本课程属于人工智能基础课，分为三个部分：Python编程、机器学习和深度学习。

3. 人工智能的定义及其学习过程

人工智能（AI）是让机器能够像人一样学习和解决问题的一门技术

学习过程包括三个问题：学什么、从哪里学和怎么学。

• 学什么：学的是决策函数，将输入转化为有意义的输出；.决策函数的任务是将输入数据（如图片）转换为输出结果（如猫或狗的标签。从已有的带有标签的数据集中学习；通过训练数据得到决策函数，即求解机器学习模型。确定学习目标、获取学习数据、选择学习算法——这个过程是人工智能解决问题的一般思路。

• 哪里学：学习数据来源于训练数据集，包含输入数据和对应的标签。如下图展示的是一对猫和狗的的集合，训练数据以pair的形式存在，每个pair包含一个输入和一个输出标签。

• 怎样学：求解机器学习模型，学习算法的本质是求解机器学习模型，通过训练数据来更新决策函数中的参数。学习算法需要通过预测值与真实标签的距离来不断调整参数，以优化模型的拟合效果。如下图通过函数拟合

因此，人工智能（Artificial Intelligence）学习是：针对某个任务(Task)，利用训练数据(Experience)，求解一个学习模型，从而提高该任务的性能(Performance)

---

4. 为何使用人工智能

首先，人工智能能够处理大规模数据，适应互联网快速发展带来的数据积累。其次，对于复杂问题的求解，人工智能通过机器学习等模型提供解决方案，解决传统规则策略无法处理的问题。再者，人工智能具有自适应性，能够快速适应新数据，具有高度的智能性。与传统的规则方法相比，机器学习方法更为简洁、易于维护，适用于需要大量规则判断或手动调整的问题，以及传统方法难以解决的复杂问题。此外，人工智能模型能自动学习新数据，洞察复杂问题和大量数据。视频还对比了传统方法和机器学习方法的特点，强调了人工智能在现代社会中的重要性及其广泛的应用前景。

传统方法和现代方法的对比：

• 传统方法：通过规则和if-else语句解决问题，需要不断更新迭代规则。

• 机器学习方法：简洁、容易维护，通过收集数据训练模型，评估效果后进行改进。优势：避免过度分析，直接通过新数据训练模型，简化工作流程。

适用场景

• 需要大量规则判断或手动调整的问题：适合采用人工智能方法，通过收集历史数据进行学习。

• 传统方法难以解决的复杂问题：如语音识别等，适合采用黑盒式的机器学习模型解决

• 外部变化环境大的问题：计算机可以通过新增数据进行学习，适应环境变化。

---

5. 人工智能典型问题及应用

人工智能在多个领域的可以得到应用。

1. 垃圾邮件过滤：通过邮件内容判断是否为垃圾邮件，常见功能。

2. 目标检测：在图片中检测出人和车辆等目标，常用于交通监控。

3. 股票回归预测：通过历史数据预测股票价格，量化炒股的常见应用。

4. 网络搜索引擎：根据查询关键词返回相关网页，如谷歌和百度。

5. 推荐系统：根据个人历史偏好推荐商品或内容，如京东的为你推荐。

6. 无监督算法：如用户聚类和智能定价，常用于消费券分发和定价。

7. 降维应用：将高维数据降维到低维空间，便于数据可视化和解释。

8. 有些层面已接近甚至超越人类水平，游戏，AICG，语音，作曲...

6. 推荐阅读

• 模式识别与机器学习 Pattern Recognition And Machine Learning-Christopher Bishop-微信读书 对数学能力要求较高

• 统计学习方法（第2版）-李航-微信读书

• 西瓜书 机器学习 - 周志华 - 微信读书

• 南瓜书 机器学习公式详解（第2版） - 谢文睿 秦州 贾彬彬 - 微信读书

7. miniconda（1）

Python语言所需的环境配置包括：编辑器（ide）、解释器(python.exe)和包管理工具

编辑器：编辑器的选择因人而异，在此不做推荐。

解释器：用于运行代码文件，类似于Windows上的EXE文件或mac/linux上的python执行文件。 包管理工具：有conda，anacoda 和miniconda。在此推荐miniconda

Conda是虚拟环境管理工具。它与pipenv，venv等虚拟环境管理工具最大的区别在于，Conda虚拟环境是独立于操作系统解释器环境的，即：无论操作系统解释器什么版本，都可以指定虚拟环境Python版本，而venv是依赖主环境的。Anaconda和Miniconda是Conda的子集。

Anaconda是一个开源的Python发行版本，专注于数据分析。它包含了conda、Python等190多个科学包及其依赖项，使得用户可以便捷地获取和管理这些包，同时提供对环境的统一管理。Anaconda的特点包括：

集成第三方库：Anaconda常用于科学计算领域，集成了许多数据分析库，如pandas、numpy、matplotlib等，可以方便地进行数据分析、机器学习等任务。 虚拟环境管理：使用conda，用户可以创建多个不同的虚拟环境，每个环境可以分隔不同项目所需要的不同版本的包，有效预防版本冲突。 跨平台支持：Anaconda支持Linux、Windows、Mac OS X等多个操作系统，并可以自由切换不同版本的Python。 开源与免费：Anaconda是完全开源和免费的，尽管一些额外的加速和优化功能可能需要付费，但对于学术用途，可以申请免费的License。 因此，对于数据分析的初学者或专业人士来说，Anaconda都是一个非常有用的工具，可以大大提高工作效率和减少配置问题。

Miniconda是Anaconda的轻量版，只包含conda和Python，但没有包含Anaconda中捆绑的科学计算和数据分析用的包。因此，Miniconda的安装包较小，可以节省空间，并且在安装后可以自定义选择安装哪些包。

<a href="Miniconda3-py39_24.11.1-0-Windows-x86_64.exe">miniconda 国内镜像下载地址

安装完成后

conda info

则安装成功。

添加清华镜像源：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
conda config --set show_channel_urls yes

---

8. miniconda(2) 虚拟环境管理

python的虚拟环境可以很好的隔离不同项目版本冲突。

虚拟环境是一个包含第三方完整依赖的Python环境，通常服务于一个项目。conda可以很好的完成依赖管理。

创建一个名字为 tomz_test 的python 3.9 的虚拟环境：

conda create -n tomz_test python=3.9

查看已有的版本

conda info --envs

激活tomz_test环境：

conda activate tomz_test

---

9. miniconda(3) 安装第三方包

安装第三方包有两种方式：

在线安装

conda install 包名
pip install 包名

conda安装包会自动安装这个包需要的依赖，这会导致使用conda安装包速度会比较慢

pip安装包速度很快，但是有的依赖包不会自动安装

离线安装（适用于特殊需求）

可以在PyPI上搜索并下载所需的whl文件

conda/pip install <whlfile>

依赖文件批量安装：requirements.txt

conda/pip install --file requirement.txt

10. Jupyter Notebook

Jupyter Notebook是一个基于网页的代码编写和文档编辑工具，具有轻量级、即时执行和方便组织代码与文档的特点。它支持代码高亮、缩进、Tab等编写需求，并可通过浏览器直接运行代码。此外，Notebook还支持富媒体嵌入、Markdown文档编写和LaTeX公式编辑等功能。然而，它并不适合大型项目开发，更适合于代码集成要求高、改动频繁的场景。

安装启动

安装Jupyter Notebook可以通过命令行进行，启动时需在终端中激活对应的虚拟环境。

conda activate tomz_test
conda install jupyter notebook

Jupyter Lab和Jupyter Notebook功能相同，选择其中一个使用即可。

启动时需注意工作目录的设置，以确保笔记本的工作环境与包管理环境一致。

jupyter notebook

使用

新建一个notebook文件，可调试py代码：

可支持markdown编辑

新建一个终端，可打开命令行

Jupyter Lab与Jupyter Notebook

1.Jupyter Lab和Jupyter Notebook功能基本相同，界面和样式略有不同。 2.Jupyter Lab是Jupyter Notebook的升级版本，具有更多功能和更好的扩展性。 3.选择使用哪个工具主要取决于个人喜好和具体需求。

---

11. PyCharm

PyCharm是一个强大的Python集成开发环境（IDE），广泛应用于大规模项目开发。相较于Notebook，PyCharm提供了更多的工程性工具，如调试、高亮、管理和提示等。在前期调试实践中，Notebook更为方便。

自行新建开发环境：

配置PyCharm项目时，可以选择使用之前配置好的虚拟环境。添加虚拟环境时，选择conda管理的虚拟环境。创建新项目时，选择纯净的PyCharm项目，并指定虚拟环境位置。

修改当前或运行他人项目环境：

下载别人代码后，需要修改虚拟环境位置。通过File->Settings->Project->Python Interpreter来选择虚拟环境。可以选择本地虚拟环境或远程服务器上的虚拟环境。

在设置中修改当前虚拟环境

pycharm 里有很多插件可以用。在ai方面可以安装github Copilot和code gpt

---

12. Github

(略)

---

13. AI编程

(略)

---

14. numpy

NumPy是Python中科学计算的基础包，提供多维数组对象，各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的各种API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等等，是计算机科学中关键的数学工具之一。

conda install numpy

你也可以在notebook中执行!conda install numpy

NumPy包的核心是 ndarray 对象。它封装了python原生的同数据类型的 n 维数组，为了保证其性能优良，其中有许多操作都是代码在本地进行编译后执行的。

NumPy数组 和 原生Python Array（数组）之间有几个重要的区别：

• NumPy 数组在创建时具有固定的大小，与Python的原生数组对象（可以动态增长）不同。更改ndarray的大小将创建一个新数组并同大小元素的数组。
• NumPy 数组有助于对大量数据进行高级数学和其他类型的操作。通常，这些操作的执行效率更高，比使用Python原生数组的代码更少。
• 越来越多的基于Python的科学和数学软件包使用NumPy数组; 虽然这些工具通常都支持Python的原生数组作为参数，但它们在处理之前会还是会将输入的数组转换为NumPy的数组，而且也通常输出为NumPy数组。换句话说，为了高效地使用当今科学/数学基于Python的工具（大部分的科学计算工具），你只知道如何使用Python的原生数组类型是不够的 - 还需要知道如何使用 NumPy 数组。

关于数组大小和速度的要点在科学计算中尤为重要。举一个简单的例子，考虑将1维数组a_n中的每个元素与相同长度的另一个序列 b_n 中的相应元素相乘(两个多维向量相乘)的情况。我们可以迭代每个元素，如下所示：

c = []
for i in range(len(a)):
    c.append(a[i]*b[i])

而在NumPy中，以近C的速度执行：

import numpy as np

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = a * b
d = a + b
print(c) # [ 4 10 18] 注意返回的是numpy数组ndarray
print(d) # [5 7 9]

说明了NumPy的两个特征，它们是NumPy的大部分功能的基础：矢量化和广播。所做的事情，但是我们期望基于Python的代码具有简单性。的确，NumPy的语法更为简单！

NumPy包的核心是 ndarray 对象。它封装了python原生的同数据类型的 n 维数组，为了保证其性能优良，其中有许多操作都是代码在本地进行编译后执行的。

为什么 NumPy 这么快？

矢量化描述了代码中没有任何显式的循环，索引等 - 这些当然是预编译的C代码中“幕后”优化的结果。矢量化代码有许多优点，其中包括：

• 矢量化代码更简洁，更易于阅读
• 更少的代码行通常意味着更少的错误
• 代码更接近于标准的数学符号（通常，更容易正确编码数学结构）
• 矢量化导致产生更多 “Pythonic” 代码。如果没有矢量化，我们的代码就会被低效且难以阅读的for循环所困扰。

广播是用于描述操作的隐式逐元素行为的术语; 一般来说，在NumPy中，所有操作，不仅仅是算术运算，而是逻辑，位，功能等，都以这种隐式的逐元素方式表现，即它们进行广播。此外，在上面的例子中，a并且b可以是相同形状的多维数组，或者标量和数组，或者甚至是具有不同形状的两个数组

15. Numpy 数组

从 Python 列表或元组创建

使用 np.array() 函数，我们可以将 Python 的列表（list）或元组（tuple）转换成 NumPy 数组。这是最直接的创建方式。

# 从列表创建
list_array = np.array([1, 2, 3])
print("从列表创建的数组：\n", list_array)

从列表创建二维数组
list_2d_array = np.array([[1, 2., 3], [4, 5, 6]])
print("从列表创建的二维数组：\n", list_2d_array)
指定数据类型
typed_array = np.array([1, 2, 3], dtype=np.float16)
print("指定数据类型的数组：\n", typed_array)\
''''
注意事项：
当列表或元组中的元素类型不一致时，NumPy 会尝试将它们转换成一个公共的类型，通常是更宽泛的类型（如整数会被转换为浮点数）。
您可以通过指定 dtype 参数来设置数组元素的数据类型
'''
从元组创建
tuple_array = np.array((1.1, 2.2))
print("从元组创建的数组：\n", tuple_array)
从元组创建二维数组
tuple_2d_array = np.array([(1.1, 2.2, 3.3), (4.4, 5.5, 6.6)])
print("从元组创建的二维数组：\n", tuple_2d_array)

使用 arange 生成数组

NumPy 的 arange 函数类似于 Python 的 range 函数，但它返回的是一个数组而不是列表。这个函数在需要创建数值范围时非常有用。

# 创建一个 0 到 11 的数组
arange_array = np.arange(12)
print("使用 arange 创建的数组：\n", arange_array)

创建一个步长为 2 的数组
stepped_array = np.arange(100, 124, 2)
print("步长为 2 的数组：\n", stepped_array)

• 分段总结

  折叠

  00:01工具包介绍及学习方案

  1.介绍工具包的基本用法，采用分节或分课的形式进行介绍。 2.建议学习者根据需求选择学习内容，可以捡不会的或不太熟悉的内容来看。 3.推荐查漏补缺的学习方式，将工具包介绍当作字典使用。

  01:57numpy工具包介绍

  1.numpy是一个科学计算的基础工具包，主要用于多维数组下的各种计算。 2.numpy的核心能力是提供多维数组的数学运算、逻辑运算等。 3.numpy在机器学习和深度学习中也扮演重要角色，是矩阵运算和多维数组操作的基础。

  04:38numpy与paddle的区别

  1.numpy是一个通用的科学计算框架，没有针对机器学习或深度学习做更多适配。 2.paddle是一个针对深度学习做了特定化适配的科学计算框架。 3.numpy的底层逻辑是使用多维数组，与paddle类似但略有区别。

  04:53numpy的特点

  1.代码简单易写，执行效率高。 2.适用于多维数组的运算，包括一维、二维、三维、四维、五维等。 3.底层由C语言编写，利用C语言的加速特性。

  08:54numpy的加速原理

  1.numpy的矢量化描述和直接向量乘法避免了显式循环。 2.底层由C语言预编译代码执行，利用C语言的加速便利。 3.代码简洁意味着错误较少，更易于检查和调试。

  11:24numpy的安装方法

  1.可以通过终端执行pip命令进行安装，需要激活对应的虚拟环境。 2.在notebook中可以直接运行终端命令进行安装，通过添加感叹号实现。

】