EvoClass

更聪明地学习

返回课程
COMP5511 Postgraduate

PolyU | 人工智能概念

本课程全面且易于理解地介绍了人工智能，专为研究生和专业人士设计。课程从历史基础出发，跨越到前沿创新，内容涵盖符号化人工智能与搜索算法，逐步深入现代深度学习与生成式人工智能。学生将探索知识表示、概率推理以及经典机器学习等核心主题，随后深入神经网络、Transformer模型及大型语言模型（LLMs）的学习。课程强调理论与实践相结合，使用Python和业界标准框架如PyTorch实现算法，与现代API进行交互，并探讨人工智能伦理与安全等关键问题。

5.0
64h
100 名学生
0 点赞
人工智能
开始学习

课程

课程概述

📚 内容概要

本课程为研究生及专业人士提供了一套严谨而易懂的人工智能（AI）入门内容，旨在连接历史基础与前沿创新。课程从符号化人工智能和搜索算法，逐步过渡到现代深度学习与生成式AI。学生将探索知识表示、概率推理以及经典机器学习等核心主题，随后深入神经网络、Transformer架构和大语言模型（LLMs）。课程强调理论与实践并重，使用Python和业界标准框架如PyTorch来实现算法、调用现代API，并探讨人工智能伦理与安全中的关键问题。

本课程弥合了经典符号化AI与现代生成式AI之间的鸿沟，帮助学生掌握必要的理论深度与实用的Python技能，以设计、实现并伦理评估智能系统。

🎯 学习目标

  1. 掌握人工智能基础：分析并实现基本的问题求解范式，包括启发式搜索、基于逻辑的推理和概率建模。
  2. 实现深度学习架构：使用PyTorch设计并训练先进的神经网络，涵盖多层感知机、卷积神经网络到Transformer模型。
  3. 部署生成式AI解决方案：构建利用大语言模型（LLMs）的应用程序，运用微调、提示工程和检索增强生成（RAG）等技术。
  4. 确保伦理导向的AI开发：批判性评估AI系统的偏见、安全性与对齐性，在真实场景中应用可解释性和鲁棒性策略。

🔹 第1课：人工智能的历史与基础

概述：探讨人工智能的起源，涵盖图灵测试、达特茅斯会议，以及被称为“人工智能寒冬”的周期性发展现象。

学习成果：

  • 追溯自1956年以来人工智能的历史演变历程。
  • 比较符号化人工智能（GOFAI）与联结主义范式的异同。
  • 讨论深度学习革命及近期生成式突破的影响。

🔹 第2课：搜索策略：无信息与有信息搜索

概述：介绍使用搜索算法解决基本问题的智能体，区分盲目搜索与基于启发式的方法。

学习成果：

  • 实现无信息搜索方法，包括广度优先搜索（BFS）、深度优先搜索（DFS）和统一成本搜索。
  • 应用启发式搜索技术，如A*算法和贪心最佳优先搜索。
  • 分析不同搜索策略的时间复杂度与最优性。

🔹 第3课：对抗搜索与约束满足

概述：深入研究竞争环境中的决策机制（如博弈）以及由约束定义的问题求解。

学习成果：

  • 掌握用于博弈的极小极大算法与α-β剪枝技术。
  • 理解蒙特卡洛树搜索（MCTS）在AlphaGo等先进系统中的应用。
  • 使用回溯法与局部搜索求解约束满足问题（CSP）。

🔹 第4课：知识表示与推理

概述：研究人工智能系统如何以逻辑方式表示信息以进行推理，从经典逻辑走向现代知识结构。

学习成果：

  • 利用命题逻辑与一阶逻辑进行知识表示与推理。
  • 对比传统专家系统与现代知识图谱及本体论的差异。
  • 探索神经符号融合人工智能，作为逻辑与神经网络之间的桥梁。

🔹 第5课：生成式AI时代下的不确定性

概述：超越传统的概率计算，理解不确定性如何驱动现代人工智能。本课探讨为何大语言模型会产生幻觉（且这其实是功能而非缺陷），扩散模型如何从纯粹噪声生成艺术作品，以及自主代理如何在不可预测的开放世界中做出决策。

学习成果：

  • 从贝叶斯到“感觉”：直观理解置信度与校准机制，明白为何“99%概率”仍可能出错，无需陷入复杂的数学推导。
  • 创造力的引擎：分析概率采样机制（如温度、Top-P）如何赋予生成式AI创造力，同时也导致幻觉现象。
  • 代理决策机制：理解在不确定性下的决策策略，重点关注强化学习与多智能体系统中的“探索与利用”权衡。

🔹 第6课：经典机器学习

概述：通过Python实践介绍监督与无监督学习的数据驱动算法。

学习成果：

  • 实现监督学习模型，包括决策树与支持向量机（SVM）。
  • 应用无监督技术，如K均值聚类与主成分分析（PCA）。
  • 使用Scikit-learn解决基础数据分析问题。

🔹 第7课：神经网络基础

概述：转向仿生计算，讲解人工神经网络的架构与训练机制。

学习成果：

  • 解释人工神经元与多层感知机（MLP）的结构。
  • 掌握反向传播算法及各类激活函数（ReLU、GELU）。
  • 使用PyTorch构建一个基础神经网络。

🔹 第8课：计算机视觉与卷积神经网络（CNN）

概述：聚焦于通过专用深度学习架构处理视觉数据。

学习成果：

  • 理解卷积神经网络（CNN）的工作原理。
  • 分析ResNet与视觉变换器（ViT）等先进架构。
  • 实现一个基础的图像分类模型。

🔹 第9课：序列建模与Transformer

概述：从循环神经网络（RNN）演进到革命性的注意力机制。

学习成果：

  • 区分RNN、LSTM与Transformer架构的差异。
  • 解释《注意力便是全部》（Attention Is All You Need）论文及其自注意力机制。
  • 理解编码器与解码器在BERT、GPT等模型中的作用。

🔹 第10课：大语言模型（LLMs）

概述：深入研究前沿生成式人工智能，聚焦文本生成与模型适应能力。

学习成果：

  • 描述大语言模型的预训练与微调生命周期。
  • 探索基于人类反馈的强化学习（RLHF）。
  • 练习提示工程与参数高效微调方法（如PEFT/LoRA）。

🔹 第11课：高级生成式AI应用

概述：超越文本生成，拓展至检索系统与基于现代API的生成媒体应用。

学习成果：

  • 实现检索增强生成（RAG）以减少幻觉现象。
  • 理解扩散模型（如Stable Diffusion）与变分自编码器（VAE）背后的数学原理。
  • 调用现代AI API，构建一个生成式应用程序。

🔹 第12课：人工智能伦理、安全与对齐

概述：对人工智能的社会影响进行批判性分析，重点关注责任与安全规范。

学习成果：

  • 识别模型偏见来源，确保人工智能的公平性。
  • 讨论人工智能安全、鲁棒性与对齐问题。
  • 评估可解释性（XAI）方法，并制定应对大语言模型幻觉的缓解策略。