📁 知识点
📄 📄 📄 📄 📄 📄 📄 📄 📄 📄 📄 📄 📄 📄
第 1 讲 · 人工智能概述
从人工智能的发展起伏、三条技术路线和能力边界建立全课地图。
第 2 讲 · 知识工程与图数据库
从知识的含义讲到 RDF 三元组、语义网、Neo4j 与 Cypher 查询。
第 3 讲 · Python 基础
围绕对象、容器、控制流和函数建立后续数据分析代码所需的 Python 基础。
第 4 讲 · NumPy 入门
掌握 ndarray 的形状、索引、广播、统计运算和常用文件读写。
第 5 讲 · Pandas 与图像数组实践
理解 Series、DataFrame、索引对齐、缺失值、分组统计，并用梯度和光照重建手绘图。
第 6 讲 · 机器学习基础
建立监督、无监督与强化学习的共同框架，理解泛化、评估和基础优化方法。
第 7 讲 · 线性回归
从最小二乘推导线性回归，并理解基函数、正则化、逻辑回归与 scikit-learn 流程。
第 8 讲 · 支持向量机
从最大间隔推到对偶与 KKT，再理解软间隔、核函数和 RBF 参数。
第 9 讲 · 神经网络
从感知机、反向传播讲到 CNN、RNN 与 LSTM，并梳理常见网络演进。
第 10 讲 · 自然语言处理
从 N-gram、词向量和 Seq2Seq 走到 Attention、Transformer 与文本分类。
第 11 讲 · Transformer、GPT 与大模型
理解 GPT 与 BERT 的训练目标、提示和对齐流程，并辨清所谓涌现能力与模型局限。
第 12 讲 · 问题求解与无信息搜索
把问题形式化为状态空间，并比较 BFS、UCS、DFS、深度限制和迭代加深。
第 13 讲 · 启发式与局部搜索
理解 A* 的可采纳和一致启发式，并掌握爬山、退火、束搜索与遗传算法。
第 14 讲 · 强化学习
从 MDP、Bellman 方程走到动态规划、蒙特卡洛、TD、SARSA、Q-learning 与 DQN。