课程

了解什么是数据集、为什么数据质量很重要，以及正确的数据如何教导人工智能变得聪明。

了解什么是算法、它们如何与日常示例一起工作，以及为什么选择正确的算法对人工智能很重要。

探索神经网络如何模仿大脑、分层处理信息并从错误中学习。

了解训练循环、损失函数、过度拟合以及如何知道您的 AI 模型何时准备就绪。

探索偏见如何进入人工智能系统、人工智能带来的道德挑战，以及我们如何构建更公平的技术。

了解神经网络如何通过层向后传播误差来学习，并使用链式法则更新每个权重。

了解损失函数如何衡量模型的错误，以及优化器如何使用梯度来系统地减少错误。

了解语言模型如何使用 BPE 和其他算法将文本分解为标记，以及为什么标记化影响从成本到功能的一切。

探索 AI 如何将单词和句子表示为高维空间中的向量，从而实现语义搜索、推荐和 RAG。

了解为什么仅准确度会产生误导，并掌握真正衡量 AI 性能的指标 - 精确度、召回率、F1、ROC-AUC、BLEU 和困惑度。

GPT、Claude 和其他法学硕士如何在幕后工作

通过清晰的示例以及如何修复它们，了解两种最常见的机器学习故障模式（过度拟合和欠拟合）。

了解特征工程如何将原始数据转换为强大的机器学习输入——这是区分优秀模型和优秀模型的技能。

监督和无监督机器学习的清晰比较——何时使用每种方法，以及现实世界的示例和算法。

了解决策树的工作原理、为什么它们是最直观的机器学习算法之一以及何时使用它们。

通过 K-Means、层次聚类和实际应用了解聚类——一种关键的无监督学习技术。