跳转至
AiBook
全部中文概念索引
한국어
English
简体中文
正在初始化搜索引擎
devchan64/AiBook
AiBook
devchan64/AiBook
开始
开始
介绍
目录
Part 1. AI 导论与地形图
Part 1. AI 导论与地形图
概览
Module 1. AI 的范围与历史
Module 1. AI 的范围与历史
Chapter 1. 什么是 AI
Chapter 1. 什么是 AI
P1-1.1 AI 这个词的范围
P1-1.2 AI 处理的问题类型
P1-1.3 AI、机器学习、深度学习与生成式 AI 的关系
Chapter 2. AI 的历史与范式变化
Chapter 2. AI 的历史与范式变化
P1-2.1 符号主义 AI 与规则式方法
P1-2.2 搜索、知识表示与概率推断
P1-2.3 走向机器学习、深度学习与生成式 AI 的脉络
Module 2. 规则、模型与学习
Module 2. 规则、模型与学习
Chapter 3. 从规则走向学习
Chapter 3. 从规则走向学习
P1-3.1 规则式系统的优势与边界
P1-3.2 从数据中学习模式意味着什么
P1-3.3 规则方法与表征学习
Chapter 4. 把问题变成模型
Chapter 4. 把问题变成模型
P1-4.1 重新习惯“模型”这个词
P1-4.2 输入、输出与数据
P1-4.3 特征、表征与参数
P1-4.4 问题定义如何决定模型
Chapter 5. 学习与模型执行
Chapter 5. 学习与模型执行
P1-5.1 学习到底改变什么
P1-5.2 模型执行(inference)到底执行什么
P1-5.3 “推理”一词的混乱
Module 3. 不确定性与问题求解
Module 3. 不确定性与问题求解
Chapter 6. 不确定性与概率判断
Chapter 6. 不确定性与概率判断
P1-6.1 信息不完整且例外很多的问题
P1-6.2 区分概率、不确定性与随机过程
P1-6.3 概率性判断在 AI 中出现在哪里
Chapter 7. 搜索与启发式
Chapter 7. 搜索与启发式
P1-7.1 搜索空间与计算极限
P1-7.2 启发式减少了什么
P1-7.3 启发式与概率模型的区别
P1-7.4 补充学习：从路径寻找走到自动驾驶路径规划
Chapter 8. 学习类型的基本区分
Chapter 8. 学习类型的基本区分
P1-8.1 监督学习：输入与标签
P1-8.2 无监督学习：结构与表征
P1-8.3 强化学习：动作与奖励
Module 4. 走向深度学习与生成式 AI
Module 4. 走向深度学习与生成式 AI
Chapter 9. 深度学习范式的扩散
Chapter 9. 深度学习范式的扩散
P1-9.1 图像识别与表征学习
P1-9.2 目标检测与语音生成案例
P1-9.3 区分 LLM 的直接谱系与外围证据
Chapter 10. 生成式 AI 导论
Chapter 10. 生成式 AI 导论
P1-10.1 分类、预测与生成的区别
P1-10.2 下一输出生成的直觉
P1-10.3 生成结果的质量与风险
Chapter 11. LLM 从哪里来
Chapter 11. LLM 从哪里来
P1-11.1 统计语言模型与嵌入
P1-11.2 RNN、Seq2Seq 与 Attention
P1-11.3 Transformer 与预训练 LLM
Module 5. LLM 使用体验的核心元素
Module 5. LLM 使用体验的核心元素
Chapter 12. Prompt 基础与使用 LLM 的手感
Chapter 12. Prompt 基础与使用 LLM 的手感
P1-12.1 Prompt 指定了什么
P1-12.2 指令、上下文与示例
P1-12.3 Prompt 的限制与最初的验证标准
Chapter 13. 嵌入与向量检索
Chapter 13. 嵌入与向量检索
P1-13.1 把文本表示成向量意味着什么
P1-13.2 相似度搜索的直觉
P1-13.3 通向 RAG 的问题意识
P1-13.4 向量搜索实现的直觉
Chapter 14. AI 服务架构与执行环境
Chapter 14. AI 服务架构与执行环境
P1-14.1 模型、应用、数据与工具
P1-14.2 RAG 与工具使用的位置
P1-14.3 “Agent” 这个词的位置
P1-14.4 MCP 的概念位置
P1-14.5 Harness 与评估执行环境
P1-14.6 AI 服务在现实世界中的约束概览
Module 6. 社会议题与应用
Module 6. 社会议题与应用
Chapter 15. AI 伦理、版权与安全
Chapter 15. AI 伦理、版权与安全
P1-15.1 偏差、安全与责任
P1-15.2 版权与训练数据
P1-15.3 安全与隐私
Chapter 16. 实际应用案例
Chapter 16. 实际应用案例
P1-16.1 个人学习与文档整理
P1-16.2 工作自动化与搜索
P1-16.3 如何通过项目验证理解
Chapter 17. AI 的未来
Chapter 17. AI 的未来
P1-17.1 预测应当使用什么样的证据
P1-17.2 阅读新闻、专栏与报告
P1-17.3 区分预测与工作假设
总结
Part 2. 基础恢复
Part 2. 基础恢复
概览
Module 1. 把数学重新读成计算语言
Module 1. 把数学重新读成计算语言
Chapter 1. 为什么 AI 需要数学
Chapter 1. 为什么 AI 需要数学
P2-1.1 数学在 AI 计算里做什么
P2-1.2 公式、代码与数据相遇的位置
Chapter 2. 重新阅读公式记号
Chapter 2. 重新阅读公式记号
P2-2.1 重新阅读变量(variable)、函数(function)、表达式(expression)
P2-2.2 Sigma 与重复计算
P2-2.3 极限(limit)与变化的直觉
P2-2.4 为什么 log 与 exp 会反复出现
Module 2. 阅读模型计算所需的核心数学
Module 2. 阅读模型计算所需的核心数学
Chapter 3. 线性代数在建模什么
Chapter 3. 线性代数在建模什么
P2-3.1 标量(scalar)、向量(vector)、矩阵(matrix)
P2-3.2 向量空间(vector space)与位置直觉
P2-3.3 矩阵乘法(matrix multiplication)复用了什么
P2-3.4 内积(dot product)、长度(norm)、距离(distance)、相似度(similarity)
P2-3.5 Python 执行环境：Colab 与本地 PC
P2-3.6 用 NumPy 确认线性代数
Chapter 4. 微分是为了找到什么的工具
Chapter 4. 微分是为了找到什么的工具
P2-4.1 重新回看当初是怎样学微分的
P2-4.2 变化率(rate of change)与斜率(slope)
P2-4.3 微分(derivative)与梯度(gradient)
P2-4.4 为什么学习需要微分
P2-4.5 梯度补充学习：从高中微分走到多变量微分
P2-4.6 复合函数(composite function)与链式法则(chain rule)
Chapter 5. 为什么需要概率与统计
Chapter 5. 为什么需要概率与统计
P2-5.1 概率(probability)怎样把不确定性表示成数字
P2-5.2 分布(distribution)、平均(mean)、方差(variance)
P2-5.3 样本(sample)、估计(estimation)、误差(error)
P2-5.4 用小数据确认概率与统计
P2-5.5 补充学习：第一次怎样读标准差、相关、置信区间
Chapter 6. 优化在解什么问题
Chapter 6. 优化在解什么问题
P2-6.1 优化(optimization)在寻找什么
P2-6.2 损失函数与目标函数
P2-6.3 梯度下降(gradient descent)的直觉
Module 3. 运行环境与 Python 基础
Module 3. 运行环境与 Python 基础
Chapter 7. 学习环境设置
Chapter 7. 学习环境设置
P2-7.1 本地环境(local environment)与运行环境(runtime)
P2-7.2 终端(terminal)、shell、工作目录(working directory)
P2-7.3 Python 解释器(interpreter)与脚本(script)
P2-7.4 虚拟环境(virtual environment)与包(package)
P2-7.5 依赖(dependency)与可复现性(reproducibility)
P2-7.6 补充学习：不同操作系统中的终端入口
P2-7.7 补充学习：什么时候需要安装 Python
P2-7.8 补充学习：阅读 shell 执行流程
P2-7.9 补充学习：检查本地 Python 环境问题
Chapter 8. 复习 Python 核心语法
Chapter 8. 复习 Python 核心语法
P2-8.1 值(value)、变量(variable)、类型(type)
P2-8.2 列表(list)：有顺序的值集合
P2-8.3 字典(dictionary)：通过键(key)找值的结构
P2-8.4 循环(loop)：逐项处理 iterable
P2-8.5 函数(function)与小规模复用
P2-8.6 补充学习：第一次遇见类(class)与对象(object)
P2-8.7 补充学习：区分引用与拷贝
Chapter 9. 数据结构与图(graph)的直觉
Chapter 9. 数据结构与图(graph)的直觉
P2-9.1 为什么需要数据结构(data structure)
P2-9.2 数组(array)、表(table)、树(tree)、图(graph)的直觉
P2-9.3 图(graph)怎样表示关系
P2-9.4 补充学习：第一次怎样读传统数据结构
Chapter 10. Jupyter 与 Colab Notebook
Chapter 10. Jupyter 与 Colab Notebook
P2-10.1 为什么 notebook 对学习有用
P2-10.2 Jupyter、Colab 与本地执行的差异
P2-10.3 把 notebook 整理成可重跑的记录
Module 4. 数据计算与可视化工具
Module 4. 数据计算与可视化工具
Chapter 11. 用 NumPy 复用向量与矩阵
Chapter 11. 用 NumPy 复用向量与矩阵
P2-11.1 用 NumPy array 建立向量与矩阵
P2-11.2 indexing、slicing、axis
P2-11.3 broadcasting 与 vectorization
P2-11.4 补充学习：在 NumPy 里一起阅读 shape 与原对象共享
Chapter 12. 用 Pandas 处理数据结构
Chapter 12. 用 Pandas 处理数据结构
P2-12.1 Pandas DataFrame 在表示什么
P2-12.2 选择、过滤、聚合
P2-12.3 准备学习用数据集(dataset)的直觉
Chapter 13. 用 Matplotlib 可视化概念
Chapter 13. 用 Matplotlib 可视化概念
P2-13.1 图(plot)会显露什么
P2-13.2 确认基础图表与公式形状
P2-13.3 比较并保存多张图
Module 5. 可复现性与综合复习
Module 5. 可复现性与综合复习
Chapter 14. Git 与文档管理
Chapter 14. Git 与文档管理
P2-14.1 Git 是管理变更历史的工具
P2-14.2 branch、commit、文档可复现性
Chapter 15. 用软件再看数学
Chapter 15. 用软件再看数学
P2-15.1 把公式搬成代码的小步骤
P2-15.2 进入 Part 3 之前的检查
总结
Part 3. 数据建模
Part 3. 数据建模
概览
Module 1. 角色与问题场景
Module 1. 角色与问题场景
Chapter 1. 数据建模想达成什么，又按什么顺序进行
Chapter 1. 数据建模想达成什么，又按什么顺序进行
P3-1.1 数据建模想达成什么
P3-1.2 数据建模按什么顺序进行
P3-1.3 数据问题该怎样写，才能比模型名字更早看见问题结构
Chapter 2. 先读取存储结构与设计轴
Chapter 2. 先读取存储结构与设计轴
P3-2.1 为什么存下来的记录还不能立刻算作数据集
P3-2.2 数据集候选里会包含什么结构
P3-2.3 第一次拿到一张新表时，应该先写下什么
Chapter 3. 数据集不是一开始就给好的
Chapter 3. 数据集不是一开始就给好的
P3-3.1 为什么不能立刻把原始数据读成学习问题
P3-3.2 怎样按问题重新设计一个数据集
P3-3.3 如果要把问题先搬成第一版表草图，应该先画哪些列
Module 2. 样本与表结构
Module 2. 样本与表结构
Chapter 4. 怎样确定样本单位
Chapter 4. 怎样确定样本单位
P3-4.1 怎样确定一条可比较的样本
P3-4.2 一旦样本单位摇晃，什么会一起摇晃
P3-4.3 一行、一个样本、一段近期区间到底有什么不同
P3-4.4 什么信号说明样本单位抓错了
P3-4.5 当前收集到的样本，对整体运营情境有多大代表性
Chapter 5. 怎样把原始日志变成汇总表
Chapter 5. 怎样把原始日志变成汇总表
P3-5.1 怎样把原始日志变成可比较的表
P3-5.2 汇总表怎样留下平均值之外的模式
P3-5.3 即使手上有原始时间序列，为什么也不能立刻说那就是学习输入
P3-5.4 输入窗口(window)该从哪里切、长度又该怎样对齐
P3-5.5 遇到值缺失或区间空掉的样本时该怎么处理
P3-5.6 重叠输入窗口与样本数
P3-5.7 折叠多个后续事件的规则
Module 3. 特征与比较结构
Module 3. 特征与比较结构
Chapter 6. 怎样设计特征与中间表征
Chapter 6. 怎样设计特征与中间表征
P3-6.1 应该把可比较的结构留下成什么特征
P3-6.2 当光靠特征还不够时，还能加什么中间表征
P3-6.3 人工设计的特征与后面会学习到的表征怎样衔接
P3-6.4 为什么汇总表里的所有列都不一定是特征
P3-6.5 单位与量级不同的特征，怎样一起阅读并留下
P3-6.6 相同列名与不同特征
Chapter 7. 怎样阅读基准线比较结构
Chapter 7. 怎样阅读基准线比较结构
P3-7.1 必须把留下来的结构拿去和什么比较，变化才会显现
P3-7.2 怎样把比较表读成人工复核句子
P3-7.3 为什么基准线比较与基准模型不是一回事，但两者又都需要
P3-7.4 基准线应该按什么区间与条件来定
P3-7.5 基准线应该固定，还是按近期平常状态不断更新
Module 4. 解释边界
Module 4. 解释边界
Chapter 8. 怎样阅读样本数与重复性
Chapter 8. 怎样阅读样本数与重复性
P3-8.1 用什么调节解释强度
P3-8.2 变化信号能说到哪里，原因又该停在哪里
P3-8.3 保守解释句子该按什么顺序与词语来写
P3-8.4 保守解读与运营列
P3-8.5 多个比较列怎样绑成一个复核优先级候选
P3-8.6 只留在部分案例上的确认标签
P3-8.7 运营介入改变的数据解读
Module 5. 问题类型与后续 Part 连接
Module 5. 问题类型与后续 Part 连接
Chapter 9. 怎样把某个问题做成预测问题
Chapter 9. 怎样把某个问题做成预测问题
P3-9.1 当前问题应该抬到哪一层
P3-9.2 为什么有些问题应该一直留下成比较报告而不是直接做预测
P3-9.3 三种运营表的差异
P3-9.4 复核结果怎样从运营备忘慢慢变成目标标签候选
P3-9.5 即使跨多个产出物，同一个事件应该靠什么持续追踪
P3-9.6 检查标签一致性
P3-9.7 把输入与结果交给后续 Part 之前，必须先闭住什么
P3-9.8 一次预测实际决定了什么，为什么分数与政策不是一回事
P3-9.9 怎样区分真实目标与代理 target
P3-9.10 标签延迟确认与未完成的负类
P3-9.11 target 候选与变化的标准
P3-9.12 target 名称与错误成本
P3-9.13 交给 Part 4 之前的问题边界
总结
Part 4. 机器学习
Part 4. 机器学习
概览
Module 1. 机器学习的位置
Module 1. 机器学习的位置
Chapter 1. 区分 AI、机器学习、深度学习
Chapter 1. 区分 AI、机器学习、深度学习
P4-1.1 AI、机器学习、深度学习之间的关系
P4-1.2 从数据中学习规则是什么意思
Chapter 2. 监督学习、无监督学习、强化学习
Chapter 2. 监督学习、无监督学习、强化学习
P4-2.1 监督学习(supervised learning)
P4-2.2 无监督学习(unsupervised learning)
P4-2.3 强化学习(reinforcement learning)
Chapter 3. 为什么需要启发式
Chapter 3. 为什么需要启发式
P4-3.1 为什么需要启发式(heuristic)
P4-3.2 启发式与模型选择
Module 2. 数据与评估
Module 2. 数据与评估
Chapter 4. 数据切分与验证
Chapter 4. 数据切分与验证
P4-4.1 训练数据与评估数据
P4-4.2 验证(validation)与测试(test)
Chapter 5. 过拟合与泛化
Chapter 5. 过拟合与泛化
P4-5.1 过拟合(overfitting)与欠拟合(underfitting)
P4-5.2 泛化(generalization)
Chapter 6. 评估指标
Chapter 6. 评估指标
P4-6.1 评估指标(metric)的角色
P4-6.2 不同问题类型的评估标准
P4-6.3 补充学习：第一次怎样在站点可靠性工程里阅读 metrics
P4-6.4 补充学习：评估指标的问题地图
Module 3. 实务启发式
Module 3. 实务启发式
Chapter 7. 特征选择与预处理启发式
Chapter 7. 特征选择与预处理启发式
P4-7.1 特征选择(feature selection)
P4-7.2 预处理(preprocessing)
P4-7.3 补充学习：区分预处理中的输入问题
P4-7.4 补充学习：区分特征选择方式
Chapter 8. 模型选择启发式
Chapter 8. 模型选择启发式
P4-8.1 模型选择(model selection)
P4-8.2 基准模型(baseline)
P4-8.3 补充学习：按问题类型第一次怎样立 baseline
Chapter 9. 超参数调优
Chapter 9. 超参数调优
P4-9.1 超参数(hyperparameter)
P4-9.2 调优(tuning)与验证成本
P4-9.3 补充学习：模型选择之后的工具地图
Module 4. 基础算法
Module 4. 基础算法
Chapter 10. 线性回归
Chapter 10. 线性回归
P4-10.1 线性回归(linear regression)的直觉
P4-10.2 线性回归的评估与局限
P4-10.3 补充学习：第一次怎样读回归诊断(regression diagnostics)
Chapter 11. 逻辑回归
Chapter 11. 逻辑回归
P4-11.1 逻辑回归(logistic regression)的直觉
P4-11.2 决策边界(decision boundary)
P4-11.3 补充学习：第一次怎样读 log-odds 与 MLE
P4-11.4 补充学习：怎样读多类别(multinomial)逻辑回归
P4-11.5 补充学习：第一次怎样读 solver 与 regularization
Chapter 12. k-NN
Chapter 12. k-NN
P4-12.1 k-NN 的直觉
P4-12.2 距离(distance)与尺度(scale)
P4-12.3 使用 k-NN 时应该先检查什么
Chapter 13. SVM
Chapter 13. SVM
P4-13.1 SVM 的直觉
P4-13.2 kernel 的入门意义
Module 5. 树与集成
Module 5. 树与集成
Chapter 14. 决策树
Chapter 14. 决策树
P4-14.1 决策树(decision tree)
P4-14.2 树的过拟合
Chapter 15. 随机森林
Chapter 15. 随机森林
P4-15.1 随机森林(random forest)
P4-15.2 特征重要度(feature importance)
P4-15.3 OOB(out-of-bag) 与随机森林检查
P4-15.4 补充学习：比较 Extra Trees 与随机森林
Chapter 16. 梯度提升
Chapter 16. 梯度提升
P4-16.1 梯度提升(gradient boosting)
P4-16.2 boosting 的性能与风险
P4-16.3 补充学习：第一次从实现与运营角度把 boosting 库放在一起看
Module 6. 发现结构
Module 6. 发现结构
Chapter 17. 聚类
Chapter 17. 聚类
P4-17.1 聚类(clustering)的直觉
P4-17.2 解读聚类结果时的注意点
P4-17.3 补充学习：层次聚类与谱聚类
P4-17.4 补充学习：第一次怎样把聚类接到半监督学习上
Chapter 18. 降维
Chapter 18. 降维
P4-18.1 降维(dimensionality reduction)
P4-18.2 可视化与信息损失
Chapter 19. 强化学习算法
Chapter 19. 强化学习算法
P4-19.1 价值型强化学习
P4-19.2 策略型强化学习
P4-19.3 强化学习应用时的注意点
P4-19.4 补充学习：强化学习后续分支地图
P4-19.5 补充学习：第一次读强化学习中的公式名称
P4-19.6 补充学习：第一次读 policy gradient
总结
Part 5. 深度学习
Part 5. 深度学习
概览
Module 1. 神经网络的起点
Module 1. 神经网络的起点
Chapter 1. 感知机
Chapter 1. 感知机
P5-1.1 感知机(perceptron)的直觉
P5-1.2 线性组合与激活
Chapter 2. 多层神经网络
Chapter 2. 多层神经网络
P5-2.1 多层神经网络(multilayer neural network)
P5-2.2 隐藏层(hidden layer)与表示
Module 2. 输出、损失与反向传播
Module 2. 输出、损失与反向传播
Chapter 3. 激活函数
Chapter 3. 激活函数
P5-3.1 激活函数(activation function)
P5-3.2 sigmoid
P5-3.3 tanh
P5-3.4 ReLU
P5-3.5 代表激活函数公式比较
P5-3.6 输出层(output layer)与激活的选择
Chapter 4. 损失函数
Chapter 4. 损失函数
P5-4.1 损失函数(loss function)
P5-4.2 不同问题类型的损失
Chapter 5. 反向传播
Chapter 5. 反向传播
P5-5.1 反向传播(backpropagation)的直觉
P5-5.2 计算图(computation graph)
Module 3. 学习循环与稳定化
Module 3. 学习循环与稳定化
Chapter 6. 分开学习(learning)与模型执行(inference)
Chapter 6. 分开学习(learning)与模型执行(inference)
P5-6.1 学习循环的四个步骤
P5-6.2 学习 step、batch、epoch
P5-6.3 学习(learning)与模型执行(inference)
P5-6.4 训练模式(training mode)与评估模式(evaluation mode)
Chapter 7. 优化器
Chapter 7. 优化器
P5-7.1 优化器(optimizer)的作用
P5-7.2 学习率(learning rate)与 update 步幅
P5-7.3 Adam 的直觉：自适应 update
P5-7.4 补充学习：区分 adaptive optimization 的主张
Chapter 8. 正则化与 dropout
Chapter 8. 正则化与 dropout
P5-8.1 正则化(regularization)
P5-8.2 dropout
P5-8.3 补充学习：深层计算的稳定条件
P5-8.4 补充学习：较大的初始化尺度会怎样摇晃计算范围
Module 4. 计算环境与表示学习
Module 4. 计算环境与表示学习
Chapter 9. GPU 与并行处理
Chapter 9. GPU 与并行处理
P5-9.1 GPU 与并行处理
P5-9.2 batch 与 tensor 计算
Chapter 10. 表示学习
Chapter 10. 表示学习
P5-10.1 表示学习(representation learning)
P5-10.2 深层表示
Module 5. 空间结构与 CNN
Module 5. 空间结构与 CNN
Chapter 11. CNN
Chapter 11. CNN
P5-11.1 CNN 的直觉
P5-11.2 卷积(convolution)与池化(pooling)
P5-11.3 补充学习：比较 CNN 与 Vision Transformer
Module 6. 序列结构与 RNN 系列
Module 6. 序列结构与 RNN 系列
Chapter 12. RNN、LSTM、GRU
Chapter 12. RNN、LSTM、GRU
P5-12.1 RNN、LSTM、GRU 的必要性
P5-12.2 长期依赖(long-term dependency)
Module 7. 从 Attention 到 Transformer
Module 7. 从 Attention 到 Transformer
Chapter 13. Attention
Chapter 13. Attention
P5-13.1 Attention 的直觉
P5-13.2 通向 self-attention 的流程
P5-13.3 补充学习：QKV 与 multi-head attention
Chapter 14. Transformer
Chapter 14. Transformer
P5-14.1 不能只靠 attention 解释的 Transformer
P5-14.2 Transformer block 的四个部件分别负责什么？
P5-14.3 稳定深层重复的两个装置
P5-14.4 RNN 状态传递与 Transformer 并行计算
P5-14.5 长上下文中顺序状态和直接重参考怎样分开？
P5-14.6 补充学习：按位置加工表示
P5-14.7 补充学习：保留原始表示的路径
P5-14.8 补充学习：对齐数值基准线的归一化
Module 8. 生成模型与采样
Module 8. 生成模型与采样
Chapter 15. 生成模型的直觉
Chapter 15. 生成模型的直觉
P5-15.1 从深度学习视角看生成式 AI 时，什么会改变
P5-15.2 生成模型的候选分布
P5-15.3 采样（sampling）怎样从候选分布中取出实际输出
总结
Part 6. LLM 与生成式 AI
Part 6. LLM 与生成式 AI
概览
总结
Part 7. 项目
Part 7. 项目
概览
总结
附录
附录
概念词汇表
全部中文概念索引
¶
本页用于集中整理中文索引词。具体词条内容将在后续补充。
中文索引词
拼音
韩文代表词条
English Base Term
Core Section
Link
回到页面顶部