Лаборатория магии ИИ
Жесткая структура курса, интегрирующая четыре основных раздела: основы искусственного интеллекта, генерация больших моделей (GenAI и LLM), агенты и эволюционные вычисления (выделены как особенность PolyU) и этика. Логика курса последовательно проходит через восприятие и данные (уроки 1–3), когнитивные процессы и генерацию (уроки 4–6), агенты и эволюцию (уроки 7–9) и завершается этикой и будущим (урок 10).
Обзор курса
📚 Краткое содержание
«Лаборатория искусственного интеллекта» — это строгий, комплексный курс, разработанный для глубокого, последовательного понимания современного искусственного интеллекта. Программа состоит из четырёх постепенно усложняющихся модулей: базовые концепции (восприятие и данные), продвинутые генеративные возможности (познание и генерация с помощью больших языковых моделей и моделей диффузии), автономные системы (агенты и эволюционное вычисление) и этическое управление (этика и будущее). Учащиеся будут проходить путь от понимания числового представления данных до мастерства в проектировании сложных систем, завершаясь всесторонним взглядом на ответственное создание и внедрение ИИ.
Этот курс предоставляет строгое, комплексное понимание современного ИИ, охватывая основы работы с данными, методы генерации с помощью больших языковых моделей (LLM), архитектуру автономных агентов и ключевые этические вопросы, необходимые для ответственного внедрения.
🎯 Цели обучения
- Освоить основы восприятия ИИ, представления данных (тензоры) и фундаментальных задач обучения с учителем, таких как классификация.
- Понять и контролировать большие языковые модели (LLM) и генеративный ИИ, применяя концепции прогнозирования последовательности, механизм внимания и продвинутые техники инжиниринга промптов.
- Проектировать и анализировать интеллектуальные агенты, интегрируя цикл «восприятие-принятие решения-действие» с продвинутыми методами оптимизации, основанными на популяции, такими как эволюционное вычисление.
- Различать генеративный и дискриминативный ИИ и объяснять механический процесс моделей диффузии для генерации изображений по тексту.
- Оценивать этические вызовы, присущие современному ИИ (смещение данных, вымышленные результаты, поддельные видео), и предлагать стратегии для ответственного симбиоза человека и ИИ.
Уроки 共 10 课时 · 预计 20.0h
Уроки
Lesson
This lesson introduces the fundamentals of Computer Vision by explaining how machines interpret images as grids of numerical pixel data. Students will learn how computers use RGB color models and feature extraction to identify shapes, edges, and patterns within digital images.
This lesson explores how computers use encoding to translate non-structured data, like images and sounds, into numerical formats that machines can process. Students learn that vectors and tensors serve as the essential mathematical containers that organize this data, allowing AI models to identify patterns and learn effectively.
This lesson introduces supervised learning, where humans provide labeled training data to help AI identify patterns and establish decision boundaries for classification. Students learn how to evaluate these models by calculating accuracy and avoiding the pitfalls of overfitting.
This lesson explores how AI processes language by breaking text into numerical tokens and managing memory through a limited context window. Students will also learn how the Attention Mechanism acts as a digital spotlight, allowing the AI to identify and focus on the most relevant words to understand complex meanings.
This lesson introduces prompt engineering as a powerful skill that allows you to use natural language to command AI, which functions as a sophisticated prediction engine. By mastering the "Prompt Blueprint"—consisting of instructions, context, and output—along with techniques like personas and few-shot learning, you can transform from a passive user into an architect of information.
This lesson explores the difference between discriminative AI, which sorts existing data, and generative AI, which creates new content from scratch. Students learn how generative models use a process called diffusion to transform random, high-entropy noise into clear, detailed images through iterative de-noising.
This lesson introduces the Perception-Decision-Action (PDA) loop, the continuous cycle that allows intelligent agents to observe their environment, plan goals, and take action. Students will also learn how sensors and actuators serve as the essential bridge between an agent's digital logic and the physical or virtual world.
This lesson introduces Evolutionary Computation, a method that mimics natural selection to solve complex problems by iteratively improving digital solutions. Students learn how to evolve AI by testing the performance of "phenotypes" and using genetic processes like mutation and crossover to refine their underlying "genotype" code.
This lesson explores how multi-agent systems use communication, collaboration, and competition to solve complex problems more effectively than a single AI. Students learn how decentralized "swarm intelligence" allows groups of agents to achieve emergent, coordinated behavior by following simple local rules.
This lesson explores the ethical challenges of AI, including algorithmic bias, hallucinations, and the risks of intentional deception through deepfakes. Students learn the importance of digital literacy and the "Human-in-the-Loop" approach, which emphasizes that humans must remain the final supervisors to ensure technology is used fairly and accurately.