Overview
本次课程介绍了人工智能（AI）的基础知识、主要应用、学习内容结构和实战技能培养目标，适合零基础同学入门并掌握AI在实际场景中的应用。
人工智能简介与应用
- 人工智能（Artificial Intelligence，AI）在多个领域广泛应用，如人脸识别、金融预测和医疗筛查。
- AI的本质是让机器具备类似人类的思考和学习能力。
- 当前AI在智慧医疗、语音识别、无人驾驶等领域迅速发展和普及。
课程结构与目标
- 课程目标分为三大实战和一大理论，强调应用与实践。
- 实战一：掌握AI任务的标准解决方法，适用于多种场景。
- 实战二：学习并熟练配置AI开发环境和工具包。
- 实战三：提升综合能力，学会多模型比较、优化与混合搭建。
- 理论部分涵盖AI核心概念及主要学习分支。
AI核心理论知识
- 介绍强人工智能与弱人工智能的区别，目前多为弱人工智能阶段。
- 重点解析符号学习、机器学习和深度学习三大AI技术体系。
关键AI工具与环境
- 主要编程语言为Python，适合快速开发和算法实现。
- 开发工具包括Jupyter Notebook（代码交互）、NumPy（数组运算）、Pandas（数据处理）、Matplotlib（数据可视化）。
- 机器学习库：scikit-learn；深度学习库：Keras。
- 推荐使用Anaconda进行环境和依赖管理，避免开发干扰。
AI建模流程与实战任务
- 标准流程包括数据加载与可视化、数据预处理、模型建立、训练与预测、结果评估与可视化。
- 适用于回归任务、分类任务、监督学习和非监督学习。
- 覆盖应用场景如房价评估、芯片质量检测、股票价格预测、人脸识别和自然语言处理等。
综合能力提升
- 学会用多种模型（如逻辑回归、K近邻、决策树、MLP、CNN等）对比同一任务表现。
- 掌握线性回归、聚类、异常检测与主成分分析等模型的实际应用。
- 理解并能实现深度学习与机器学习、监督与非监督学习的混合算法。
- 学会模型优化（如数据处理、参数调整）和常见的模型评估指标（如MSE、R2、混淆矩阵、准确率、F1分数）。
Key Terms & Definitions
- 人工智能（AI） — 赋予机器模拟人类智能思维与学习的技术。
- 机器学习 — 让计算机通过数据自我学习与改进的AI分支。
- 深度学习 — 基于多层神经 网络自动学习复杂特征的机器学习方法。
- 符号学习 — 以符号和规则为基础的传统AI方法。
- 监督学习 — 提供已标注数据让模型学习输入与输出关系的方法。
- 非监督学习 — 让模型从无标注数据中归纳、发现结构的方法。
- 回归任务 — 预测连续数值型目标的问题。
- 分类任务 — 判定数据属于哪个类别的问题。
- 混淆矩阵 — 分类模型评估工具，展示预测与实际情况的对照结果。
- Anaconda — 管理Python开发环境及库依赖的软件。
Action Items / Next Steps
- 了解AI基础概念和课程目标。
- 安装Python和Anaconda，熟悉Jupyter Notebook。
- 预习Python基础语法及常用数据分析库（NumPy、Pandas）。
- 思考自己感兴趣的行业可应用AI的实际问题。