NekoBytes-AI-003 Syllabus💫
你好👋，欢迎来到 计科协 | NekoBytes-AI-003: 计算机入门导引！
在这里，我们的目标是引导你从零开始构建 AI 的知识框架。我们将采用深入浅出的方式进行讲解，确保理论知识与实际应用相结合，让你能够逐步掌握并最终独立完成一个完整的 AI 项目。
本课程不仅能为你提供最浅显易懂的 AI 概念解析或日常 AI 工具的使用方法，还能教会你如何训练深度神经网络模型，甚至如何在半小时内部署属于自己的对话模型。无论是对 AI 感兴趣还是不感兴趣的，有基础还是没基础的人，都一定能从中有所收获🥳
零、前言
编写一个关于 AI 的学习指南是很难的。
一方面，在这个 AI 迅速发展的时代，相关的资源极其丰富，但这也导致了资源质量参差不齐，很多材料的知识密度不高。另一方面，对于初学者来说，AI 的入门并不友好。初学者常常面临这样的选择：
“是从人工智能的基础理论开始逐步深入，还是直接动手实践，然后再回头补充理论？”
🥰理论与实践的关系
- 从理论到实践的学习路径： 面临的最大挑战是缺乏即时的正向反馈。在很短的时间内，你需要面对大量难以理解的专业术语和复杂的数学概念，并且可能完全不清楚它们与实际应用之间的联系，这会让你感到迷茫。
- 从实践到理论的学习路径： 允许你快速上手，通过简单的复制粘贴即可部署各种模型，如图像生成、聊天机器人等。这种学习方法的优势在于很有意思，但当你想要更进一步时就会遇到瓶颈 —— 由于缺乏对原理的理解，你连每行代码都是什么意思都不懂，更别说对模型进行优化了。
所以，学习 AI 的基本原则很明确，即 “理论和实践需要相互结合” 。
但到了实际的学习过程，这个基本原则是很难贯彻的 —— 什么时候应该学习理论，应该学习到什么程度？什么时候可以开始实践，都有哪些实践项目适合我？
在此，我们将为你提供一种学习方案。
这是在我们经历了惨痛的经验教训后总结出的最佳实践，希望能适合你😎👇
一、学习方法 —— 从上自下的学习
内容取自：fast.ai 系列课程文档_01_intro
在正式开始学习人工智能之前，我们有必要讨论一下基本的学习方法🤔
🙆“完整游戏” 理念
哈佛大学的教授大卫・帕金斯（David Perkins），对于教学他的基本理念是教授 “整场游戏”。打个比方，如果你在教别人棒球，你首先要带他们去看一场棒球比赛，或者让他们去打棒球。你不会在开始的时候教他们如何从头开始缠绕线制作棒球、抛物线的物理学，或者球在球棒上的摩擦系数，这样太蠢了。
🙆 可怕的假设
保罗・洛克哈特（Paul Lockhart）是哥伦比亚大学的数学博士，他在有影响力的文章《数学家的哀歌》中想象了一个噩梦般的世界 —— 当音乐和艺术的教学方式是数学的教学方式：在音乐课上，孩子们在花了十多年的时间掌握乐谱和理论，在课堂上将乐谱转换为不同的调之前，不允许听或演奏音乐；在艺术课上，学生们学习颜色和涂抹器，但直到大学才被允许真正绘画。
听起来很荒谬？这就是数学的教学方式 —— 我们要求学生花费数年时间死记硬背，学习枯燥、不连贯的基础知识，我们声称这些基础知识会在他们大多数人退出这门学科很久之后得到回报。
不幸的是，这是许多关于深度学习的教学资源开始的地方 —— 要求学习者遵循 Hessian 的定义和损失函数的 Taylor 近似定理，而从未给出实际工作代码的示例。我们不是在敲微积分，微积分是非常棒的工具，但我们认为这不是学习深度学习的最佳起点 😎 ！
二、AI 模块概览
🌈 导引部分
主要的功能是帮助初学者入门，涉及 AI 的学习方法，AI 的基础概念，AI 的基础使用方法等。
无论是想要深入学习 AI 的专业人士，还是对 AI 充满好奇心的普通人，本部分都将提供有价值的见解。
🌈 系统课程
对于一些优秀课程的本地化，你可以直接阅读我们的文档进行学习，也可以自己寻找相应课程，将我们的文档作为辅助。
主要的课程内容有：
- 【人工智能导论】CS50 ：介绍现代 AI 的基本概念和算法，包括图形搜索算法、分类、优化、机器学习、大型语言模型等内容。通过实践项目加深理解。
- 【深度学习】ARENA： 快速掌握现代工程方面知识和能力。主要聚焦于神经网络，大模型，强化学习等领域。
- 【深度学习】Numpy100+Pytorch 系列： 解析大型语言模型（LLM）的内部机制，帮助读者更好地理解 LLM 的工作原理。
- 【应用】DeepLearning： 通过该领域领导者教授的基础专业和特定技能的短期课程。
🌈 杂谈部分
精选并本地化翻译一系列有趣的文章和论文，涵盖 AI 领域的最新进展和技术应用。
三、学习路径规划
这份学习路径只是一个大致的方向，学习的过程因人而异😇😇
我们的学习路径规划很简单：
⭐ 第一步：入门实践与基础知识
- 基本的使用，包括日常 AI 工具的推荐，并指导如何有效地编写提示词以获得最佳结果。
- 简要解释深度学习的基本概念，如神经网络的工作原理，以及大模型是如何通过大量数据进行训练的。这些内容都很简单易懂。
⭐ 第二步：动手实践
- 带大家手把手部署几个模型，学会最基本的使用方法
- 可以选择文生图、角色模型微调等各类项目
⭐ 第三步：回归理论
- 稍微深入学习构建大模型所需的基础框架
- 包括 Numpy 和 PyTorch 等工具的语法，并通过小型项目练习这些技能。
⭐ 第四步：独立项目
- 具体实操，从头到尾自己做一个实打实的项目
四、关于 AI 学习的一些问题
1. 学习 AI 能为我带来什么？
- 职业机会：还是因为 AI 太火爆了，当非常多的钱涌入，他就自然会有很多就业的岗位产生了。
- 解决复杂问题的能力：我们往往要思考怎么样才能用 AI 的方式去解决一个本来很复杂的编程问题，现在有了 GPT 让这变得很简单。
- 跨学科学习：AI 和多个领域相结合，目前考研候做的方向多数都是 AI，哪怕他的专业是物理化学甚至说是文科，所以他们还是很喜欢有 AI 学习经历的人的。
- 好玩：AI + 娱乐，你不想搞一个自己的猫娘吗？
2. 不管什么专业的人，不管有没有基础都可以来学习 AI 吗？
- 对于不同背景的人来说，学习 AI 有不同的路径。如果你的目的仅仅是使用像 GPT 这样的工具，你可以专注于学习如何应用这些工具，而不需要深入了解背后的数学原理。例如，你可以学习如何使用 GPT 进行文本生成、问答、翻译等任务。
- 但是，如果你希望日后从事 AI 相关行业或者进行更深入的研究，那么具备一定基础会非常有帮助。
3. 我数学不够好怎么办，可以学习 AI 吗？
- 尽管数学是 AI 的重要组成部分，但它并不是学习 AI 的绝对障碍。
- 你可以阅读以下文章：
- 数学不好可以学机器学习吗
- 没有数学专业背景和理解机器学习算法的 5 种技巧
4. 我对 AI/CV/NLP/blabla 研究方向很感兴趣可以看这篇内容吗？
目前的本章节的内容的定位仍在引导大家有更广阔的视野，在引导的同时给大家正确的学习 / 思考模式。
因此如果你想学某个知识体系，可以参考本章内容的路线，但是若你有足够强大的能力可以直接应对国外课程体系的困难，那么我非常推荐你去直接看英文内容.
因为我们在降低门槛的时候也一定程度上让各位损失了一定的训练，在概括的过程中，信息量被稀释了，抽象地描述也许更能让你 get 到一些思想性的内容.
5. 很多东西学校都没学，怎么办？
如果你完全依赖学校的进度，你可能一直都会有认为学校应该教但你没学到的东西。
同时，这是一门前沿学科，学校学习的多数内容并不能达到掌握相关知识的要求。
你应该更多地依赖自己而不是学校。