微软人工智能教育与学习共建社区人工智能基础教程、实践案例、实践项目

02-24 14:06

#0

微软人工智能教育与学习共建社区（Microsoft AI Education Community, 简称AI-Edu）是微软亚洲研究院（Microsoft Research Asia，简称MSRA）人工智能教育团队创立的人工智能开源社区。
本社区由基础教程、实践案例、实践项目三大模块构成，通过系统化的理论教程和丰富多样的实践案例，帮助学习者学习并掌握人工智能的知识，并锻炼在实际项目中的开发能力。

docs10个子项

Contributing.md

img

javascripts1个子项

template4个子项

case1个子项

en-us3个子项

case1个子项

tutorial1个子项

scripts

基础教程8个子项

A1-Python与基础知识4个子项

Python介绍.ipynb

Python基础5个子项

01_编程环境.ipynb

02_变量和数据类型.ipynb

03_函数和库.ipynb

05_绘图.ipynb

数学基础4个子项

01_代数.ipynb

02_微积分.ipynb

03_线性代数.ipynb

04_概率统计.ipynb

算法第一步3个子项

ExampleCodes12个子项

chapter067个子项

chapter0716个子项

chapter087个子项

chapter092个子项

chapter1011个子项

chapter117个子项

chapter1214个子项

chapter132个子项

chapter147个子项

chapter157个子项

chapter1611个子项

chapter171个子项

PPTs10个子项

ca_prerequisite_typing_exercise.pdf

firststep_algorithms_1_flowcontrol.pdf

firststep_algorithms_2_datastructure.pdf

firststep_algorithms_3_firstprogram.pdf

firststep_algorithms_4_search.pdf

firststep_algorithms_5_functions.pdf

firststep_algorithms_6_bugdebug.pdf

firststep_algorithms_7_simplesort.pdf

firststep_algorithms_8_quicksort.pdf

A2-神经网络基本原理15个子项

PPT20个子项

Chapter 01 概论.pdf

Chapter 02 神经网络中的三个基本概念.pdf

Chapter 03 损失函数.pdf

Chapter 04 单入单出的单层神经网络 - 单变量线性回归.pdf

Chapter 05 多入单出的单层神经网络 - 多变量线性回归.pdf

Chapter 06 多入单出的单层神经网络 - 线性二分类.pdf

Chapter 07 多入多出的单层神经网络 - 线性多分类.pdf

Chapter 08 激活函数.pdf

Chapter 09 单入单出的双层神经网络 - 非线性回归.pdf

Chapter 10 多入单出的双层神经网络 - 非线性二分类.pdf

Chapter 11 多入多出的双层神经网络 - 非线性多分类.pdf

Chapter 12 多入多出的三层神经网络 - 深度非线性多分类 - 副本.pdf

Chapter 13 模型的推理与部署.pdf

Chapter 14 搭建深度神经网络框架.pdf

Chapter 15 网络优化.pdf

Chapter 16 正则化.pdf

Chapter 17 卷积神经网络原理.pdf

Chapter 18 卷积神经网络应用.pdf

Chapter 19 普通循环神经网络.pdf

Chapter 20 高级循环神经网络.pdf

en-us9个子项

Step1 - BasicKnowledge21个子项

01.0-人工智能发展简史.md

01.1-人工智能的定义.md

01.2-范式的演化.md

01.3-神经网络的基本工作原理.md

02.0-Backpropagation and Gradient Descent.md

02.0-反向传播与梯度下降.md

02.1-Linear Backpropagation.md

02.1-线性反向传播.md

02.2-Non-linear Backpropagation.md

02.2-非线性反向传播.md

02.3-Gradient Descent.md

02.3-梯度下降.md

03.0-Loss Function.md

03.0-损失函数.md

03.1-Mean Square Error(MSE) Loss Function.md

03.1-均方差损失函数.md

03.2-Cross Entropy Loss Function.md

03.2-交叉熵损失函数.md

Step2 - LinearRegression17个子项

04 The Second Step - Linear Regression.md

04.0-Single-in, single-out, single-layer-univariate linear regression.md

04.0-单入单出单层-单变量线性回归.md

04.1-Least Square Method.md

04.1-最小二乘法.md

04.2-梯度下降法.md

04.3-神经网络法.md

04.4-多样本计算.md

04.5-梯度下降的三种形式.md

05.0-多入单出单层-多变量线性回归.md

05.1-正规方程法.md

05.2-神经网络法.md

05.3-样本特征数据标准化.md

05.4-还原参数值.md

05.5-正确的推理方法.md

05.6-标准化标签值.md

Step3 - LinearClassification26个子项

06 Step 3 - Linear Classification.md

06.0 Single Layer Neural Network with Multi Input and Single Output.md

06.0-多入单出单层神经网络-线性二分类.md

06.1-Binary Classification Function.md

06.1-二分类函数.md

06.2-Implementation of linear binary classification.md

06.2-线性二分类实现.md

06.3-The working principle of linear binary classification.md

06.3-线性二分类的工作原理.md

06.4-Visualization of linear binary classification results.md

06.4-线性二分类结果可视化.md

06.5-Implemenrarion logic AND,NOR,NOT gate.md

06.5-实现逻辑与或非门.md

06.6-Binary classification function with hyperbolic tangent function.md

06.6-用双曲正切函数分类.md

07.0 Multi-input and multi-output single-layer neural nets - Linear multiclassification.md

07.0-多入多出单层神经网络-线性多分类.md

07.1-Multi-classification function.md

07.1-多分类函数.md

07.2-Linear Multi-Classification Implementation.md

07.2-线性多分类实现.md

07.3-Working principle of linear multi-classification.md

07.3-线性多分类的工作原理.md

07.4-Visualization of linear multi-classification results.md

07.4-线性多分类结果可视化.md

Step4 - NonLinearRegression12个子项

08.0-激活函数.md

08.1-挤压型激活函数.md

08.2-半线性激活函数.md

09.0-单入单出双层-非线性回归.md

09.1-多项式回归法拟合正弦曲线.md

09.2-多项式回归法拟合复合函数曲线.md

09.3-验证与测试.md

09.4-神经网络非线性回归的实现.md

09.5-曲线拟合.md

09.6-非线性回归的工作原理.md

09.7-参数调优初步.md

Step5 - NonLinearClassification32个子项

10 Step5 - Non-linear classification.md

10.0- Multi-Input Single-Output Two-Layer - Non-Linear Binary Classification.md

10.0-多入单出双层-非线性二分类.md

10.1-Why it is necessary to use a two-layer neural network.md

10.1-为什么必须用双层神经网络.md

10.2-Implementation of non-linear binary classification.md

10.2-非线性二分类实现.md

10.3- Implementation of the logic XOR gate.md

10.3-实现逻辑异或门.md

10.4-The working principle of logic XOR gate.md

10.4-逻辑异或门的工作原理.md

10.5 Realization of hyperbolic binary classification.md

10.5-实现双弧形二分类.md

10.6-The working principle of double arc binary classification.md

10.6-双弧形二分类的工作原理.md

11.0-Multiple-Input Multiple-Output Two-Layer Neural Networks - Non-linear Multiple Classification.md

11.0-多入多出双层-非线性多分类.md

11.1-Implementation of non-linear multi-classification.md

11.1-非线性多分类实现.md

11.2-The working principle of non-linear multi-classification.md

11.2-非线性多分类的工作原理.md

11.3-Classification sample imbalance problem.md

11.3-分类样本不平衡问题.md

12.0-Multiple-Input-Multiple-Output Three-Layer-Multivariate Non-Linear Classification.md

12.0-多入多出三层-多变量非线性分类.md

12.1-Implementation of three-layer neural network.md

12.1-三层神经网络的实现.md

12.2- Gradient check.md

12.2-梯度检查.md

12.3-Learning rate and batch size.md

12.3-学习率与批大小.md

Step6 - Model Inference5个子项

13.0-手工测试训练效果.md

13.1-模型文件概述.md

13.2-ONNX模型文件.md

13.3-Windows中模型的部署.md

Step7 - DNN34个子项

14 Step Seven - Deep Neural Network.md

14.0-Building a DNN framework.md

14.0-搭建深度神经网络框架.md

14.1-Regression and Functional Testing.md

14.1-回归任务功能测试.md

14.2-Regression example in real life.md

14.2-回归任务真实案例.md

14.3-Functional test of binary classification tasks.md

14.3-二分类任务功能测试.md

14.4-A real application of the binary classification task.md

14.4-二分类任务真实案例.md

14.5-Multi-class function test.md

14.5-多分类任务功能测试.md

14.6-A real application of the multi-classification task.md

14.6-多分类任务真实案例.md

15.0-Network optimization.md

15.1-Weight matrix initialization.md

15.1-权重矩阵初始化.md

15.2-梯度下降优化算法.md

15.3-自适应学习率算法.md

15.4-算法效果比较.md

15.5-批量归一化的原理.md

15.6-批量归一化的实现.md

16.0-正则化.md

16.1-偏差与方差.md

16.2-L2正则.md

16.3-L1正则.md

16.4-早停法.md

16.5-丢弃法.md

16.6-数据扩展.md

16.7-集成学习.md

Step8 - CNN14个子项

17.0-卷积神经网络原理.md

17.1-卷积的前向计算原理.md

17.2-卷积前向计算代码实现.md

17.3-卷积的反向传播原理.md

17.4-卷积反向传播代码实现.md

17.5-池化的前向计算与反向传播.md

18.0-经典卷积神经网络模型.md

18.1-实现颜色分类.md

18.2-实现几何图形分类.md

18.3-实现几何图形及颜色分类.md

18.4-MNIST分类.md

18.5-Fashion-MNIST分类.md

18.6-Cifar-10分类.md

Step9 - RNN14个子项

19.0-普通循环神经网络.md

19.1-两个时间步的循环神经网络.md

19.2-四个时间步的循环神经网络.md

19.3-通用的循环神经网络模型.md

19.4-空气质量预测.md

19.5-不定长时序的循环神经网络.md

19.6-深度循环神经网络.md

19.7-双向循环神经网络.md

20.1-LSTM基本原理.md

20.2-LSTM代码实现.md

20.3-GRU基本原理.md

20.4-序列到序列.md

img

src

学习深度学习的痛点及解决办法.md

第1步 - 基本知识15个子项

01 第一步 - 概论与基本概念.md

01.0-人工智能发展简史.md

01.1-人工智能的定义.md

01.2-范式的演化.md

01.3-神经网络的基本工作原理.md

02.0-反向传播与梯度下降.md

02.1-线性反向传播.md

02.2-非线性反向传播.md

02.3-梯度下降.md

03.0-损失函数.md

03.1-均方差损失函数.md

03.2-交叉熵损失函数.md

img

src

第2步 - 线性回归16个子项

04 第二步 - 线性回归.md

04.0-单入单出单层-单变量线性回归.md

04.1-最小二乘法.md

04.2-梯度下降法.md

04.3-神经网络法.md

04.4-多样本计算.md

04.5-梯度下降的三种形式.md

05.0-多入单出单层-多变量线性回归.md

05.1-正规方程法.md

05.2-神经网络法.md

05.3-样本特征数据标准化.md

05.4-还原参数值.md

05.5-正确的推理方法.md

05.6-标准化标签值.md

img

src

第3步 - 线性分类15个子项

06 第三步 - 线性分类.md

06.0-多入单出单层神经网络-线性二分类.md

06.1-二分类函数.md

06.2-线性二分类实现.md

06.3-线性二分类的工作原理.md

06.4-线性二分类结果可视化.md

06.5-实现逻辑与或非门.md

06.6-用双曲正切函数分类.md

07.0-多入多出单层神经网络-线性多分类.md

07.1-多分类函数.md

07.2-线性多分类实现.md

07.3-线性多分类的工作原理.md

07.4-线性多分类结果可视化.md

img

src

第4步 - 非线性回归14个子项

08 第四步 - 非线性回归.md

08.0-激活函数.md

08.1-挤压型激活函数.md

08.2-半线性激活函数.md

09.0-单入单出双层-非线性回归.md

09.1-多项式回归法拟合正弦曲线.md

09.2-多项式回归法拟合复合函数曲线.md

09.3-验证与测试.md

09.4-神经网络非线性回归的实现.md

09.5-曲线拟合.md

09.6-非线性回归的工作原理.md

09.7-参数调优初步.md

img

src

第5步 - 非线性分类18个子项

10 第五步 - 非线性分类.md

10.0-多入单出双层-非线性二分类.md

10.1-为什么必须用双层神经网络.md

10.2-非线性二分类实现.md

10.3-实现逻辑异或门.md

10.4-逻辑异或门的工作原理.md

10.5-实现双弧形二分类.md

10.6-双弧形二分类的工作原理.md

11.0-多入多出双层-非线性多分类.md

11.1-非线性多分类实现.md

11.2-非线性多分类的工作原理.md

11.3-分类样本不平衡问题.md

12.0-多入多出三层-多变量非线性分类.md

12.1-三层神经网络的实现.md

12.2-梯度检查.md

12.3-学习率与批大小.md

img

src

第6步 - 模型部署7个子项

13 第六步 - 模型的推理与部署.md

13.0-手工测试训练效果.md

13.1-模型文件概述.md

13.2-ONNX模型文件.md

13.3-Windows中模型的部署.md

img

src

第7步 - 深度神经网络25个子项

14 第七步 - 深度神经网络.md

15.0-网络优化.md

14.0-搭建深度神经网络框架.md

14.1-回归任务功能测试.md

14.2-回归任务真实案例.md

14.3-二分类任务功能测试.md

14.4-二分类任务真实案例.md

14.5-多分类任务功能测试.md

14.6-多分类任务真实案例.md

15.1-权重矩阵初始化.md

15.2-梯度下降优化算法.md

15.3-自适应学习率算法.md

15.4-算法效果比较.md

15.5-批量归一化的原理.md

15.6-批量归一化的实现.md

16.0-正则化.md

16.1-偏差与方差.md

16.2-L2正则.md

16.3-L1正则.md

16.4-早停法.md

16.5-丢弃法.md

16.6-数据扩展.md

16.7-集成学习.md

img

src

第8步 - 卷积神经网络16个子项

17 第八步 - 卷积神经网络.md

17.0-卷积神经网络原理.md

17.1-卷积的前向计算原理.md

17.2-卷积前向计算代码实现.md

17.3-卷积的反向传播原理.md

17.4-卷积反向传播代码实现.md

17.5-池化的前向计算与反向传播.md

18.0-经典卷积神经网络模型.md

18.1-实现颜色分类.md

18.2-实现几何图形分类.md

18.3-实现几何图形及颜色分类.md

18.4-MNIST分类.md

18.5-Fashion-MNIST分类.md

18.6-Cifar-10分类.md

img

src

第9步 - 循环神经网络16个子项

19 第九步 - 循环神经网络.md

20.0-高级循环神经网络.md

19.0-普通循环神经网络.md

19.1-两个时间步的循环神经网络.md

19.2-四个时间步的循环神经网络.md

19.3-通用的循环神经网络模型.md

19.4-空气质量预测.md

19.5-不定长时序的循环神经网络.md

19.6-深度循环神经网络.md

19.7-双向循环神经网络.md

20.1-LSTM基本原理.md

20.2-LSTM代码实现.md

20.3-GRU基本原理.md

20.4-序列到序列.md

img

src

A3-智能之门之深度学习基础代码库1个子项

A4-智能之门之机器学习基础代码库10个子项

images

第2步线性回归算法6个子项

src

第1章简单线性回归11个子项

01.0 第1章.md

01.1 简单线性回归.md

01.2 损失函数.md

01.3 最小二乘法.md

01.4 编程验证.md

01.5 几个基本的数学概念.md

01.6 回归参数的衍生解法.md

01.8 公式推导.md

images

src

第2章多元线性回归9个子项

02.0 第2章.md

02.1 多元线性回归.md

02.2 最小二乘法与三维线性空间.md

02.3 正规方程法.md

02.4 编程验证.md

02.6 公式推导.md

images

src

第3章多项式回归8个子项

03.0 第3章.md

03.1 多项式回归.md

03.2 问题 A.md

03.3 问题 B.md

03.4 问题 C.md

03.5 问题 D.md

images

src

第4章梯度下降法4个子项

03.6 欠拟合与过拟合.md

03.7 正则 L1.md

03.8 正则 L2.md

第3步线性分类算法2个子项

第7章朴素贝叶斯分类器1个子项

第4步非线性回归算法1个子项

第5步非线性分类算法4个子项

第10章支持向量机的基本原理8个子项

10.0 第10章.md

10.1 基本原理.md

10.2 拉格朗日乘子.md

10.3 解决优化问题.md

10.4 拉格朗日对偶问题.md

10.5 解决对偶问题.md

images

src

第11章支持向量机的进阶学习6个子项

11.1 SMO算法.md

11.3 松弛变量与软间隔.md

11.4 对C值的理解.md

11.5 对松弛变量的理解.md

images

src

第12章支持向量机的核函数11个子项

12.0 第12章.md

12.1 解决一维非线性问题.md

12.2 解决二维非线性问题.md

12.3 核函数的概念.md

12.4 多项式核函数.md

12.5 高斯核函数.md

12.6 高斯函数的内积.md

12.7 高斯核函数的映射函数.md

12.8 高斯核函数的理解.md

images

src

第6步聚类1个子项

第7步降维1个子项

第8步关联规则学习1个子项

第9步集成学习1个子项

A5-智能之门之强化学习基础代码库11个子项

A6-人工智能系统2个子项

A7-现代软件工程1个子项

实践案例17个子项

实践项目13个子项

社区活动2个子项

点赞回复