你会学到
沿着 AI 七十多年的发展路线,看清每一步卡在哪里、后来的人为什么只能那样走。全课规划 37 章,目前开放前 20 章,讲到规模定律。
机器怎样从例子里学
拟合与梯度下降、过拟合与泛化、监督与无监督、强化学习,从具体例子讲起。
神经网络为什么先败后胜
从感知机和第一次寒冬,讲到反向传播、卷积网络、ImageNet,以及算力为什么决定了结果。
一台会说话的机器怎样搭起来
Token 与词向量、高维空间、注意力、Transformer、预训练和规模定律。
公式和代码随概念出场
数学只要求高中水平;推导放在默认收起的进阶抽屉里,代码可以在浏览器里直接修改运行。
适合谁
只会高中数学、但想真正弄明白 AI 原理的人,比如大学生和工程师。
大纲
什么是 AI
什么样的机器才算有智能?
规则 vs 学习
把规则一条条写给机器,为什么总也写不完?
拟合与梯度下降
机器怎样一点点调旋钮,让错误变小?
过拟合与泛化
把例子背得滚瓜烂熟,为什么反而做不好新题?
监督与无监督
没人给标准答案,机器还能学到什么?
强化学习:在试错中学
只告诉它做得好不好,它能自己摸索出办法吗?
学习即搜索:从演化到梯度下降
演化和调旋钮,为什么是同一种搜索?
说出几成把握
深度学习出现以前,机器靠哪些办法学,又怎样说出几成把握?
数据与偏见
学的数据本身有毛病,模型会变成什么样?
感知机与第一次寒冬
一个人造神经元能学会什么,又卡在了哪里?
反向传播
很多层叠在一起,出了错该怎么往回分责任?
卷积网络与 ImageNet
机器是怎么学会看图的?
序列、深度与苦涩的教训
一串接一串的文字和声音怎么处理,网络为什么越深越好?
算力:GPU、CUDA 与芯片
为什么最后赢在算力上?
Token 与词向量
文字怎样变成机器能算的数?
高维空间:超出直觉的几何
这些数住在什么样的空间里?
注意力:词怎样彼此关注
一句话里的词,怎样彼此关注?
Transformer 和它的对手
整台机器怎么搭起来,还有别的搭法吗?
预训练:读完整个互联网
怎样用海量文字把它读成一个会说话的模型?
规模定律
只练猜下一个词,为什么模型越大越好?

评论
正在载入…