行求职和面试。

这门课程与众不同，因为：

大多数人工智能和机器学习课程都假设您已经像程序员一样思考。这个没有。每个概念都以简单的语言进行解释，建立在之前的概念之上，使用现实世界的类比而不是抽象公式。没有编码练习。没有先决条件。只是真正的理解，一次建立一个清晰的想法。

在本课程结束时，您不仅会认识人工智能流行语 – 您还将了解它们背后的实际想法，足以向其他人解释它们，批判性地评估人工智能主张，并在您想要进入该领域的职业生涯中迈出真正的下一步。