课程笔记：人工智能与神经网络入门

课程定位与目标

• 定位：兼具科普的清晰直观与适度的数学推演。
• 理念：如无必要，勿增实体（围绕具体问题展开）。
• 目标：帮助学习者从零基础到初步理解机器学习/神经网络的原理，并能自行搭建模型。

核心学习路径（课程主线）

1. 从具体问题出发：以“深海生物小兰”遇到的问题为引。
2. 神经元与函数：用一元一次函数构建神经元，表达直觉。
3. 引入非线性：在线性函数外增加激活函数，实现分类功能。
4. 核心学习算法：利用梯度下降和反向传播算法，让机器自主学习。
5. 网络复杂化：增加隐藏层神经元，使神经网络能够解决更复杂的问题。
6. 数学工具升级：
   • 向量：表示更多特征，进入高维度。
   • 矩阵：使计算更直观、高效。
7. 最终认识：数学是手段，而非目的；科普是将数学串联起来的线索。

课程内容设计：干湿分离

湿润部分：原理讲解（硬核科普）

• 特点：直观展示，不涉及复杂数学与编程。
• 工具：使用专门开发的数学可视化工具，通过拖拽操作理解函数行为。
• 目的：轻松搞懂神经网络在做什么。

干涩部分：编程实践

• 语言：Python（课程会从零手把手教学）。
• 库：主要使用 NumPy，后续会引入 Keras 框架。
• 特点：
  • 机器学习算法对编码要求不高，通常只需简短代码。
  • 课程将逐行讲解编程技巧。
• 实践项目：手写体识别、物体识别、自然语言处理等。

课程涵盖的高级主题

• 卷积神经网络（CNN）
• 循环神经网络（RNN）
• 使用 Keras 框架高效实现模型

课程周期

• 共 14节 课。

---

总结

本课程是一门面向初学者的AI入门课，旨在通过“原理直观讲解”与“编程逐行实践”相结合的“干湿分离”模式，降低学习门槛。课程从最简单的神经元模型开始，逐步引入关键数学概念（向量、矩阵）和核心算法（梯度下降、反向传播），最终引导学习者理解并能够动手实现包括CNN、RNN在内的主流神经网络模型。